/
7-Pandas.py
2121 lines (856 loc) · 24.2 KB
/
7-Pandas.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#!/usr/bin/env python
# coding: utf-8
# # pandas--Python Data Analysis Library
# 官网:https://pandas.pydata.org/
#
# Pandas中文网:https://www.pypandas.cn/
#
# Pandas 精选资源:https://www.pypandas.cn/
#
# Pandas 生态圈:https://www.pypandas.cn/
#
# Pandas教程:http://www.ysir308.com/archives/category/tutorial/pandas-tutorial
#
# 附录:
# - pandas中的index对象详解.ipynb
# - joyful-pandas-master文件夹
# In[1]:
#忽略级别 3 及以下的消息(级别 1 是提示,级别 2 是警告,级别 3 是错误)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='3'
# In[97]:
from pandas import Series #联系下一句,思考这样写的用意
import pandas as pd
import numpy as np
# ## Pandas 中的数据类型 ####
#
# Pandas的名称来自于面板数据(panel data)和python数据分析(data analysis)。panel data是经济学中关于多维数据集的一个术语,在Pandas中也提供了panel的数据类型。
#
# Pandas 基于两种数据类型,series 和 dataframe。
#
# - series 是一种一维的数据类型,其中的每个元素都有各自的索引,可以把它当作一个由带索引的元素组成的 numpy 一维数组。索引(index)可以是**数字或者字符**。
#
# - dataframe 是一个二维的、表格型的数据结构。dataframe 可以储存许多**不同类型的数据**,并且**每个轴都有索引。**
# ### Series构建和引用
# In[98]:
s = Series([4, 7, -5, 3]) #可以用list构建
s
# In[99]:
s = Series((4, 7, -5, 3)) #可以用tuple构建
s
# In[100]:
s.index #默认的index
# In[101]:
type(s.index)
# In[102]:
s.index = ['Bob', 'Steve', 'Jeff', 'Ryan'] #重新设置index
s
# In[103]:
s.index
# In[104]:
s2 = Series([4, 7, -5, 3], index=['d', 'b', 'a', 'a']) #index的值可以相同
s2
# In[105]:
s2['a'] #index值索引
# In[106]:
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
s3 = Series(sdata) #用字典创建Series
s3
# In[107]:
states = ['California', 'Ohio', 'Oregon', 'Texas']
s4 = Series(sdata, index=states) #用字典创建Series,另外给出index(可能与字典中的key值不完全符合)
s4
# In[108]:
s = Series(np.arange(4.), index=['a', 'b', 'c', 'd'])
s
# In[109]:
s['b'] #index值索引
# In[110]:
s[1] #行号索引
# In[111]:
s[2:4] #行号索引--切片不包括末尾
# In[112]:
s[['b', 'a', 'd']] #index值索引
# In[113]:
s[[1, 3]] #行号索引
# In[114]:
s
# In[115]:
s[s < 2] #找出值<2的
# In[116]:
s < 2
# In[117]:
s
# In[118]:
s['a':'c'] #Series索引的切片运算和普通的切片运算不同--包含末端
# In[119]:
s['b':'c'] = 5 #切片赋值
s
# ### DataFrame构建与引用
# #### 构建一个空的DataFrame
# In[120]:
import pandas as pd
import numpy as np
df = pd.DataFrame()
df
# In[121]:
type(df)
# In[122]:
pd.DataFrame(columns=['b','a', 'c', 'd', 'e']) #指定列名
# #### 构建一个字符串DataFrame
# In[123]:
pd.DataFrame(np.array(list('abcdefgh')).reshape((4,2))) #默认,按行排列
# #### 读取文件构建DataFrame
# In[124]:
DATA=pd.read_csv(r'd:\foo.csv') #假定foo.csv文件放置在d:\
DATA
# In[125]:
DATA.index
# #### 创建日期索引的DataFrame
# In[126]:
dates = pd.date_range('20000226',periods=6) #2000年是闰年
df_d = pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('ABCD'))
df_d
# In[127]:
df_d.index
# #### 用字典创建DataFrame,注意各项的value值个数要相同
# In[128]:
dic = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
'year': [2000, 2001, 2002, 2001, 2002],
'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
DF = pd.DataFrame(dic)
DF
# In[129]:
DF.index
# In[130]:
pd.DataFrame(dic, columns=['year', 'state', 'pop']) #改变字段的顺序
# In[131]:
pd.DataFrame(dic, columns=['year', 'state', 'pp']) #如果columns的值与data的key值不符
# In[132]:
DF1 = pd.DataFrame(dic, columns=['year', 'state', 'pop', 'debt'],
index=['one', 'two', 'three', 'four', 'five']) #指定列名和index
DF1
# In[133]:
DF1.columns #注意,columns也是Index
# In[134]:
a=DF1.year #也可以用“.”的方式引用列
a
# In[135]:
type(a)
# In[136]:
DF1['year'] #也可以[ ]引用列
# In[137]:
DF1[['year','pop']] #引用多列--使用list
# ### 快速查看整体信息
# In[2]:
import numpy as np
import pandas as pd
# .info()是DataFrame才可用的API,快捷查看多种信息:总行数和列数、每列元素类型和non-NaN的个数,总内存。
#
# DataFrame.info(verbose=None, memory_usage=True, null_counts=True)
# - verbose:True or False,字面意思是冗长的,也就说如果DataFrame有很多列,是否显示所有列的信息,如果为否,那么会省略一部分;
# - memory_usage:True or False,默认为True,是否查看DataFrame的内存使用情况;
# - null_counts:True or False,默认为True,是否统计NaN值的个数。
# In[6]:
df = pd.read_csv('golf.csv',sep=";")
df
# In[7]:
df.info() # 直接默认设置即可
# In[8]:
df.shape # (行数,列数)
# In[9]:
df.size # 元素个数,rows×cols
# In[10]:
df.describe() # 默认只对数值列进行统计
# In[ ]:
# #### DataFrame 数据索引与选取,从这三个层次考虑:行列、区域、单元格。
# 其对应使用的方法如下:
# ##### 一. 行,列 --> df[ ]
# ##### 二. 区域 --> df.loc[ ], df.iloc[ ]
# ##### 三. 单元格 --> df.at[ ], df.iat[ ]
# In[ ]:
# In[ ]:
# In[ ]:
# ### index的用途总结:
#
# 更方便的数据查询;
# - 使用index可以获得性能提升;
# - 自动的数据对齐功能;
# - 更多更强大的数据结构支持;
#
# 使用index会提升查询性能
# - 如果index是唯一的,Pandas会使用哈希表优化,查询性能为O(1);
# - 如果index不是唯一的,但是有序,Pandas会使用二分查找算法,查询性能为O(logN);
# - 如果index是完全随机的,那么每次查询都要扫描全表,查询性能为O(N);
# In[67]:
df.index
# ### 一. df[ ]:一维,只能单独地针对行或列,不能合起来使用
# ##### 行维度: 数字索引切片、索引切片、布尔列表、布尔Series
# - 即:如果 df[ ]中是切片、布尔,pandas认为是针对“行”---有整体感的
# - 简记为:[ ]--切片、布尔(有整体感的)针对“行”,字符、列表(没有整体感的)针对“列”
# In[144]:
import numpy as np
import pandas as pd
rng = np.random.RandomState(10) # 设置随机局部种子
df = pd.DataFrame(rng.randn(6,4), index=list('abcdef'), columns=list('ABCD'))
df
# In[145]:
df.index
# In[ ]:
# In[146]:
df[:3] #行号切片不包括尾
# In[147]:
df[2:3] #行号切片不包括尾--单独一行
# In[148]:
df['a':'c'] #index切片包括尾
# In[149]:
df['a':'a'] #index切片包括尾--单独一行
# In[150]:
df[['a','c']] #× 不能用行索引list
# In[151]:
df[[True,True,True,False,False,False]] # 前三行(布尔数组长度等于行数)
# In[152]:
df[df['A']>0] # A列值大于0的行
# In[153]:
df['A']>0
# In[154]:
type(df['A']>0)
# In[155]:
df[(df['A']>0) | (df['B']>0)] # A列值大于0,或者B列大于0的行,注意“df”外边的“()”
# In[156]:
df[(df['A']>0) & (df['B']>0)] # A列值大于0,并且B列大于0的行,注意“df”外边的“()”
# ##### 列维度:索引索引、索引列表
# ##### 即:如果 df[ ]中是索引索引或索引列表,pandas识别为针对“列”
# - 简记为:[ ]--切片、布尔(有整体感的)针对“行”,字符、列表(没有整体感的)针对“列”
# In[157]:
df['A']
# In[158]:
df['A':'C'] #× 列维度不能用切片,行维度可以
# In[159]:
df[['A','B']] #列维度用索引列表
# In[160]:
df['A','B'] #里面要写成列表--加上[ ]
# In[161]:
df[['A','B']]
# In[162]:
import numpy as np
import pandas as pd
rng = np.random.RandomState(10) # 设置随机局部种子
df = pd.DataFrame(rng.randn(6,4), index=list('abcdef'), columns=list('ABCD'))
df
# ### 二. df.loc[ ] :引用区域,二维,先行后列
# - 行维度:单个索引及切片、索引list、布尔list、布尔Series
# - 列维度:单个索引及切片、索引list、布尔list、布尔Series
# - 简记为:loc--索引所有及布尔
# In[186]:
import numpy as np
import pandas as pd
rng = np.random.RandomState(10) # 设置随机局部种子
df = pd.DataFrame(rng.randn(6,4), index=list('abcdef'), columns=list('ABCD'))
df
# In[187]:
df
# In[188]:
df.loc['a', :]
# In[189]:
df.loc['a'] #引用行可以省略后边的“:”
# In[190]:
df.loc['a':'d', :] #索引切片包括终值,索引的取值可能无规律,不便知道下一个取值
# In[191]:
df.loc['a':'d'] #引用行可以省略后边的“:”
# In[192]:
df.loc[['a','b','d'], :]
# In[193]:
df.loc[['a','b','d']] #引用行可以省略后边的“:”
# In[194]:
df.loc[[True,True,True,False,False,False], :] # 前三行(布尔数组长度等于行数)
# In[195]:
df.loc[df['A']>0, :]
# In[196]:
df['A']>0
# In[197]:
type(df['A']>0)
# In[198]:
df.loc[:, 'A']
# In[199]:
df['A'] #与上句等效
# In[200]:
df.loc[:, 'A':'C']
# In[201]:
df.loc[,'A':'C'] #引用列不能省略前边的“:”
# In[202]:
df.loc[:, ['A','C']]
# In[203]:
df.loc[:, [True,True,True,False]] # 前三列(布尔列表长度等于列数)
# In[204]:
type([True,True,True,False])
# In[205]:
df.loc[:, df.loc['a']>0] # a行大于0的列
# In[206]:
df.loc['a']>0
# In[207]:
type(df.loc['a']>0)
# In[208]:
df.loc[df['A']>0, :] # A列大于0的行
# In[209]:
df['A']>0
# In[210]:
type(df['A']>0)
# In[211]:
df.loc[['a','c','f'], df.columns[2]] #loc中使用列号
# In[212]:
df.columns[2]
# In[213]:
df
# In[214]:
df.loc[['a','c','f'], df.columns[:2]] #loc中使用列号列表
# In[215]:
df.columns[:2]
# In[216]:
df.loc[['a','c','f'], ['A','C','D']] #用loc索引列表取某些行中的某些列-不连续
# In[217]:
df.loc['c':'f', 'B':'D'] #用loc索引切片取某些行中的某些列--连续
# 数字索引
# In[220]:
import numpy as np
import pandas as pd
df = pd.read_csv('data/table.csv',index_col='ID')
df
# In[221]:
df.index
# In[222]:
df.loc[1103]
# In[223]:
df.loc[[1102,2304]]
# In[224]:
df.loc[1304:2103]
# In[225]:
df.loc[2402::-1]
# In[227]:
df.loc[[1101,1102,1105]]
# In[ ]:
# ### 三、 df.iloc[ ]---i(int)表示行号:二维,先行后列
# - 行维度:行号索引、行号切片、行号list、(行号)布尔list
# - 列维度:列号索引、列号切片、列号list、(列号)布尔list
# - 简记为:iloc--行列号所有及布列
# In[230]:
import numpy as np
import pandas as pd
rng = np.random.RandomState(10) # 设置随机局部种子
df = pd.DataFrame(rng.randn(6,4), index=list('abcdef'), columns=list('ABCD'))
df
# In[232]:
df.iloc[3, :]
# In[74]:
df.iloc[3]
# In[75]:
df.iloc[:3, :]
# In[76]:
df.iloc[[0,2,4], :]
# In[233]:
df.iloc[[True,True,True,False,False,False], :] # 前三行(布尔数组长度等于行数)
# In[234]:
df.iloc[df['A']>0, :] # × 本意是取出A列中>0的所有行
# In[81]:
df['A']>0
# In[236]:
type(df['A']>0) #不是单纯的布尔list
# In[237]:
df.iloc[df.loc[:,'A']>0, :] # × 本意是取出A列中>0的行
# In[238]:
df.loc[:,'A']>0
# In[239]:
type(df.loc[:,'A']>0) #不是单纯的布尔list
# In[240]:
df.loc[df.loc[:,'A']>0, :] #改用本句即可
# In[241]:
df.iloc[:, df.loc['a']>0] # × 本意是取出a行中>0的列
# In[242]:
df.loc['a']>0
# In[243]:
type(df.loc['a']>0)
# In[244]:
df.loc[:, df.loc['a']>0] #改用本句即可
# In[245]:
df
# In[246]:
df.iloc[:, 1] #记住是从“0”列开始
# In[247]:
df.iloc[:, 0:3]
# In[248]:
df.iloc[:, [0,2]]
# In[249]:
df.iloc[:, [True,True,True,False]] # 前三列(布尔数组长度等于行数)
# In[250]:
df.iloc[[0,2], [0,2]] #用iloc序号列表取某些行中的某些列-不连续
# In[251]:
df.iloc[0:2, 0:2] #用iloc序号切片取某些行中的某些列-连续
# In[252]:
df.loc[df.iloc[:,0]>0, :] #第0列>0的行
# In[253]:
df.iloc[:,0]>0
# In[254]:
df.loc[:,df.iloc[0,:]>0] #第0行>0的列
# In[255]:
df.iloc[0,:]>0
# In[256]:
df.loc[:, df.iloc[0]>0] # 0行大于0的列,iloc中只有一个数字,是行
# ### 四、 df.at[ ]:用索引精确定位单元格
# - 行维度:索引索引
# - 列维度:索引索引
# In[257]:
df