python資料分析之(3)pandas
pandas的安裝可以參見前面的博文,http://blog.csdn.net/piaoxuezhong/article/details/54023951
pandas 是基於 Numpy 構建的含有更高階資料結構和工具的資料分析包
類似於 Numpy 的核心是 ndarray,pandas 也是圍繞著 Series 和 DataFrame 兩個核心資料結構展開的 。Series 和 DataFrame 分別對應於一維的序列和二維的表結構。pandas 約定俗成的匯入方法如下:
>>> from pandas import Series,DataFrame >>> import pandas as pd
1.Series
Series 可以看做一個定長的有序字典。基本任意的一維資料都可以用來構造 Series 物件:>>> s=Series([1,2,'abc'])
>>> s
0 1
1 2
2 abc
dtype: object
Series 物件包含兩個主要的屬性:index 和 values,分別為上例中左右兩列。因為傳給構造器的是一個列表,所以 index 的值是從 0 起遞增的整數,如果傳入的是一個類字典的鍵值對結構,就會生成 index-value 對應的 Series;或者在初始化的時候以關鍵字引數顯式指定一個 index 物件:
>>> s=Series(data=[1,2,'abc'],index=['no1','no2','no3'])
>>> s
no1 1
no2 2
no3 abc
dtype: object
>>> s.index
Index([no1, no2, no3], dtype=object)
>>> s.values
array([1, 2, abc], dtype=object)
Series 物件的元素會嚴格依照給出的 index 構建,如果 data 引數是有鍵值對的,那麼只有 index 中含有的鍵會被使用;如果 data 中缺少響應的鍵,即使給出 NaN 值,這個鍵也會被新增。Series 的 index 和 values 的元素之間雖然存在對應關係,但這與字典的對映不同。index 和 values 實際仍為互相獨立的 ndarray 陣列。Series
這種使用鍵值對的資料結構最大的好處在於,Series 間進行算術運算時,index 會自動對齊。另外,Series 物件和它的 index 都含有一個 name 屬性:
>>> s.name='series_s'
>>> s.index.name='s\' index'
>>> s
s' index
no1 1
no2 2
no3 abc
Name: series_s, dtype: object
2.DataFrame
DataFrame 是一個表格型的資料結構,它含有一組有序的列(類似於 index),每列可以是不同的值型別(不像 ndarray 只能有一個 dtype)。基本上可以把 DataFrame 看成是共享同一個 index 的 Series 的集合。DataFrame 的構造方法與 Series 類似,只不過可以同時接受多條一維資料來源,每一條都會成為單獨的一列:
>>> data={'name':['fcq','jj','wym','xrr'],\
'year':[1989,1989,1989,1988],\
'm/f':['m','f','f','f']}
>>> data
{'m/f': ['m', 'f', 'f', 'f'], 'name': ['fcq', 'jj', 'wym', 'xrr'], 'year': [1989, 1989, 1989, 1988]}
>>> df=DataFrame(data)
>>> df
m/f name year
0 m fcq 1989
1 f jj 1989
2 f wym 1989
3 f xrr 1988
雖然引數 data 看起來是個字典,但字典的鍵並非充當 DataFrame 的 index 的角色,而是 Series 的 “name” 屬性。這裡生成的 index 仍是 “0123”。較完整的 DataFrame 構造器引數為:DataFrame(data=None,index=None,coloumns=None),columns
即 “name”:>>> df=DataFrame(data,index=['no1','no2','no3','no4'])
>>> df
m/f name year
no1 m fcq 1989
no2 f jj 1989
no3 f wym 1989
no4 f xrr 1988
>>> df.columns
Index([m/f, name, year], dtype=object)
>>> df.index
Index([no1, no2, no3, no4], dtype=object)
3.物件屬性
3.1查詢索引
查詢某個值在陣列中的索引,類似於 Python 內建的 list.index(value) 方法。可以通過布林索引來實現。比如我們想在一個 Series 中尋找到 ‘f’:>>> from pandas import Series,DataFrame
>>> import pandas as pd
>>> s=Series(list('I am fcq~'))
>>> s
0 I
1
2 a
3 m
4
5 f
6 c
7 q
8 ~
dtype: object
>>> s[s='f']
SyntaxError: invalid syntax
>>> s[s=='f']
5 f
dtype: object
3.2重新索引
Series 物件的重新索引通過reindex(index=None,**kwargs) 方法實現。**kwargs 中常用的引數有:method=None,fill_value=np.NaN:
>>> s2=Series([88,99,89,90],index=['ENG','CHE','PHY','CPT'])
>>> a=['ENG','CPT','CHE','PHY','MATH']
>>> s2.reindex(a)
ENG 88
CPT 90
CHE 99
PHY 89
MATH NaN
dtype: float64
>>> s2.reindex(a,fill_value=0)
ENG 88
CPT 90
CHE 99
PHY 89
MATH 0
dtype: int64
3.3排序和排名
Series 的 sort_index(ascending=True) 方法可以對 index 進行排序操作,ascending 引數用於控制升序或降序,預設為升序。若要按值對 Series 進行排序,當使用 .order(na_last=True, ascending=True, kind='mergesort') 方法,任何缺失值預設都會被放到 Series 的末尾。在 DataFrame 上,.sort_index(axis=0, by=None, ascending=True) 方法多了一個軸向的選擇引數與一個 by 引數,by 引數的作用是針對某一(些)列進行排序(不能對行使用 by 引數):
>>> s2.sort_index(ascending=True)
CHE 99
CPT 90
ENG 88
PHY 89
dtype: int64
排名(Series.rank(method='average', ascending=True))的作用與排序的不同之處在於,他會把物件的 values 替換成名次(從 1 到 n)。這時唯一的問題在於如何處理平級項,方法裡的 method 引數就是起這個作用的,他有四個值可選:average, min, max, first。>>> s3=Series([3,2,0,3],index=list('abcd'))
>>> s3
a 3
b 2
c 0
d 3
dtype: int64
>>> s3.rank()
a 3.5
b 2.0
c 1.0
d 3.5
dtype: float64
>>> s3.rank(method='max')
a 4
b 2
c 1
d 4
dtype: float64
>>> s3.rank(method='min')
a 3
b 2
c 1
d 3
dtype: float64
>>> s3.rank(method='first')
a 3
b 2
c 1
d 4
dtype: float64
3.4統計方法
pandas 物件有一些統計方法,它們大部分都屬於約簡和彙總統計,用於從 Series 中提取單個值,或從 DataFrame 的行或列中提取一個 Series。比如 DataFrame.mean(axis=0,skipna=True) 方法,當資料集中存在 NA 值時,這些值會被簡單跳過,除非整個切片(行或列)全是 NA,如果不想這樣,則可以通過 skipna=False 來禁用此功能:>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],
'year':[2000,2001,2002,2001,2002],
'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df=DataFrame(data)
>>> df
pop state year
0 1.5 Ohino 2000
1 1.7 Ohino 2001
2 3.6 Ohino 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002
>>> df.mean()
pop 2.42
year 2001.20
dtype: float64
>>> df.mean(axis=1)
0 1000.75
1 1001.35
2 1002.80
3 1001.70
4 1002.45
dtype: float64
其他常用的統計方法有: | |
count | 非 NA 值的數量 |
describe | 針對 Series 或 DF 的列計算彙總統計 |
min , max | 最小值和最大值 |
argmin , argmax | 最小值和最大值的索引位置(整數) |
idxmin , idxmax | 最小值和最大值的索引值 |
quantile | 樣本分位數(0 到 1) |
sum | 求和 |
mean | 均值 |
median | 中位數 |
mad | 根據均值計算平均絕對離差 |
var | 方差 |
std | 標準差 |
skew | 樣本值的偏度(三階矩) |
kurt | 樣本值的峰度(四階矩) |
cumsum | 樣本值的累計和 |
cummin , cummax | 樣本值的累計最大值和累計最小值 |
cumprod | 樣本值的累計積 |
diff | 計算一階差分(對時間序列很有用) |
pct_change | 計算百分數變化 |
參考:
http://www.open-open.com/lib/view/open1402477162868.html
https://my.oschina.net/lionets/blog/277847
http://www.cnblogs.com/skying555/p/5914391.html
http://www.cnblogs.com/skying555/p/5914391.html