pandas
前言
又是对pandas的学习一天
一、文件的读取和写入
1. 文件读取
pandas
可以读取的文件格式有很多，这里主要介绍读取
csv, excel, txt
文件。
df_csv = pd.read_csv("文件位置")
df_csv = pd.read_excel("文件位置")
df_csv = pd.read_table("文件位置")
在文件位置后面，可以添加一些参数，来调整读取出来的Dataflame
header= None
表示第一行不作为列名
index_col=[]
设置数据中的哪些列为索引
usecols=[]
选择只需要读取的一些列
parse_dates=[]
表示需要转化为时间的列
nrows=
表示读取的行数
在读取 txt 文件时，经常遇到分隔符非空格的情况，
read_table
有一个分割参数
sep
，它使得用户可以自定义分割符号，进行 txt 数据的读取。但是在使用
read_table
的时候需要注意，参数
sep
中使用的是正则表达式
正则表达式可以查看
https://www.runoob.com/regexp/regexp-syntax.html
进行学习
2.数据写入
一般在数据写入中，最常用的操作是把
index
设置为
False
，特别当索引没有特殊意义的时候，这样的行为能把索引在保存的时候去除。
df_csv.to_csv('保存路径/文件名', index=False)
pandas 中没有定义
to_table
函数，但是
to_csv
可以保存为
txt
文件，并且允许自定义分隔符，常用制表符
sep="\t"
分割
如果想要把表格快速转换为
markdown
和
latex
语言，可以使用
to_markdown
和
to_latex
函数，此处需要安装
tabulate
包。
安装tabulate包
pip install tabulate -i https://mirrors.aliyun.com/pypi/simple/
二、基本数据结构
1. Series
Series 一般由四个部分组成，分别是序列的值
data
、索引
index
、存储类型
dtype
、序列的名字
name
。其中，索引也可以指定它的名字，默认为空。
s = pd.Series(data = [100, 'a', {'dic1':5}],
index = pd.Index(['id1', 20, 'third'], name='my_idx'),
dtype = 'object',
name = 'my_name')
s
object
代表了一种混合类型，正如上面的例子中存储了整数、字符串以及 Python 的字典数据结构。此外，目前 pandas 把纯字符串序列也默认认为是一种
object
类型的序列，但它也可以用
string
类型存储
这些属性，可以通过
.
的方式来获取
利用
.shape
可以获取序列的长度
取出单个索引对应的值，可以通过
[index_item]
可以取出
2. DataFrame
列索引名到数据的映射来构造数据框，同时再加上行索引
df = pd.DataFrame(data = {'col_0': [1,2,3], 'col_1':list('abc'),
'col_2': [1.2, 2.2, 3.2]},
index = ['row_%d'%i for i in range(3)])
df
| col_0 | col_1 | col_2 | |
|---|---|---|---|
| row_0 | 1 | a | 1.2 |
| row_1 | 2 | b | 2.2 |
| row_2 | 3 | c | 3.2 |
由于这种映射关系，在
DataFrame
中可以用
[col_name]
与
[col_list]
来取出相应的列与由多个列组成的表，结果分别为
Series
和
DataFrame
.T
可以把
DataFrame
进行转置
三、常用基本函数
1.汇总函数
-
head, tail
函数分别表示返回表或者序列的前 n 行和后 n 行，其中 n 默认为5 -
info, describe
分别返回表的 信息概况 和表中 数值列对应的主要统计量
2. 特征统计函数
-
在
Series
和
DataFrame
上定义了许多统计函数，最常见的是
sum, mean, median, var, std, max, min
-
quantile, count, idxmax
这三个函数，它们分别返回的是分位数、非缺失值个数、最大值对应的索引 -
这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数
axis
，默认为0代表逐列聚合，如果设置为1则表示逐行聚合
3. 唯一值函数
-
对序列使用
unique
和
nunique
可以分别得到其唯一值组成的列表和唯一值的个数 -
value_counts
可以得到唯一值和其对应出现的频数 -
如果想要观察多个列组合的唯一值，可以使用
drop_duplicates
。其中的关键参数是
keep
，默认值
first
表示每个组合保留第一次出现的所在行，
last
表示保留最后一次出现的所在行，
False
表示把所有重复组合所在的行剔除 -
此外，
duplicated
和
drop_duplicates
的功能类似，但前者返回了是否为唯一值的布尔列表，其
keep
参数与后者一致。其返回的序列，把重复元素设为
True
，否则为
False
。
drop_duplicates
等价于把
duplicated
为 True 的对应行剔除
4. 替换函数
替换操作是针对某一个列进行的。 pandas 中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。
-
在
replace
中，可以通过字典构造，或者传入两个列表来进行替换 -
replace
还有一种特殊的方向替换，指定
method
参数为
ffill
则为用前面一个最近的未被替换的值进行替换，
bfill
则使用后面最近的未被替换的值进行替换。 -
逻辑替换包括了
where
和
mask
，这两个函数是完全对称的：
where
函数在传入条件为
False
的对应行进行替换，而
mask
在传入条件为
True
的对应行进行替换，当不指定替换值时，替换为缺失值。 -
数值替换包含了
round, abs, clip
方法，它们分别表示按照给定精度四舍五入、取绝对值和截断
在 clip 中，超过边界的只能截断为边界值，如果要把超出边界的替换为自定义的值。通过
mask
来改
5. 排序函数
排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是
sort_values
和
sort_index
默认参数
ascending=True
为升序
df_demo.sort_values(['Weight','Height'],ascending=[True,False]).head()
索引排序的用法和值排序完全一致，只不过元素的值在索引中，此时需要指定索引层的名字或者层号，用参数
level
表示。另外，需要注意的是字符串的排列顺序由字母顺序决定
df_demo.sort_index(level=['Grade','Name'],ascending=[True,False]).head()
6. apply方法
apply
方法常用于
DataFrame
的行迭代或者列迭代，它的
axis
含义与第2小节中的统计聚合函数一致，
apply
的参数往往是一个以序列为输入的函数。可以利用
lambda
表达式使得书写简洁
mad
函数返回的是一个序列中偏离该序列均值的绝对值大小的均值
得益于传入自定义函数的处理， apply 的自由度很高，但这是以性能为代价的。一般而言，使用 pandas 的内置函数处理和 apply 来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用 apply 。
四、窗口对象
pandas 中有3类窗口，分别是滑动窗口
rolling
、扩张窗口
expanding
以及指数加权窗口
ewm
1.滑窗对象
-
要使用滑窗函数，就必须先要对一个序列使用
.rolling
得到滑窗对象，其最重要的参数为窗口大小
window
。（当有几个数是开始计算，此数前的几个数一起） -
还支持使用
apply
传入自定义函数，其传入值是对应窗口的
Series
-
shift, diff, pct_change
是一组类滑窗函数，它们的公共参数为
periods=n
，默认为1，分别表示取向前第 n 个元素的值、与向前第 n 个元素做差（与 Numpy 中不同，后者表示 n 阶差分）、与向前第 n 个元素相比计算增长率。这里的 n 可以为负，表示反方向的类似操作。
将其视作类滑窗函数的原因是，它们的功能可以用窗口大小为 n+1 的 rolling 方法等价代替
2. 扩张窗口
扩张窗口又称累计窗口，可以理解为一个动态长度的窗口，其窗口的大小就是从序列开始处到具体操作的对应位置，其使用的聚合函数会作用于这些逐步扩张的窗口上。具体地说，设序列为a1, a2, a3, a4，则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。
总结
又是对pandas学习的一天，今天学到了挺多东西的，特别是窗口对象，以及替换函数