十分钟上手 Pandas

pandas 是一个 Python Data Analysis Library。

安装请参考官网的教程，如果安装了 Anaconda，则不需要安装 pandas 库。

In [1]:

%matplotlib inline
 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

产生 Pandas 对象

pandas 中有三种基本结构：

• Series
  • 1D labeled homogeneously-typed array
• DataFrame
  • General 2D labeled, size-mutable tabular structure with potentially heterogeneously-typed columns
• Panel
  • General 3D labeled, also size-mutable array

Series

一维 Series 可以用一维列表初始化：

In [2]:

s = pd.Series([1,3,5,np.nan,6,8])
 
print s

0     1
1     3
2     5
3   NaN
4     6
5     8
dtype: float64

默认情况下，Series 的下标都是数字（可以使用额外参数指定），类型是统一的。

DataFrame

DataFrame 则是个二维结构，这里首先构造一组时间序列，作为我们第一维的下标：

In [3]:

dates = pd.date_range('20130101', periods=6)
 
print dates

DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')

然后创建一个 DataFrame 结构：

In [4]:

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))
 
df

Out[4]:

默认情况下，如果不指定 index 参数和 columns，那么他们的值将用从 0 开始的数字替代。

除了向 DataFrame 中传入二维数组，我们也可以使用字典传入数据：

In [5]:

df2 = pd.DataFrame({'A' : 1.,
                    'B' : pd.Timestamp('20130102'),
                    'C' : pd.Series(1,index=list(range(4)),dtype='float32'),
                    'D' : np.array([3] * 4,dtype='int32'),
                    'E' : pd.Categorical(["test","train","test","train"]),
                    'F' : 'foo' })
 
df2

Out[5]:

字典的每个 key 代表一列，其 value 可以是各种能够转化为 Series 的对象。

与 Series 要求所有的类型都一致不同，DataFrame 值要求每一列数据的格式相同：

In [6]:

df2.dtypes

Out[6]:

A           float64
B    datetime64[ns]
C           float32
D             int32
E          category
F            object
dtype: object

查看数据

头尾数据

head 和 tail 方法可以分别查看最前面几行和最后面几行的数据（默认为 5）：

In [7]:

df.head()

Out[7]:

最后 3 行：

In [8]:

df.tail(3)

Out[8]:

下标，列标，数据

下标使用 index 属性查看：

In [9]:

df.index

Out[9]:

DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')

列标使用 columns 属性查看：

In [10]:

df.columns

Out[10]:

Index([u'A', u'B', u'C', u'D'], dtype='object')

数据值使用 values 查看：

In [11]:

df.values

Out[11]:

array([[-0.60593585, -0.86165752, -1.00192387,  1.52858443],
       [-0.16540784,  0.38833783,  1.18718697,  1.81981793],
       [ 0.06525454, -1.60807414, -1.2823306 , -0.28606716],
       [ 1.28930486,  0.49711531, -0.22535143,  0.04023897],
       [ 0.03823179,  0.87505664, -0.0925258 ,  0.93443212],
       [-2.16345271, -0.01027865,  1.69988608,  1.29165337]])

统计数据

查看简单的统计数据：

In [12]:

df.describe()

Out[12]:

转置

In [13]:

df.T

Out[13]:

排序

sort_index(axis=0, ascending=True) 方法按照下标大小进行排序，axis=0 表示按第 0 维进行排序。

In [14]:

df.sort_index(ascending=False)

Out[14]:

In [15]:

df.sort_index(axis=1, ascending=False)

Out[15]:

sort_values(by, axis=0, ascending=True) 方法按照 by 的值的大小进行排序，例如按照 B 列的大小：

In [16]:

df.sort_values(by="B")

Out[16]:

索引

虽然 DataFrame 支持 Python/Numpy 的索引语法，但是推荐使用 .at, .iat, .loc, .iloc 和 .ix 方法进行索引。

读取数据

选择单列数据：

In [17]:

df["A"]

Out[17]:

2013-01-01   -0.605936
2013-01-02   -0.165408
2013-01-03    0.065255
2013-01-04    1.289305
2013-01-05    0.038232
2013-01-06   -2.163453
Freq: D, Name: A, dtype: float64

也可以用 df.A：

In [18]:

df.A

Out[18]:

2013-01-01   -0.605936
2013-01-02   -0.165408
2013-01-03    0.065255
2013-01-04    1.289305
2013-01-05    0.038232
2013-01-06   -2.163453
Freq: D, Name: A, dtype: float64

使用切片读取多行：

In [19]:

df[0:3]

Out[19]:

index 名字也可以进行切片：

In [20]:

df["20130101":"20130103"]

Out[20]:

使用 label 索引

loc 可以方便的使用 label 进行索引：

In [21]:

df.loc[dates[0]]

Out[21]:

A   -0.605936
B   -0.861658
C   -1.001924
D    1.528584
Name: 2013-01-01 00:00:00, dtype: float64

多列数据：

In [22]:

df.loc[:,['A','B']]

Out[22]:

选择多行多列：

In [23]:

df.loc['20130102':'20130104',['A','B']]

Out[23]:

数据降维：

In [24]:

df.loc['20130102',['A','B']]

Out[24]:

A   -0.165408
B    0.388338
Name: 2013-01-02 00:00:00, dtype: float64

得到标量值：

In [25]:

df.loc[dates[0],'B']

Out[25]:

-0.86165751902832299

不过得到标量值可以用 at，速度更快：

In [26]:

%timeit -n100 df.loc[dates[0],'B']
%timeit -n100 df.at[dates[0],'B']
 
print df.at[dates[0],'B']

100 loops, best of 3: 329 µs per loop
100 loops, best of 3: 31.1 µs per loop
-0.861657519028

使用位置索引

iloc 使用位置进行索引：

In [27]:

df.iloc[3]

Out[27]:

A    1.289305
B    0.497115
C   -0.225351
D    0.040239
Name: 2013-01-04 00:00:00, dtype: float64

连续切片：

In [28]:

df.iloc[3:5,0:2]

Out[28]:

索引不连续的部分：

In [29]:

df.iloc[[1,2,4],[0,2]]

Out[29]:

索引整行：

In [30]:

df.iloc[1:3,:]

Out[30]:

整列：

In [31]:

df.iloc[:, 1:3]

Out[31]:

标量值：

In [32]:

df.iloc[1,1]

Out[32]:

0.3883378290420279

当然，使用 iat 索引标量值更快：

In [33]:

%timeit -n100 df.iloc[1,1]
%timeit -n100 df.iat[1,1]
 
df.iat[1,1]

100 loops, best of 3: 236 µs per loop
100 loops, best of 3: 14.5 µs per loop

Out[33]:

0.3883378290420279

布尔型索引

所有 A 列大于 0 的行：

In [34]:

df[df.A > 0]

Out[34]:

只留下所有大于 0 的数值：

In [35]:

df[df > 0]

Out[35]:

使用 isin 方法做 filter 过滤：

In [36]:

df2 = df.copy()
df2['E'] = ['one', 'one','two','three','four','three']
 
df2

Out[36]:

In [37]:

df2[df2['E'].isin(['two','four'])]

Out[37]:

设定数据的值

In [38]:

s1 = pd.Series([1,2,3,4,5,6], index=pd.date_range('20130102', periods=6))
 
s1

Out[38]:

2013-01-02    1
2013-01-03    2
2013-01-04    3
2013-01-05    4
2013-01-06    5
2013-01-07    6
Freq: D, dtype: int64

像字典一样，直接指定 F 列的值为 s1，此时以 df 已有的 index 为标准将二者进行合并，s1 中没有的 index 项设为 NaN，多余的项舍去：

In [39]:

df['F'] = s1
 
df

Out[39]:

或者使用 at 或 iat 修改单个值：

In [40]:

df.at[dates[0],'A'] = 0
 
df

Out[40]:

In [41]:

df.iat[0, 1] = 0
 
df

Out[41]:

设定一整列：

In [42]:

df.loc[:,'D'] = np.array([5] * len(df))
 
df

Out[42]:

设定满足条件的数值：

In [43]:

df2 = df.copy()
 
df2[df2 > 0] = -df2
 
df2

Out[43]:

缺失数据

In [44]:

df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ['E'])
df1.loc[dates[0]:dates[1],'E'] = 1
 
df1

Out[44]:

丢弃所有缺失数据的行得到的新数据：

In [45]:

df1.dropna(how='any')

Out[45]:

填充缺失数据：

In [46]:

df1.fillna(value=5)

Out[46]:

检查缺失数据的位置：

In [47]:

pd.isnull(df1)

Out[47]:

计算操作

统计信息

每一列的均值：

In [48]:

df.mean()

Out[48]:

A   -0.156012
B    0.023693
C    0.047490
D    5.000000
F    3.000000
dtype: float64

每一行的均值：

In [49]:

df.mean(1)

Out[49]:

2013-01-01    0.999519
2013-01-02    1.482023
2013-01-03    0.834970
2013-01-04    1.912214
2013-01-05    1.964153
2013-01-06    1.905231
Freq: D, dtype: float64

多个对象之间的操作，如果维度不对，pandas 会自动调用 broadcasting 机制：

In [50]:

s = pd.Series([1,3,5,np.nan,6,8], index=dates).shift(2)
 
print s

2013-01-01   NaN
2013-01-02   NaN
2013-01-03     1
2013-01-04     3
2013-01-05     5
2013-01-06   NaN
Freq: D, dtype: float64

相减 df - s：

In [51]:

df.sub(s, axis='index')

Out[51]:

apply 操作

与 R 中的 apply 操作类似，接收一个函数，默认是对将函数作用到每一列上：

In [52]:

df.apply(np.cumsum)

Out[52]:

求每列最大最小值之差：

In [53]:

df.apply(lambda x: x.max() - x.min())

Out[53]:

A    3.452758
B    2.483131
C    2.982217
D    0.000000
F    4.000000
dtype: float64

直方图

In [54]:

s = pd.Series(np.random.randint(0, 7, size=10))
print s

0    2
1    5
2    6
3    6
4    6
5    3
6    5
7    0
8    4
9    4
dtype: int64

直方图信息：

In [55]:

print s.value_counts()

6    3
5    2
4    2
3    1
2    1
0    1
dtype: int64

绘制直方图信息：

In [56]:

h = s.hist()

字符串方法

当 Series 或者 DataFrame 的某一列是字符串时，我们可以用 .str 对这个字符串数组进行字符串的基本操作：

In [57]:

s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 'CABA', 'dog', 'cat'])
 
print s.str.lower()

0       a
1       b
2       c
3    aaba
4    baca
5     NaN
6    caba
7     dog
8     cat
dtype: object

合并

连接

In [58]:

df = pd.DataFrame(np.random.randn(10, 4))
 
df

Out[58]:

可以使用 pd.concat 函数将多个 pandas 对象进行连接：

In [59]:

pieces = [df[:2], df[4:5], df[7:]]
 
pd.concat(pieces)

Out[59]:

数据库中的 Join

merge 可以实现数据库中的 join 操作：

In [60]:

left = pd.DataFrame({'key': ['foo', 'foo'], 'lval': [1, 2]})
right = pd.DataFrame({'key': ['foo', 'foo'], 'rval': [4, 5]})
 
print left
print right

   key  lval
0  foo     1
1  foo     2
   key  rval
0  foo     4
1  foo     5

In [61]:

pd.merge(left, right, on='key')

Out[61]:

append

向 DataFrame 中添加行：

In [62]:

df = pd.DataFrame(np.random.randn(8, 4), columns=['A','B','C','D'])
 
df

Out[62]:

将第三行的值添加到最后：

In [63]:

s = df.iloc[3]
 
df.append(s, ignore_index=True)

Out[63]:

Grouping

In [64]:

df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
                          'foo', 'bar', 'foo', 'foo'],
                   'B' : ['one', 'one', 'two', 'three',
                          'two', 'two', 'one', 'three'],
                   'C' : np.random.randn(8),
                   'D' : np.random.randn(8)})
 
df

Out[64]:

按照 A 的值进行分类：

In [65]:

df.groupby('A').sum()

Out[65]:

按照 A, B 的值进行分类：

In [66]:

df.groupby(['A', 'B']).sum()

Out[66]:

改变形状

Stack

产生一个多 index 的 DataFrame：

In [67]:

tuples = list(zip(*[['bar', 'bar', 'baz', 'baz',
                     'foo', 'foo', 'qux', 'qux'],
                    ['one', 'two', 'one', 'two',
                     'one', 'two', 'one', 'two']]))
 
index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])
df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=['A', 'B'])
 
df

Out[67]:

stack 方法将 columns 变成一个新的 index 部分：

In [68]:

df2 = df[:4]
 
stacked = df2.stack()
 
stacked

Out[68]:

first  second   
bar    one     A   -0.109174
               B    0.958551
       two     A   -0.254743
               B   -0.975924
baz    one     A   -0.132039
               B   -0.119009
       two     A    0.587063
               B   -0.819037
dtype: float64

可以使用 unstack() 将最后一级 index 放回 column：

In [69]:

stacked.unstack()

Out[69]:

也可以指定其他的级别：

In [70]:

stacked.unstack(1)

Out[70]:

时间序列

金融分析中常用到时间序列数据：

In [71]:

rng = pd.date_range('3/6/2012 00:00', periods=5, freq='D')
ts = pd.Series(np.random.randn(len(rng)), rng)
 
ts

Out[71]:

2012-03-06    1.096788
2012-03-07    0.029678
2012-03-08    0.511461
2012-03-09   -0.332369
2012-03-10    1.720321
Freq: D, dtype: float64

标准时间表示：

In [72]:

ts_utc = ts.tz_localize('UTC')
 
ts_utc

Out[72]:

2012-03-06 00:00:00+00:00    1.096788
2012-03-07 00:00:00+00:00    0.029678
2012-03-08 00:00:00+00:00    0.511461
2012-03-09 00:00:00+00:00   -0.332369
2012-03-10 00:00:00+00:00    1.720321
Freq: D, dtype: float64

改变时区表示：

In [73]:

ts_utc.tz_convert('US/Eastern')

Out[73]:

2012-03-05 19:00:00-05:00    1.096788
2012-03-06 19:00:00-05:00    0.029678
2012-03-07 19:00:00-05:00    0.511461
2012-03-08 19:00:00-05:00   -0.332369
2012-03-09 19:00:00-05:00    1.720321
Freq: D, dtype: float64

Categoricals

In [74]:

df = pd.DataFrame({"id":[1,2,3,4,5,6], "raw_grade":['a', 'b', 'b', 'a', 'a', 'e']})
 
df

Out[74]:

可以将 grade 变成类别：

In [75]:

df["grade"] = df["raw_grade"].astype("category")
 
df["grade"]

Out[75]:

0    a
1    b
2    b
3    a
4    a
5    e
Name: grade, dtype: category
Categories (3, object): [a, b, e]

将类别的表示转化为有意义的字符：

In [76]:

df["grade"].cat.categories = ["very good", "good", "very bad"]
 
df["grade"]

Out[76]:

0    very good
1         good
2         good
3    very good
4    very good
5     very bad
Name: grade, dtype: category
Categories (3, object): [very good, good, very bad]

添加缺失的类别：

In [77]:

df["grade"] = df["grade"].cat.set_categories(["very bad", "bad", "medium", "good", "very good"])
df["grade"]

Out[77]:

0    very good
1         good
2         good
3    very good
4    very good
5     very bad
Name: grade, dtype: category
Categories (5, object): [very bad, bad, medium, good, very good]

使用 grade 分组：

In [78]:

df.groupby("grade").size()

Out[78]:

grade
very bad     1
bad          0
medium       0
good         2
very good    3
dtype: int64

绘图

使用 ggplot 风格：

In [79]:

plt.style.use('ggplot')

Series 绘图：

In [80]:

ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))
 
p = ts.cumsum().plot()

DataFrame 按照 columns 绘图：

In [81]:

df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index,
                  columns=['A', 'B', 'C', 'D'])
 
df.cumsum().plot()
p = plt.legend(loc="best")

文件读写

csv

写入文件：

In [82]:

df.to_csv('foo.csv')

从文件中读取：

In [83]:

pd.read_csv('foo.csv').head()

Out[83]:

hdf5

写入文件：

In [84]:

df.to_hdf("foo.h5", "df")

读取文件：

In [85]:

pd.read_hdf('foo.h5','df').head()

Out[85]:

excel

写入文件：

In [86]:

df.to_excel('foo.xlsx', sheet_name='Sheet1')

读取文件：

In [87]:

pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA']).head()

Out[87]:

清理生成的临时文件：

In [88]:

import glob
import os
 
for f in glob.glob("foo*"):
    os.remove(f)

原文: https://nbviewer.jupyter.org/github/lijin-THU/notes-python/blob/master/12-pandas/12.01-ten-minutes-to-pandas.ipynb