python 之 pandas 模块的基本使用(2)

python之pandas模块的基本使用(1)

一、排序和排名

  1. 排序:sort_index和sort_values函数

    代码示例:

    print 'Series排序'
    x = Series(range(4), index = ['b', 'a', 'c', 'd'])
    print x.sort_index() # Series按索引排序
    '''
    a    1
    b    0
    c    2
    d    3
    '''
    print x.sort_values() # Series按值排序 
    '''
    b    0
    a    1
    c    2
    d    3
    '''
    
    print 'DataFrame按索引排序'
    frame = DataFrame(numpy.arange(8).reshape((2, 4)),
                      index = ['b', 'a'],
                      columns = list('ABDC'))
    print frame
    '''
       A  B  D  C
    b  0  1  2  3
    a  4  5  6  7
    '''
    print frame.sort_index() # 根据行索引来排序
    '''
       A  B  D  C
    a  4  5  6  7
    b  0  1  2  3
    '''
    print frame.sort_index(axis = 1) #根据列索引来排序
    '''
       A  B  C  D
    b  0  1  3  2
    a  4  5  7  6
    '''
    print frame.sort_index(axis = 1, ascending = False) # 设置降序排序
    '''
       D  C  B  A
    b  2  3  1  0
    a  6  7  5  4
    '''
    print 'DataFrame按列的值排序'
    frame = DataFrame({'b':[4, 7, -3, 2], 'a':[0, 1, 0, 1]})
    print frame
    '''
       a  b
    0  0  4
    1  1  7
    2  0 -3
    3  1  2
    '''
    print frame.sort_values(by = 'b') # 指定b这列的值进行排序
    '''
       a  b
    2  0 -3
    3  1  2
    0  0  4
    1  1  7
    '''
    print frame.sort_values(by = ['a', 'b']) #先a后b进行列的值排序
    '''
       a  b
    2  0 -3
    0  0  4
    3  1  2
    1  1  7
    '''
    
  2. 排名:根据值的大小/出现次数来进行排名,得到一组排名值:rank函数

    《python 之 pandas 模块的基本使用(2)》

    print 'rank:默认升序,排名值从1开始'
    obj = Series([4, 2, 0, 4],index = ['a','b','c','d'])
    # 以值从小到大来赋排名值:c:0(1) b:2(2) a:4(3) d:4(4)
    print obj.rank()
    '''
    a    3.5  求平均值(4+3)/2
    b    2.0
    c    1.0
    d    3.5
    '''
    print obj.rank(method = 'first')  # 按出现顺序排名,不求平均值。
    '''
    a    3.0
    b    2.0
    c    1.0
    d    4.0
    '''
    print obj.rank(ascending = False, method = 'max') # 逆序,并取排名值最大值。所以-5的rank是7
    # a:4(1) d:4(2) b:2(3) c:0(4)
    '''
    dtype: float64
    a    2.0
    b    3.0
    c    4.0
    d    2.0
    '''
    frame = DataFrame({'b':[4.3, 7, -3, 2],
                      'a':[0, 1, 0, 1],
                      'c':[-2, 5, 8, -2.5]})
    print frame
    '''
       a    b    c
    0  0  4.3 -2.0
    1  1  7.0  5.0
    2  0 -3.0  8.0
    3  1  2.0 -2.5
    '''
    print frame.rank(axis = 1) # 按行进行排名,默认升序
    '''
         a    b    c
    0  2.0  3.0  1.0
    1  1.0  3.0  2.0
    2  2.0  1.0  3.0
    3  2.0  3.0  1.0
    '''
    

二、索引重复的情况

代码示例:

print '重复索引:进行两次索引'
obj = Series([0,1,2,3,4], index = ['a', 'a', 'b', 'b', 'c'])
print obj.index.is_unique # 判断是非有重复索引
# False
print obj['a'][0]
# 0
print obj.a[1]
# 1
df = DataFrame(numpy.arange(12).reshape(4, 3), index = ['a', 'a', 'b', 'b'])
print df
'''
   0   1   2
a  0   1   2
a  3   4   5
b  6   7   8
b  9  10  11
'''
print df.ix['b'].ix[0] // 两次行索引
'''
0    6
1    7
2    8
Name: b, dtype: int32
'''
print df.ix['b'].ix[1]
'''
0     9
1    10
2    11
Name: b, dtype: int32
'''

三、汇总和计算描述统计

常用方法选项:

《python 之 pandas 模块的基本使用(2)》

常用汇总统计函数 I:

《python 之 pandas 模块的基本使用(2)》

常用汇总统计函数 II:

《python 之 pandas 模块的基本使用(2)》

代码示例:

print '求和'
df = DataFrame([[1, numpy.nan], [7, 4], [numpy.nan, numpy.nan], [0, 1]],
              index = ['a', 'b', 'c', 'd'],
              columns = ['one', 'two'])
print df
'''
   one  two
a  1.0  NaN
b  7.0  4.0
c  NaN  NaN
d  0.0  1.0
'''
print df.sum()  # 按列求和
# 排除缺失值,skipna默认值为True
'''
one    8.0
two    5.0
dtype: float64
'''
print df.sum(skipna = False)
'''
one   NaN
two   NaN
'''
print df.sum(axis = 1)  # 按行求和
'''
a     1.0
b    11.0
c     0.0
d     1.0
dtype: float64
'''

print '求平均数'
print df.mean(axis = 1, skipna = False)
'''
a    NaN
b    5.5
c    NaN
d    0.5
'''
print df.mean(axis = 1)
'''
a    1.0
b    5.5
c    NaN
d    0.5
'''

print '其它函数'
print df
'''
   one  two
a  1.0  NaN
b  7.0  4.0
c  NaN  NaN
d  0.0  1.0
'''
print df.idxmax() # 计算每一列最大值的索引
'''
one    b
two    b
'''
print df.cumsum() # 每一列的累加和
'''
   one  two
a  1.0  NaN
b  8.0  4.0
c  NaN  NaN
d  8.0  5.0
'''
print df.describe() # 对DataFrame每列计算汇总统计
'''
            one      two
count  3.000000  2.00000
mean   2.666667  2.50000
std    3.785939  2.12132
min    0.000000  1.00000
25%         NaN      NaN
50%         NaN      NaN
75%         NaN      NaN
max    7.000000  4.00000
'''
obj = Series([2,4,8,4], index = ['a', 'a', 'b', 'c'])
print obj.describe() # 对Series计算汇总统计
'''
count    4.000000
mean     4.500000
std      2.516611
min      2.000000
25%      3.500000
50%      4.000000
75%      5.000000
max      8.000000
dtype: float64
'''

四、相关系数与协方差

  1. 相关系数:相关系数是用以反映变量之间相关关系密切程度的统计指标。

  2. 协方差:从直观上来看,协方差表示的是两个变量总体误差的期望。如果两个
    变量的变化趋势一致,也就是说如果其中一个大于自身的期望值时另外一个也
    大于自身的期望值,那么两个变量之间的协方差就是正值;如果两个变量的变
    化趋势相反,即其中一个变量大于自身的期望值时另外一个却小于自身的期望
    值,那么两个变量之间的协方差就是负值

  3. cov函数计算协方差,corr函数计算相关系数。corrwith函数计算DataFrame的行/列与另一个Series/DataFrame的相关系数。

五、去重和成员出现计数

主要方法:

《python 之 pandas 模块的基本使用(2)》

print '去重'
obj = Series(['c', 'a', 'd','b', 'b', 'c'])
print obj.unique()
'''
['c' 'a' 'd' 'b']
'''
print obj.value_counts()
'''
b    2
c    2
d    1
a    1
'''
print '判断元素存在'
mask = obj.isin(['b', 'c'])
print mask
'''
0     True
1    False
2    False
3     True
4     True
5     True
'''
print obj[mask] #只打印元素b和c
'''
0    c
3    b
4    b
5    c
'''
data = DataFrame({'Qu1':[1, 3, 4, 3, 4],
                  'Qu2':[2, 3, 1, 2, 3],
                  'Qu3':[1, 5, 2, 4, 4]})
print data
'''
    Qu1  Qu2  Qu3
0    1    2    1
1    3    3    5
2    4    1    2
3    3    2    4
4    4    3    4
'''
print data.apply(pd.value_counts).fillna(0) 
# 计算每列中各个数字出现的次数,缺失值为0
'''
   Qu1  Qu2  Qu3
1  1.0  1.0  1.0
2  0.0  2.0  1.0
3  2.0  2.0  0.0
4  2.0  0.0  2.0
5  0.0  0.0  1.0
'''
print data.apply(pd.value_counts, axis = 1).fillna(0)
# 计算每行中各个数字出现的次数,缺失值为0
'''
     1    2    3    4    5
0  2.0  1.0  0.0  0.0  0.0
1  0.0  0.0  2.0  0.0  1.0
2  1.0  1.0  0.0  1.0  0.0
3  0.0  1.0  1.0  1.0  0.0
4  0.0  0.0  1.0  2.0  0.0
'''

六、处理缺失数据

• NaN(Not a Number)表示浮点数和非浮点数组中的缺失数据,None也被当作NA处理。

处理缺失数据函数:

《python 之 pandas 模块的基本使用(2)》

• dropna 函数:DatFrame默认丢弃任何含有缺失值的行。how参数控制行为,axis参数选择轴,thresh参数控制NaN数量的要求。

• fillna函数: inplace参数控制返回新对象还是就地修改

代码示例:

print '作为null处理的值'
string_data = Series(['a', 'b', numpy.nan, 'd'])
print string_data
'''
0      a
1      b
2    NaN
3      d
'''
print string_data.isnull()
'''
0    False
1    False
2     True
3    False
'''
string_data[0] = None
print string_data
'''
0    None
1       b
2     NaN
3       d
'''
# None也被当作NA处理
print string_data.isnull()
'''
0     True
1    False
2     True
3    False
'''

from numpy import nan as NA
print '丢弃缺失数据NaN'
data = Series([1, NA, 3.5, NA, 7])
print data.dropna()
'''
0    1.0
2    3.5
4    7.0
'''


print 'DataFrame对丢弃NA的处理'
data = DataFrame([[1., 6.5, 3.], [1., NA, NA],
                  [NA, NA, NA], [NA, 6.5, 3.]])
print data
'''
     0    1    2
0  1.0  6.5  3.0
1  1.0  NaN  NaN
2  NaN  NaN  NaN
3  NaN  6.5  3.0
'''
print data.dropna() # 默认只要某行有NA就全部删除
'''
     0    1    2
0  1.0  6.5  3.0
'''
print data.dropna(how = 'all')  # 某行全部为NA才删除
'''
     0    1    2
0  1.0  6.5  3.0
1  1.0  NaN  NaN
3  NaN  6.5  3.0
'''
data[0] = NA  
print data.dropna(axis = 1, how = 'all') #某行有NA就全部删除
'''
     1    2
0  6.5  3.0
1  NaN  NaN
2  NaN  NaN
3  6.5  3.0
'''
data = DataFrame(numpy.arange(21).reshape(7, 3))
data.ix[:4, 1] = NA
data.ix[:2, 2] = NA
print data
'''
    0     1     2
0   0   NaN   NaN
1   3   NaN   NaN
2   6   NaN   NaN
3   9   NaN  11.0
4  12   NaN  14.0
5  15  16.0  17.0
6  18  19.0  20.0
'''
print data.dropna(thresh = 2) # 每行至少要有2个非NA元素则删除
'''
    0     1     2
3   9   NaN  11.0
4  12   NaN  14.0
5  15  16.0  17.0
6  18  19.0  20.0
'''

print '填充0'
df = DataFrame(numpy.arange(9).reshape(3, 3))
df.ix[:1, 1] = NA
df.ix[:2, 2] = NA
print df.fillna(0) # 默认inplace为False
'''
   0    1    2
0  0  0.0  0.0
1  3  0.0  0.0
2  6  7.0  0.0
'''
print df
'''
   0    1   2
0  0  NaN NaN
1  3  NaN NaN
2  6  7.0 NaN
'''
df.fillna(0, inplace = True) # 就地修改
print df
'''
   0    1    2
0  0  0.0  0.0
1  3  0.0  0.0
2  6  7.0  0.0
'''
df = DataFrame(numpy.arange(9).reshape(3, 3))
df.ix[:1, 1] = NA
df.ix[:2, 2] = NA
print '不同行列填充不同的值'
print df.fillna({1:0.5, 2:-1})  # 第3列不存在
'''
   0    1    2
0  0  0.5 -1.0
1  3  0.5 -1.0
2  6  7.0 -1.0
'''
print '不同的填充方式'
print df
'''
   0    1   2
0  0  NaN NaN
1  3  NaN NaN
2  6  7.0 NaN
'''
print df.fillna(method = 'bfill') # 向前填充
'''
   0    1   2
0  0  7.0 NaN
1  3  7.0 NaN
2  6  7.0 NaN
'''
print df.fillna(method = 'bfill', limit = 1) # 只可向前填充一步
'''
   0    1   2
0  0  NaN NaN
1  3  7.0 NaN
2  6  7.0 NaN
'''

print '用统计数据填充'
data = Series([1, NA, 2, NA, 3])
print data.fillna(data.mean())
'''
0    1.0
1    2.0
2    2.0
3    2.0
4    3.0
'''

七、多层次化索引

  1. 对Series和DataFrame进行多层次的索引MultiIndex,通过stack与unstack进行Series和DataFrame的变换。

    代码示例:

    from pandas import MultiIndex
    print 'Series的多层次索引'
    data = Series(numpy.arange(8),
                  index = [['a', 'a', 'b', 'b',  'c', 'c', 'd','d'],
                           [1, 2, 1, 2, 1, 2, 1,2]])
    print data # 两层行索引
    '''
    a  1    0
       2    1
    b  1    2
       2    3
    c  1    4
       2    5
    d  1    6
       2    7
    '''
    print data.index
    '''
    MultiIndex(levels=[[u'a', u'b', u'c', u'd'], [1, 2]],
               labels=[[0, 0, 1, 1, 2, 2, 3], [0, 1, 0, 1, 0, 1, 0]])
    '''
    print data.b
    '''
    1    2
    2    3
    '''
    print data['b':'c'] # 闭区间
    '''
    b  1    2
       2    3
    c  1    4
       2    5
    '''
    print data[:2] # 数组索引不区分标签
    '''
    a  1    0
       2    1
    '''
    print data.unstack() #将Series转换为DataFrame
    '''
       1  2
    a  0  1
    b  2  3
    c  4  5
    d  6  7
    '''
    print data.unstack().stack() # 将DataFrame转换回Series
    '''
    a  1    0
       2    1
    b  1    2
       2    3
    c  1    4
       2    5
    d  1    6
       2    7
    '''
    print
    
    print 'DataFrame的多层次化索引'
    frame = DataFrame(numpy.arange(12).reshape((4, 3)),
                      index = [['a', 'a', 'b', 'b'], [1, 2, 1, 2]],
                      columns = [['A', 'A', 'B'], ['A1', 'A2', 'B1']])
    print frame # 两层行索引和两层列索引
    '''
         A       B
        A1  A2  B1
    a 1  0   1   2
      2  3   4   5
    b 1  6   7   8
      2  9  10  11
    '''
    print frame.index
    '''
    MultiIndex(levels=[[u'a', u'b'], [1, 2]],
               labels=[[0, 0, 1, 1], [0, 1, 0, 1]])
    '''
    print frame.columns
    '''
    MultiIndex(levels=[[u'A', u'B'], [u'A1', u'A2', u'B1']],
               labels=[[0, 0, 1], [0, 1, 2]])
    '''
    frame.index.names = ['key1', 'key2']
    frame.columns.names = ['state', 'more']
    print frame
    '''
    state      A       B
    more      A1  A2  B1
    key1 key2           
    a    1     0   1   2
         2     3   4   5
    b    1     6   7   8
         2     9  10  11
    '''
    print frame.ix['a', 1]
    '''
    A      A1      0
           A2      1
    B      B1      2
    '''
    print frame.ix['a', 1]['B']
    '''
    more
    B1    2
    '''
    print frame.ix['a', 1]['A']['A1']
    '''
    0
    '''
    print
    
    print '直接用MultiIndex创建层次索引结构index'
    print MultiIndex.from_arrays([['A', 'A', 'B'], ['Gree', 'Red', 'Green']],
                                 names = ['state', 'color'])
    '''
    MultiIndex(levels=[[u'A', u'B'], [u'Gree', u'Green', u'Red']],
               labels=[[0, 0, 1], [0, 2, 1]],
               names=[u'state', u'color'])
    '''
    
  2. 将索引层进行交换:swaplevel函数。对某个索引层进行排序:sortlevel函数

    代码示例:

    print '索引层交换'
    frame = DataFrame(numpy.arange(12).reshape((4, 3)),
                      index = [['a', 'a', 'b', 'b'], [1, 2, 1, 2]],
                      columns = [['A', 'A', 'B'], ['A1', 'A2', 'B1']])
    frame.index.names = ['key1', 'key2']
    print frame
    '''
               A       B
              A1  A2  B1
    key1 key2           
    a    1     0   1   2
         2     3   4   5
    b    1     6   7   8
         2     9  10  11
    '''
    frame_swapped = frame.swaplevel('key1', 'key2') # 交互索引层
    print frame_swapped
    '''
               A       B
              A1  A2  B1
    key2 key1           
    1    a     0   1   2
    2    a     3   4   5
    1    b     6   7   8
    2    b     9  10  11
    '''
    print frame_swapped.swaplevel(0, 1) # 交换回来
    '''
               A       B
              A1  A2  B1
    key1 key2           
    a    1     0   1   2
         2     3   4   5
    b    1     6   7   8
         2     9  10  11
    '''
    print
    
    print '对某个索引层进行排序'
    print frame.sortlevel('key2')
    '''
               A       B
              A1  A2  B1
    key1 key2           
    a    1     0   1   2
    b    1     6   7   8
    a    2     3   4   5
    b    2     9  10  11
    '''
    print frame.swaplevel(0, 1).sortlevel(0)
    '''
              A       B
              A1  A2  B1
    key2 key1           
    1    a     0   1   2
         b     6   7   8
    2    a     3   4   5
         b     9  10  11
    '''
    
  3. 根据某个索引层进行统计计算

    代码示例:

    print '根据索引层进行统计'
    print frame
    '''
               A       B
              A1  A2  B1
    key1 key2           
    a    1     0   1   2
         2     3   4   5
    b    1     6   7   8
         2     9  10  11
    '''
    print frame.sum(level = 'key2')
    '''
           A       B
          A1  A2  B1
    key2            
    1      6   8  10
    2     12  14  16
    '''
    
  4. 将某列转化为层次的行索引,列名为索引名,列的值为索引值:set_index函数;恢复重置行索引且恢复列:reset_index函数。

    代码示例:

    print '将列索引转化行层次索引'
    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
    '''
      a  b    c  d
    0  0  7  one  0
    1  1  6  one  1
    2  2  5  one  2
    3  3  4  two  0
    4  4  3  two  1
    5  5  2  two  2
    6  6  1  two  3
    '''
    print frame.set_index(['c', 'd'])  # 把c/d列索引变成行索引
    '''
           a  b
    c   d      
    one 0  0  7
        1  1  6
        2  2  5
    two 0  3  4
        1  4  3
        2  5  2
        3  6  1
    '''
    print frame.set_index(['c', 'd'], drop = False) # 列依然保留
    '''
           a  b    c  d
    c   d              
    one 0  0  7  one  0
        1  1  6  one  1
        2  2  5  one  2
    two 0  3  4  two  0
        1  4  3  two  1
        2  5  2  two  2
        3  6  1  two  3
    '''
    frame2 = frame.set_index(['c', 'd'])
    print frame2.reset_index() # 恢复列
    '''
         c  d  a  b
    0  one  0  0  7
    1  one  1  1  6
    2  one  2  2  5
    3  two  0  3  4
    4  two  1  4  3
    5  two  2  5  2
    6  two  3  6  1
    '''
    

八、整数型索引值

Series/DataFrame的索引值的类型为整数时,使用数组索引会产生歧义:无法分清是数组类型索引还是字典类型索引。整数型索引的Series/DataFrame索引的方法:以iloc索引替代数组索引。

代码示例:

print '索引值为整数时的歧义'
ser = Series(numpy.arange(3))
print ser
'''
0    0
1    1
2    2
'''
try:
    print ser[-1] # 这里会有歧义.
except:
    print 'exception'
ser2 = Series(numpy.arange(3), index = ['a', 'b', 'c'])
print ser2[-1] # 索引值类型不是整数
# 2 
ser3 = Series(range(3), index = [-5, 1, 3])
print ser3.iloc[2]  # 使用iloc避免直接用[2]产生的歧义
# 2
print

print '对DataFrame使用整数索引'
frame = DataFrame(numpy.arange(6).reshape((3, 2)), index = [2, 0, 1])
print frame
'''
   0  1
2  0  1
0  2  3
1  4  5
'''
print frame.iloc[0]
'''
0    4
1    5
'''
# print frame[2] 有歧义则会发生异常错误
# print frame['2'] 不存在'2'该索引
print frame.iloc[:, 1]
'''
2    1
0    3
1    5
'''

全部代码:Github

    原文作者:数据挖掘
    原文地址: https://juejin.im/entry/588487128fd9c50067f72695
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞