http://www.cnblogs.com/batteryhp/p/5006274.html

 

pandas是本书后续内容的首选库。pandas可以满足以下需求：

• 具备按轴自动或显式数据对齐功能的数据结构。这可以防止许多由于数据未对齐以及来自不同数据源（索引方式不同）的数据而导致的常见错误。.
• 集成时间序列功能
• 既能处理时间序列数据也能处理非时间序列数据的数据结构
• 数学运算和简约（比如对某个轴求和）可以根据不同的元数据（轴编号）执行
• 灵活处理缺失数据
• 合并及其他出现在常见数据库（例如基于SQL的）中的关系型运算

1、pandas数据结构介绍

两个数据结构：Series和DataFrame。Series是一种类似于以为NumPy数组的对象，它由一组数据（各种NumPy数据类型）和与之相关的一组数据标签（即索引）组成的。可以用index和values分别规定索引和值。如果不规定索引，会自动创建 0 到 N-1 索引。

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#Series可以设置index，有点像字典，用index索引obj = Series([1,2,3],index=['a','b','c'])#print obj['a']#也就是说，可以用字典直接创建Seriesdic = dict(key = ['a','b','c'],value = [1,2,3])dic = Series(dic)#下面注意可以利用一个字符串更新键值key1 = ['a','b','c','d']#注意下面的语句可以将 Series 对象中的值提取出来，不过要知道的字典是不能这么做提取的dic1 = Series(obj,index = key1)#print dic#print dic1#isnull 和  notnull 是用来检测缺失数据#print pd.isnull(dic1)#Series很重要的功能就是按照键值自动对齐功能dic2 = Series([10,20,30,40],index = ['a','b','c','e'])#print dic1 + dic2#name属性,可以起名字dic1.name = 's1'dic1.index.name = 'key1'#Series 的索引可以就地修改dic1.index = ['x','y','z','w']

DataFrame是一种表格型结构，含有一组有序的列，每一列可以是不同的数据类型。既有行索引，又有列索引，可以被看做由Series组成的字典（使用共同的索引）。跟其他类似的数据结构（比如R中的data.frame），DataFrame面向行和列的操作基本是平衡的。其实，DataFrame中的数据是以一个或者多个二维块存放的（不是列表、字典或者其他）。

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#构建DataFrame可以直接传入等长的列表或Series组成的字典#不等长会产生错误data = {'a':[1,2,3],        'c':[4,5,6],        'b':[7,8,9]}#注意是按照列的名字进行列排序frame = DataFrame(data)#print frame#指定列之后就会按照指定的进行排序frame = DataFrame(data,columns=['a','c','b'])print frame#可以有空列,index是说行名frame1 = DataFrame(data,columns = ['a','b','c','d'],index = ['one','two','three'])print frame1#用字典方式取列数据print frame['a']print frame.b#列数据的修改直接选出来重新赋值即可#行，可以用行名或者行数来进行选取print frame1.ix['two']#为列赋值，如果是Series，规定了index后可以精确赋值frame1['d'] = Series([100,200,300],index = ['two','one','three'])print frame1#删除列用del 函数del frame1['d']#警告：通过列名选出来的是Series的视图，并不是副本，可用Series copy方法得到副本

另一种常见的结构是嵌套字典，即字典的字典，这样的结构会默认为外键为列，内列为行。

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#内层字典的键值会被合并、排序以形成最终的索引pop = {'Nevada':{2001:2.4,2002:2.9},       'Ohio':{2000:1.5,2001:1.7,2002:3.6}}frame3 = DataFrame(pop)#rint frame3#Dataframe也有行和列有name属性，DataFrame有value属性frame3.index.name = 'year'frame3.columns.name = 'state'print frame3print frame3.values

下面列出了DataFrame构造函数能够接受的各种数据。

索引对象

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#pandas索引对象负责管理轴标签和其他元数据，构建Series和DataFrame时，所用到的任何数组或其他序列的标签都被转换为Indexobj = Series(range(3),index = ['a','b','c'])index = obj.index#print index#索引对象是无法修改的,这非常重要，因为这样才会使得Index对象在多个数据结构之间安全共享index1 = pd.Index(np.arange(3))obj2 = Series([1.5,-2.5,0],index = index1)print obj2.index is index1#除了长得像数组，Index的功能也类似一个固定大小的集合print 'Ohio' in frame3.columnsprint 2003 in frame3.index

pandas中的Index是一个类，pandas中主要的Index对象（什么时候用到）。

下面是Index的方法与属性，值得注意的是：index并不是数组。

2、基本功能

下面介绍基本的Series 和 DataFrame 数据处理手段。首先是索引：

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#Series有一个reindex函数，可以将索引重排，以致元素顺序发生变化obj = Series([1,2,3,4],index=['a','b','c','d'])#注意这里的reindex并不改变obj的值，得到的是一个“副本”#fill_value 显然是填充空的index的值#print obj.reindex(['a','c','d','b','e'],fill_value = 0)#print objobj2 = Series(['red','blue'],index=[0,4])#method = ffill，意味着前向值填充obj3 = obj2.reindex(range(6),method='ffill')#print obj3#DataFrame 的reindex可以修改行、列或者两个都改frame = DataFrame(np.arange(9).reshape((3,3)),index = ['a','c','d'],columns = ['Ohio','Texas','California'])#只是传入一列数，是对行进行reindex,因为...frame的行参数叫index...(我这么猜的)frame2 = frame.reindex(['a','b','c','d'])#print frame2#当传入原来没有的index是，当然返回的是空NaN#frame3 = frame.reindex(['e'])#print frame3states = ['Texas','Utah','California']#这是对行、列重排#注意：这里的method是对index 也就是行进行的填充，列是不能填充的（不管method的位置如何）frame4 = frame.reindex(index = ['a','b','c','d'],columns=states,method = 'ffill')#print frame4#使用ix的标签索引功能，重新索引变得比较简洁print frame.ix[['a','d','c','b'],states]

关于ix，是DataFrame的一个方法，。

丢弃指定轴上的项

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#drop函数可以丢弃轴上的列、行值obj = Series(np.arange(3.),index = ['a','b','c'])#原Series并不丢弃obj.drop('b')#print obj#注意下面，行可以随意丢弃，列需要加axis = 1print frame.drop(['a'])print frame.drop(['Ohio'],axis = 1)

下面说索引、选取和过滤

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrameobj = Series([1,2,3,4],index=['a','b','c','d'])frame = DataFrame(np.arange(9).reshape((3,3)),index = ['a','c','d'],columns = ['Ohio','Texas','California'])#Series切片和索引#print obj[obj < 2]#注意：利用标签的切片与python的切片不同，两端都是包含的（有道理）print obj['b':'c']#对于DataFrame，列可以直接用名称print frame['Ohio']#特殊情况：通过切片和bool型索引，得到的是行(有道理)print frame[:2]print frame[frame['Ohio'] != 0]#下面的方式是对frame所有元素都适用，不是行或者列,下面的得到的是numpy.ndarray类型的数据print frame[frame < 5],type(frame[frame < 5])frame[frame < 5] = 0print frame#对于DataFrame上的标签索引，用ix进行print frame.ix[['a','d'],['Ohio','Texas']]print frame.ix[2] #注意这里默认取行#注意下面默认取行print frame.ix[frame.Ohio > 0]#注意下面的逗号后面是列标print frame.ix[frame.Ohio > 0,:2]

下面是常用的索引选项：

算术运算和数据对齐

#pandas 有一个重要的功能就是能够根据索引自动对齐,其中索引不重合的部分值为NaNs1 = Series([1,2,3],['a','b','c'])s2 = Series([4,5,6],['b','c','d'])#print s1 + s2df1 = DataFrame(np.arange(12.).reshape(3,4),columns=list('abcd'))df2 = DataFrame(np.arange(20.).reshape(4,5),columns=list('abcde'))#print df1 + df2#使用add方法，并传入填充值,注意下面的fill_value函数是先对应填充再进行加和，而不是加和得到NaN之后再填充#print df1.add(df2,fill_value = 1000)#df1.reindex(columns = df2.columns,fill_value=0)

除了add之外，还有其他的方法：

DataFrame和Series之间的运算

#下面看一下DataFrame和Series之间的计算过程arr = DataFrame(np.arange(12.).reshape((3,4)),columns = list('abcd'))#下面的结果标明，就是按行分别相减即可，叫做 broadcasting#注意：默认情况下，DataFrame和Series的计算会将Series的索引匹配到DataFrame的列，然后进行计算，再沿着行一直向下广播#注意：下面的式子中，如果写arr - arr[0]是错的，因为只有标签索引函数ix后面加数字才表示行print arr - arr.ix[0]Series2 = Series(range(3),index = list('cdf'))#按照规则，在不匹配的列会形成NaN值print arr + Series2#如果想匹配行且在列上广播，需要用到算术运算方法Series3 = arr['d']#axis就是希望匹配的轴print arr.sub(Series3,axis = 0)

下面是函数应用和映射

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#NumPy的元素级数组方法也适用于pandas对象frame = DataFrame(np.random.randn(4,3),columns = list('abc'),index = ['Ut','Oh','Te','Or'])print frame#下面是求绝对值：#print np.abs(frame)#另一种常见的做法是：将一个函数应用到行或者列上,用apply方法，与R语言类似fun = lambda x:x.max() - x.min()#默认是应用在每一列上print frame.apply(fun)#下面是应用在列上print frame.apply(fun,axis = 1)#很多统计函数根本不用apply，直接调用方法就可以了print frame.sum()#除了标量值之外，apply函数后面还可以接返回多个值组成的的Series的函数,有没有很漂亮？def f(x):    return Series([x.min(),x.max()],index = ['min','max'])#print frame.apply(f)#元素级的python函数也是可以用的，但是要使用applymap函数format = lambda x: '%.2f' % xprint frame.applymap(format)#之所以要用applymap是因为Series有一个应用于元素级函数的map方法？？#这里的map很有用print frame['b'].map(format)

排序与排名

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#用sort_index函数对行、列的索引进行排序obj = Series(range(4),index = ['d','a','b','c'])print obj.sort_index()frame = DataFrame(np.arange(8).reshape((2,4)),index = ['three','one'],columns = ['d','a','b','c'])#默认是对行 “索引” 进行排序，如果对列 “索引” 进行排序，axis = 1 即可print frame.sort_index()print frame.sort_index(axis = 1)print frame.sort_index(axis = 1,ascending = False)#如果对值进行排序，用的是order函数,注意所有的缺失值会放到最后（如果有的话）print obj.order()#numpy中的sort也可以用来排序print np.sort(obj)#如果相对DataFrame的值进行排序，函数还是sort_index，只不过后面需要加一个参数byframe = DataFrame({'b':[4,7,-3,2],'a':[0,1,0,1]})print frame.sort_index(by = ['a','b'])#rank函数返回从小到大排序的下标，对于平级的数，rank是通过“为各组分配一个平均排名”的方式破坏评级关系#下标从1开始obj = Series([7,-5,7,4,2,0,4])print obj.rank()#而numpy中的argsort函数比较奇怪，返回的是把数据进行排序之后，按照值得顺序对应的下标，下标从0开始print np.argsort(obj) #打印结果为：1,5,4,3,6,0,2 按照这个下标顺序恰好可以得到从小打到的值，见下面print obj[np.argsort(obj)]#rank函数中有一个method选项，用来规定下标的方式print obj.rank(method = 'first',ascending=False)print obj.rank(method = 'max',ascending=False)print obj.rank(method = 'min',ascending=False)#对于DataFrame，rank函数默认把每一列排好并返回坐标print frame.rank()print frame.rank(axis = 1)

排名（Series.rank(method='average', ascending=True)）的作用与排序的不同之处在于，他会把对象的 values 替换成名次（从 1 到 n）。这时唯一的问题在于如何处理平级项，方法里的method参数就是起这个作用的，他有四个值可选：average, min, max, first。

 

注意在 ser[0]=ser[3] 这对平级项上，不同 method 参数表现出的不同名次。

DataFrame 的.rank(axis=0, method='average', ascending=True)方法多了个 axis 参数，可选择按行或列分别进行排名，暂时好像没有针对全部元素的排名方法。

文／tianmh（简书作者）

原文链接：http://www.jianshu.com/p/d6992889e1e3

著作权归作者所有，转载请联系作者获得授权，并标注“简书作者”。

带有重复值的轴索引

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#虽然pandas的很多函数（如reindex）要求标签唯一，但是并不具有强制性obj = Series(range(5),index = list('aabbc'))print obj#索引是否唯一用is_unique看是否唯一print obj.index.is_unique#对于重复值的索引，选取的话返回一个Series，唯一的索引返回一个标量print obj['a']#对于DataFrame也是如此df = DataFrame(np.random.randn(4,3),index = list('aabb'))print dfprint df.ix['b']#####自己导入数据的时候数据处理之前可以做一下index唯一性等，自己创建DataFrame注意不能这样

3、汇总和计算描述统计

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport time#pandas 对象拥有一组常用的数学和统计方法，大部分属于简约统计，用于从Series中提取一个值，或者   从DataFrame中提取一列或者一行Series#注意：与NumPy数组相比，这些函数都是基于没有缺失数据的建设构建的，也就是说：这些函数会自动忽略缺失值。df = DataFrame([[1.4,np.nan],[7.1,-4.5],[np.nan,np.nan],[0.75,-1.3]],index = list('abcd'),columns=['one','two'])print df.sum()print df.sum(axis = 1)#下面是一些函数，idxmin 和 idmax 返回的是达到最小或者最大的索引print df.idxmin()print df.idxmin(axis=1)#关于累积型的函数print df.cumsum()#describe函数，与R语言中的describe函数基本相同print df.describe()#对于非数值型的数据，看看下面的结果obj = Series(['c','a','a','b','d'] * 4)print obj.describe()'''结果为：count     20unique     4top        afreq       8其中，freq是指字母出现的最高频率'''

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport time#下面看一下cummin函数#注意：这里的cummin函数是截止到目前为止的最小值，而不是加和以后的最小值frame = DataFrame([[1,2,3,4],[5,6,7,8],[-10,11,12,-13]],index = list('abc'),columns = ['one','two','three','four'])print frame.cummin()print frame

>>>

   one  two  three  four a    1    2      3     4 b    1    2      3     4 c  -10    2      3   -13    one  two  three  four a    1    2      3     4 b    5    6      7     8 c  -10   11     12   -13

相关系数与协方差

有些汇总统计（如相关系数和协方差）是通过参数对计算出来的。这一节数据得不到？上不去网。

唯一值、值计数以及成员资格

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltobj = Series(['a','a','b','f','e'])uniques = obj.unique()uniques.sort() #记住这是就地排序#print uniques#下面进行计数统计,注意得到的是按照出现的频率降序排列#print obj.value_counts()#value_counts还是一个顶级的pandas方法。可用于任何是数组或者序列#print obj.values#print pd.value_counts(obj.values,sort = False)#最后是isin 判断矢量化集合的成员资格，可用于选取Series中或DataF列中的子集mask = obj.isin(['b','c'])print maskprint obj[mask]data = DataFrame({'Qu1':[1,3,4,3,4],                  'Qu2':[2,3,1,2,3],                  'Qu3':[1,5,2,4,4]})print dataprint data.apply(pd.value_counts).fillna(0)

上面这几个函数是真的非常实用！

4、处理缺失数据

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport timefrom numpy import nan as NA#pandas本来就被设计成自动忽略了缺失值、#nan None 都看做缺失值str_data = Series(['a',np.nan,'b','c'])str_data[0] = Noneprint str_data.isnull()print str_data.notnull()

>>>

0     True 1     True 2    False 3    False 0    False 1    False 2     True 3     True

#NumPy的数据类型中缺少真正的NA数据类型或位模式？？

滤除缺失数据

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport timefrom numpy import nan as NAdata = Series([1,NA,3.5,7,NA])#注意返回的是不为NA的值的原来的索引，不是移除之后的索引

#有一个函数 reset_index 这个函数（方法？）可以重新设置index，其中drop = True选项会丢弃原来的索引而设置新的从0开始的索引，这个方法只对DataFrame有用貌似。

print data.dropna()#下面的结果一样print data[data.notnull()]data1 = DataFrame([[1,2,3],[NA,2.3,4],[NA,NA,NA]])#注意：由于DataFrame的设定，只要有NA的行就会舍弃print data1.dropna()#传入how = 'all' 则丢掉全为NA的行，这里的 how 的起名真的有点随心所欲了，哈哈print data1.dropna(how = 'all')#丢弃列print data1.dropna(how = 'all',axis = 1)#还有一个参数，threshdata2 = DataFrame(np.random.randn(7,3))data2.ix[:4,1] = NAdata2.ix[:2,2] = NA#print data2#这里的thresh函数是选取最少non-NA值个数的行选出来print data2.dropna(thresh = 2)print data2.dropna(thresh = 4,axis = 1)

填充缺失数据

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport timefrom numpy import nan as NA#主要用fillna方法填充NA处的值data2 = DataFrame(np.random.randn(7,3))data2.ix[:4,1] = NAdata2.ix[:2,2] = NA#fillna返回一个新对象，inplace = True 可以就地填充print data2.fillna(0)#print data2.fillna(0,inplace = True)#print data2#为不同的列填充要用到字典print data2.fillna({1:0.5,3:-1})#对reindex有效的的那些差值方法也可适用于fillna,请向上看，或者搜索 reindex 即可df = DataFrame(np.random.randn(6,3))df.ix[2:,1] = NAdf.ix[4:,2] = NAprint df.fillna(method = 'ffill',limit = 2)#只要稍微动动脑子，我们就可以知道向NA处可以填充均值等其他数data = Series([1.2,NA,4,NA])print data.fillna(data.mean())

fillna的参数如下：

5、层次化索引

层次化索引（hierarchical index）是pandas的重要功能，这能使在一个轴上拥有两个以上的索引级别。抽象点说，它能使你以低维度形式处理高维度。

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport timedata = Series(np.random.randn(10),index=[['a','a','a','b','b','b','c','c','d','d'],[1,2,3,1,2,3,1,2,2,3]])#print data#下面是索引的选取方式print data.indexprint data['b']print data['b':'c']print data.ix[['b','d']]#下面是“内层”的选取方式print data[:,2]#层次化索引在数据重塑和基于分组操作（如透视表生成）中扮演者重要的角色，比如用unstack方式重排DataFrame:print data.unstack()#stack是unstack的逆运算print data.unstack().stack()#对于DataFrame，每个轴都可以有分层索引frame = DataFrame(np.arange(12).reshape((4,3)),index = [['a','a','b','b'],[1,2,1,2]],columns = [['Ohio','Ohio','Colorado'],['Green','Red','Green']])#print frame#注意下面的方式：是为每一个轴规定名字，跟frame.index.names = ['key1','key2']frame.columns.names = ['state','color']#print frame#print frame['Ohio']#可以单独创建MultiIndex然后复用#下面的multiindex可以这样创建,注意下面的生成方式columns = pd.MultiIndex.from_arrays([['Ohio','Ohio','Colorado'],['Green','Red','Green']],names = ['state','color'])frame1 = DataFrame(np.arange(12).reshape((4,3)),columns = columns)print frame1#重排顺序，调整索引级别print frame.swaplevel('key1','key2')#sortlevel则根据但各级别中的值对数据进行排序，通常用swaplevel是也会用到sortlevel（很合理）#注意得到的是副本，不是就地修改print frame.sortlevel(1)print frame.swaplevel(0,1).sortlevel(0)print frame#许多对DataFrame和Series进行描述汇总的统计都有一个level选项，用于指定汇总方式print frame.sum(level = 'key2')#不指定level的话，会按照列汇总出所有列名的和print frame.sum()print frame.sum(level = 'color',axis = 1)

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport time#人们经常想将DataFrame的一个或者多个列当作行索引来用，或者可能需要将行索引变成DataFrame的列frame = DataFrame({'a':range(7),'b':range(7,0,-1),'c':['one','one','one','two','two','two','two'],'d':[0,1,2,0,1,2,3]})print frame#DataFrame中的set_index函数会将其一个或者多个列转换为行索引frame2 = frame.set_index(['c','d'])print frame2  #其实就是利用第3、4列进行一次分类汇总frame3 = frame.set_index(['c','d'],drop = False)#与set_index相反的是reset_index函数print frame2.reset_index()#下面进行一次测试frame4 = DataFrame([[0,7],[1,6],[2,5],[3,4],[4,3],[5,2],[6,1]],index = [['one','one','one','two','two','two','two'],[0,1,2,0,1,2,3]],columns=['a','b'])frame4.index.names = ['c','d']print frame4print frame4.reset_index().sort_index(axis = 1)

其他有关pandas的话题

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport pandas.io.data  as web#这里说的是一些蛋疼的问题：整数索引和整数标签ser = Series(np.arange(3.))#print ser[-1]  #报错，因为整数索引的歧义性ser2 = Series(np.arange(3.),index = ['a','b','c'])print ser2[-1] #正确#ix函数总是面向标签的print ser.ix[:1]#如果需要可靠的、不考虑索引类型的、基于位置的索引，可以使用Series的iget_value方法，Dataframe的irow 和 icol方法ser3 = Series(range(3),index= [-5,1,3])print ser3.iget_value(2)frame = DataFrame(np.arange(6).reshape(3,2),index = [2,0,1])print frame.irow(0)#pandas 有一个Panel数据结构（不是主要内容），可以看作是三维的DataFrame。pandas中的多维数据可以利用多层索引进行处理#可以利用DataFrame对象组成的字典或者一个三维ndarray来创建Panel对象pdata = pd.Panel(dict((stk,web.get_data_yahoo(stk,'1/1/2009','6/1/2012')) for stk in ['AAPL','GOOG','MSFT','DELL']))#网络错误，得不到数据#Panel的每一项都是一个DataFrame.