文章目录
- pandas简介
- pandas数据结构介绍
- Series
- Series类型的创建
- 1.通过一维数组创建Series
- 2.通过字典的方式创建Series
- 3.标量值，index表达Series类型的尺寸
- Series切片和索引
- Series应用NumPy数组运算
- Series类型的操作类似Python字典类型
- Series缺失值检测
- Series自动对齐
- Series及其索引的name属性
- DataFrame
- DataFrame类型的创建
- 1.二维ndarray对象
- 2.通过列表的方式创建DataFrame
- 3.通过字典的方式创建DataFrame
- DataFrame的基本属性和整体情况查询
- DataFrame的索引
- 1.df.loc 通过**标签**索引行数据
- 2.df.iloc 通过**位置**获取行数据
- 3.布尔索引
- 层次化索引
- Series层次化索引
- DataFrame层次化索引
- 按层级统计数据
- 数据的合并
- 分割和组合
- pandas之读写数据
- 1.read_csv()或read_table()从文本文件读入数据
- 2.to_csv()写入数据
- 缺失数据的处理
- 数据特征分析
- 1.排序
- 2.基本统计函数
- 3.累计统计函数
- 4.相关性分析
pandas简介
pandas是python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。
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。
官网：http://pandas.pydata.org/
参考文档：http://pandas.pydata.org/pandas-docs/stable/
pandas数据结构介绍
Series：一种类似于一维数组的对象，它是由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。仅由一组数据即可产生简单的Series。
DataFrame：一个表格型的数据结构，含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等），DataFrame既有行索引也有列索引，可以被看做是由Series组成的字典。
Series
Series类型的创建
Series切片和索引
Series应用NumPy数组运算
Series类型的操作类似Python字典类型
Series缺失值检测
Series自动对齐
Series及其索引的name属性
Series类型的创建
• 通过一维数组创建Series
• Python字典，键值对中的“键”是索引，index从字典中进行选择操作
• 标量值，index表达Series类型的尺寸• Python列表，index与列表元素个数一致
• 其他函数，range()函数等1.通过一维数组创建Series
Series对象本质上是由两个数组构成，一个数组构成对象的键(index,索引)，一个数组构成对象的值（values)
In [1]: import numpy as np
In [2]: import pandas as pd
In [3]: arr=np.array([1,2,3,4])
In [4]: series01=pd.Series(arr)
In [5]: series01
Out[5]:
0 1
1 2
2 3
3 4
dtype: int32
#Series的索引
In [6]: series01.index
Out[6]: RangeIndex(start=0, stop=4, step=1)
#Series的值
In [7]: series01.values
Out[7]: array([1, 2, 3, 4])
In [8]: series01.dtype
Out[8]: dtype('int32')In [9]: series02=pd.Series([34.5,56.78,45.67])
In [10]: series02
Out[10]:
0 34.50
1 56.78
2 45.67
dtype: float64
In [11]: series02.index=['product1','product2','product3']
In [12]: series02
Out[12]:
product1 34.50
product2 56.78
product3 45.67
dtype: float64In [13]: series03=pd.Series([98,56,88,45],index=['语文','数学','英语','体育'])
In [14]: series03
Out[14]:
语文 98
数学 56
英语 88
体育 45
dtype: int64
In [15]: series03.index
Out[15]: Index(['语文', '数学', '英语', '体育'], dtype='object')
In [16]: series03.values
Out[16]: array([98, 56, 88, 45], dtype=int64)2.通过字典的方式创建Series
In [20]: a_dict={'20071001':6789.98,'20071002':34556.89,'20071003':3748758.88}
In [21]: series04=pd.Series(a_dict)
In [22]: series04
Out[22]:
20071001 6789.98
20071002 34556.89
20071003 3748758.88
dtype: float64
In [23]: series04.index
Out[23]: Index(['20071001', '20071002', '20071003'], dtype='object')3.标量值，index表达Series类型的尺寸
In [16]: s=pd.Series(25,index=['a','b','c'])
In [17]: s
Out[17]:
a 25
b 25
c 25
dtype: int64Series切片和索引
切片：可以通过自定义索引的列表进行切片；可以通过自动索引进行切片，如果存在自定义索引，则一同被切片。
索引分为自动索引（序号）和自定义索引（index）。
索引：一个的时候直接传入序号或者index，多个的时候传入序号或者index的列表，也可以使用reindex()函数。
In [3]: t=pd.Series(np.arange(10),index=list('ABCDEFGHIJ'))
In [4]: t
Out[4]:
A 0
B 1
C 2
D 3
E 4
F 5
G 6
H 7
I 8
J 9
dtype: int32
In [5]: t[2:8]
Out[5]:
C 2
D 3
E 4
F 5
G 6
H 7
dtype: int32
#从2到10，步长为2
In [6]: t[2:10:2]
Out[6]:
C 2
E 4
G 6
I 8
dtype: int32
In [7]: t[[2,3,6]]
Out[7]:
C 2
D 3
G 6
dtype: int32
In [8]: t[t>7]
Out[8]:
I 8
J 9
dtype: int32
In [9]: t['F']
Out[9]: 5
In [11]: t[['A','F','g']] # 将来可能报错
d:\python36\lib\site-packages\pandas\core\series.py:851: FutureWarning:
Passing list-likes to .loc or [] with any missing label will raise
KeyError in the future, you can use .reindex() as an alternative.
See the documentation here:
https://pandas.pydata.org/pandas-docs/stable/indexing.html#deprecate-loc-reindex-listlike
return self.loc[key]
Out[11]:
A 0.0
F 5.0
g NaN
dtype: float64
In [12]: t.reindex(['A','F','g'])
Out[12]:
A 0.0
F 5.0
g NaN
dtype: float64Series应用NumPy数组运算
NumPy中运算和操作可用于Series类型。
In [26]: series04
Out[26]:
20071001 6789.98
20071002 34556.89
20071003 3748758.88
In [27]: series04[series04>10000]
Out[27]:
20071002 34556.89
20071003 3748758.88
dtype: float64
In [28]: series04/100
Out[28]:
20071001 67.8998
20071002 345.5689
20071003 37487.5888
dtype: float64
In [29]: series01
Out[29]:
0 1
1 2
2 3
3 4
dtype: int32
In [30]: np.exp(series01)
Out[30]:
0 2.718282
1 7.389056
2 20.085537
3 54.598150
dtype: float64Series类型的操作类似Python字典类型
• 通过自定义索引访问
• 保留字in操作
• 使用.get()方法In [18]: b=pd.Series([9,8,7,6],index=list('abcd'))
In [19]: b['b']
Out[19]: 8
In [20]: 'c' in b
Out[20]: True
In [23]: b.get('f',100)
Out[23]: 100
In [25]: b.get('c',100)
Out[25]: 7Series缺失值检测
pandas中的isnull和notnull函数
In [31]: score=pd.Series({'Tom':89,'John':88,'Merry':96,'Max':65})
In [32]: score
Out[32]:
Tom 89
John 88
Merry 96
Max 65
dtype: int64
In [33]: new_index=['Tom','Max','Joe','John','Merry']
In [34]: scores = pd.Series(score,index=new_index)
In [35]: scores
Out[35]:
Tom 89.0
Max 65.0
Joe NaN
John 88.0
Merry 96.0
dtype: float64pandas中的isnull和notnull函数可用于Series缺失值检测。
isnull和notnull都返回一个布尔类型的Series。In [37]: pd.isnull(scores)
Out[37]:
Tom False
Max False
Joe True
John False
Merry False
dtype: bool
In [38]: pd.notnull(scores)
Out[38]:
Tom True
Max True
Joe False
John True
Merry True
dtype: bool
In [39]: scores[pd.isnull(scores)]
Out[39]:
Joe NaN
dtype: float64
In [40]: scores[pd.notnull(scores)]
Out[40]:
Tom 89.0
Max 65.0
John 88.0
Merry 96.0
dtype: float64Series自动对齐
不同Series之间进行算术运算，会自动对齐不同索引的数据。
In [41]: product_num=pd.Series([23,45,67,89],index=['p3','p1','p2','p5'])
In [42]: product_num
Out[42]:
p3 23
p1 45
p2 67
p5 89
dtype: int64
In [43]: product_price_table=pd.Series([9.98,2.34,4.56,5.67,8.78],index=['p1','p2','p3','p4','p5'])
In [44]: product_price_table
Out[44]:
p1 9.98
p2 2.34
p3 4.56
p4 5.67
p5 8.78
dtype: float64
In [45]: product_sum=product_num*product_price_table
In [46]: product_sum
Out[46]:
p1 449.10
p2 156.78
p3 104.88
p4 NaN
p5 781.42
dtype: float64Series及其索引的name属性
Series对象本身及其索引都有一个name属性，可赋值设置。
In [47]: product_num.name='ProductNums'
In [48]: product_num.index.name='ProductType'
In [49]: product_num
Out[49]:
ProductType
p3 23
p1 45
p2 67
p5 89
Name: ProductNums, dtype: int64
DataFrame
DataFrame对象既有行索引，又有列索引行索引，表明不同行，横向索引，叫index，0轴，axis=0
列索引，表名不同列，纵向索引，叫columns，1轴，axis=1
DataFrame类型的创建
DataFrame的基本属性和整体情况查询
DataFrame索引
DataFrame类型的创建
• 二维ndarray对象
• 由一维ndarray、列表、字典、元组或Series构成的字典
• Series类型
• 其他的DataFrame类型1.二维ndarray对象
In [26]: d=pd.DataFrame(np.arange(10).reshape(2,5))
In [27]: d
Out[27]:
0 1 2 3 4
0 0 1 2 3 4
1 5 6 7 8 92.通过列表的方式创建DataFrame
In [50]: df01=pd.DataFrame([['Tom','Merry','John'],[76,98,100]])
In [51]: df01
Out[51]:
0 1 2
0 Tom Merry John
1 76 98 100
In [53]: df02=pd.DataFrame([['Tom',76],['Merry',98],['Merry',100]])
In [54]: df02
Out[54]:
0 1
0 Tom 76
1 Merry 98
2 Merry 100
In [57]: arr=[['Tom',76],['Merry',98],['Merry',100]]
In [58]: df03=pd.DataFrame(arr,index=['one','two','three'],columns=['name','score'])
In [59]: df03
Out[59]:
name score
one Tom 76
two Merry 98
three John 1003.通过字典的方式创建DataFrame
In [60]: data={'apart':['1001','1002','1003','1001'],'profits':[567.87,987.87,873,498.87],'year':[2001,2001,2001,2000]}
...:
In [61]: df=pd.DataFrame(data)
In [62]: df
Out[62]:
apart profits year
0 1001 567.87 2001
1 1002 987.87 2001
2 1003 873.00 2001
3 1001 498.87 2000
In [63]: df.index
Out[63]: RangeIndex(start=0, stop=4, step=1)
In [64]: df.columns
Out[64]: Index(['apart', 'profits', 'year'], dtype='object')
In [65]: df.values
Out[65]:
array([['1001', 567.87, 2001],
['1002', 987.87, 2001],
['1003', 873.0, 2001],
['1001', 498.87, 2000]], dtype=object)
In [66]: df1=pd.DataFrame(data,index=['one','two','three','four'])
In [67]: df1
Out[67]:
apart profits year
one 1001 567.87 2001
two 1002 987.87 2001
three 1003 873.00 2001
four 1001 498.87 2000
In [68]: df1.index
Out[68]: Index(['one', 'two', 'three', 'four'], dtype='object')DataFrame的基本属性和整体情况查询
In [14]: df
Out[14]:
a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
In [15]: df.shape
Out[15]: (3, 5)
In [17]: df.dtypes
Out[17]:
a int64
b int64
c int64
d int64
message object
dtype: object
In [18]: df.ndim
Out[18]: 2
In [19]: df.index
Out[19]: RangeIndex(start=0, stop=3, step=1)
In [20]: df.columns
Out[20]: Index(['a', 'b', 'c', 'd', 'message'], dtype='object')
In [21]: df.values
Out[21]:
array([[1, 2, 3, 4, 'hello'],
[5, 6, 7, 8, 'world'],
[9, 10, 11, 12, 'foo']], dtype=object)
In [22]: df.head(2)
Out[22]:
a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
In [23]: df.tail(2)
Out[23]:
a b c d message
1 5 6 7 8 world
2 9 10 11 12 foo
In [24]: df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 5 columns):
a 3 non-null int64
b 3 non-null int64
c 3 non-null int64
d 3 non-null int64
message 3 non-null object
dtypes: int64(4), object(1)
memory usage: 200.0+ bytes
In [25]: df.describe()
Out[25]:
a b c d
count 3.0 3.0 3.0 3.0
mean 5.0 6.0 7.0 8.0
std 4.0 4.0 4.0 4.0
min 1.0 2.0 3.0 4.0
25% 3.0 4.0 5.0 6.0
50% 5.0 6.0 7.0 8.0
75% 7.0 8.0 9.0 10.0
max 9.0 10.0 11.0 12.0DataFrame的索引
- df.loc 通过标签索引行数据
- df.iloc 通过位置获取行数据
- 布尔索引
1.df.loc 通过标签索引行数据
In [34]: t=pd.DataFrame(np.arange(12).reshape(3,4),index=['A','B','C'],columns=['W','X','Y','Z'])
In [35]: t
Out[35]:
W X Y Z
A 0 1 2 3
B 4 5 6 7
C 8 9 10 11
In [36]: t.loc['A','W']
Out[36]: 0
In [37]: type(t.loc['A','W'])
Out[37]: numpy.int32
In [38]: t.loc['A',['W','Z']]
Out[38]:
W 0
Z 3
Name: A, dtype: int32
In [39]: type( t.loc['A',['W','Z']])
Out[39]: pandas.core.series.Series
In [40]: t.loc['B':] #选择连续的多行
Out[40]:
W X Y Z
B 4 5 6 7
C 8 9 10 11
In [41]: t.loc[:,'X':'Z'] # 注意会选到冒号后的数据
Out[41]:
X Y Z
A 1 2 3
B 5 6 7
C 9 10 11
In [42]: t.loc[['A','C'],['W','Z']] #选择间隔多行多列
Out[42]:
W Z
A 0 3
C 8 112.df.iloc 通过位置获取行数据
In [44]: t
Out[44]:
W X Y Z
A 0 1 2 3
B 4 5 6 7
C 8 9 10 11
In [45]: t.iloc[:1,[2,3,]]
Out[45]:
Y Z
A 2 3
In [47]: t.iloc[1:3,1:3]
Out[47]:
X Y
B 5 6
C 9 10赋值更改数据：
In [48]: t
Out[48]:
W X Y Z
A 0 1 2 3
B 4 5 6 7
C 8 9 10 11
In [49]: t.loc['A','Y']=100
In [50]: t
Out[50]:
W X Y Z
A 0 1 100 3
B 4 5 6 7
C 8 9 10 11
In [51]: t.iloc[1:2,0:2]=200
In [52]: t
Out[52]:
W X Y Z
A 0 1 100 3
B 200 200 6 7
C 8 9 10 113.布尔索引
In [60]: t
Out[60]:
W X Y Z
A 0 1 100 3
B 200 200 6 7
C 8 9 10 11
In [61]: t["X"] # 取某一列
Out[61]:
A 1
B 200
C 9
Name: X, dtype: int32
In [62]: t[t["X"]>10]
Out[62]:
W X Y Z
B 200 200 6 7假设要从数据中查找名字字符串长度大于3且分数大于98的人
In [73]: df03
Out[73]:
name score
one Tom 76
two John 98
three Merry 100
In [75]: df03[(df03['name'].str.len()>3)&(df03['score']>98)]
Out[75]:
name score
three Merry 100注意两个问题：
- &表示且；|表示或
- 字符串的方法
层次化索引
在某个方向上拥有多个（两个及两个以上）索引级别
通过层次化索引，pandas能够以低维度形式处理高维度数据
通过层次化索引，可以按层级统计数据
Series层次化索引
In [46]: data=pd.Series([988.44,95859,3949.44,32445.44,234.45],index=[['2001','2001','2001','2002','2002'],['苹果','香蕉','西瓜','苹果','西瓜']])
In [47]: data
Out[47]:
2001 苹果 988.44
香蕉 95859.00
西瓜 3949.44
2002 苹果 32445.44
西瓜 234.45
dtype: float64
In [49]: data.index.names=['年份','水果类别']
In [50]: data
Out[50]:
年份 水果类别
2001 苹果 988.44
香蕉 95859.00
西瓜 3949.44
2002 苹果 32445.44
西瓜 234.45
dtype: float64DataFrame层次化索引
In [58]: df=pd.DataFrame({'production':[988.44,95859,3949.44,32445.44,234.45],'year':['2001','2001','2001','2002','2002'],'fruit':['苹果','香蕉','西瓜','苹果','西瓜'],'profits':[2334.44,44556,6677,7788,3345]})
In [59]: df
Out[59]:
production year fruit profits
0 988.44 2001 苹果 2334.44
1 95859.00 2001 香蕉 44556.00
2 3949.44 2001 西瓜 6677.00
3 32445.44 2002 苹果 7788.00
4 234.45 2002 西瓜 3345.00
In [60]: df.set_index(['year','fruit'])
Out[60]:
production profits
year fruit
2001 苹果 988.44 2334.44
香蕉 95859.00 44556.00
西瓜 3949.44 6677.00
2002 苹果 32445.44 7788.00
西瓜 234.45 3345.00
In [61]: new_df=df.set_index(['year','fruit'])按层级统计数据
In [62]: new_df
Out[62]:
production profits
year fruit
2001 苹果 988.44 2334.44
香蕉 95859.00 44556.00
西瓜 3949.44 6677.00
2002 苹果 32445.44 7788.00
西瓜 234.45 3345.00
'''
levels：每个等级上轴标签的唯一值
labels：以整数来表示每个level上标签的位置
names：index level的名称
'''
In [63]: new_df.index
Out[63]:
MultiIndex(levels=[['2001', '2002'], ['苹果', '西瓜', '香蕉']],
labels=[[0, 0, 0, 1, 1], [0, 2, 1, 0, 1]],
names=['year', 'fruit'])
In [64]: new_df.sum(level='year')
Out[64]:
production profits
year
2001 100796.88 53567.44
2002 32679.89 11133.00
In [65]: new_df.sum(level='fruit')
Out[65]:
production profits
fruit
苹果 33433.88 10122.44
香蕉 95859.00 44556.00
西瓜 4183.89 10022.00
数据的合并
join:默认情况下是把行索引相同的数据合并到一起。
merge:按照指定的列把数据按照一定的方式合并到一起。
In [67]: t1=pd.DataFrame(np.full((3,4),1),index=list('ABC'))
In [69]: t2=pd.DataFrame(np.full((2,5),0),index=list('AB'),columns=list('VWXYZ'))
In [70]: t1
Out[70]:
0 1 2 3
A 1 1 1 1
B 1 1 1 1
C 1 1 1 1
In [71]: t2
Out[71]:
V W X Y Z
A 0 0 0 0 0
B 0 0 0 0 0
In [72]: t1.join(t2)
Out[72]:
0 1 2 3 V W X Y Z
A 1 1 1 1 0.0 0.0 0.0 0.0 0.0
B 1 1 1 1 0.0 0.0 0.0 0.0 0.0
C 1 1 1 1 NaN NaN NaN NaN NaNIn [90]: df1 = pd.DataFrame({'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],'group': ['Accounting', 'Engineering', 'Engineering','Hr']})
In [91]: df2 = pd.DataFrame({'employee': ['Lisa', 'Bob', 'Jake', 'Sue'],
...: 'hire_date': [2004, 2008, 2012, 2014]})
In [92]: df1
Out[92]:
employee group
0 Bob Accounting
1 Jake Engineering
2 Lisa Engineering
3 Sue Hr
In [93]: df2
Out[93]:
employee hire_date
0 Lisa 2004
1 Bob 2008
2 Jake 2012
3 Sue 2014
#一对一连接
In [94]: df3=pd.merge(df1,df2)
In [95]: df3
Out[95]:
employee group hire_date
0 Bob Accounting 2008
1 Jake Engineering 2012
2 Lisa Engineering 2004
3 Sue Hr 2014
#多对一连接：指在需要连接的两个列中，有一列的值有重复。
In [98]: df4 = pd.DataFrame({'group': ['Accounting', 'Engineering', 'Hr'],'supervisor': ['Carly', 'Guido', 'Steve']})
In [99]: df4
Out[99]:
group supervisor
0 Accounting Carly
1 Engineering Guido
2 Hr Steve
In [100]: pd.merge(df3,df4)
Out[100]:
employee group hire_date supervisor
0 Bob Accounting 2008 Carly
1 Jake Engineering 2012 Guido
2 Lisa Engineering 2004 Guido
3 Sue Hr 2014 Steve
#多对多连接
In [104]: df5 = pd.DataFrame({'group': ['Accounting', 'Accounting', 'Engineering', 'Engineering', 'Hr'] , 'skills': ['math', 'spreadsheets', 'coding', 'spreadsheets', 'organization']})
In [105]: df5
Out[105]:
group skills
0 Accounting math
1 Accounting spreadsheets
2 Engineering coding
3 Engineering spreadsheets
4 Hr organization
In [106]: df1
Out[106]:
employee group
0 Bob Accounting
1 Jake Engineering
2 Lisa Engineering
3 Sue Hr
In [107]: pd.merge(df1,df5)
Out[107]:
employee group skills
0 Bob Accounting math
1 Bob Accounting spreadsheets
2 Jake Engineering coding
3 Jake Engineering spreadsheets
4 Lisa Engineering coding
5 Lisa Engineering spreadsheets
6 Sue Hr organization分割和组合
一个经典分割 - 应用 - 组合操作示例如图 所示，其中“apply”的是一个求和函数。
- 分割步骤将 DataFrame 按照指定的键分割成若干组。
- 应用步骤对每个组应用函数，通常是累计、转换或过滤函数。
- 组合步骤将每一组的结果合并成一个输出数组。
In [109]: df = pd.DataFrame({'key': ['A', 'B', 'C', 'A', 'B', 'C'],'data': range(6)}, columns=['key', 'data'])
In [110]: df
Out[110]:
key data
0 A 0
1 B 1
2 C 2
3 A 3
4 B 4
5 C 5
In [114]: df.groupby('key')
Out[114]: <pandas.core.groupby.groupby.DataFrameGroupBy object at 0x00000262F8AE8240>
In [115]: df.groupby('key').sum()
Out[115]:
data
key
A 3
B 5
C 7DataFrameGroupBy对象常用的函数：
函数名 | 说明 |
.count() | 统计非nan值的数量 |
.sum() | 非nan值的和 |
.mean() | 非nan值的平均数 |
.median() | 非nan值的中位数 |
.std()、.var() | 无偏（n-1）标准差和方差 |
.min() .max() | 非nan值的最小值和最大值 |
pandas之读写数据
读取数据的函数
函数名 | 说明 |
read_csv() | 从文件、url、文件型对象中加载带分隔符的数据，默认为’ , '。 |
read_table() | 从文件、url、文件型对象中加载带分隔符的数据，默认为’\t’。 |
read_excel() | 从 Excel 文件读入数据 |
read_hdf() | 使用 HDF5 文件读写数据 |
read_sql() | 从 SQL 数据库的査询结果载入数据 |
read_pickle() | 读入 Pickle 序列化之后的数据 |
其中read_csv和read_table是常用的，下面就介绍一下read_csv或read_table如何读取数据。
1.read_csv()或read_table()从文本文件读入数据
In [4]: df=pd.read_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv')
---------------------------------------------------------------------------
OSError Traceback (most recent call last)
'''（报错细节不展示）'''
pandas\_libs\parsers.pyx in pandas._libs.parsers.TextReader._setup_parser_source()
OSError: Initializing from file failedpandas.read_csv() 报错 OSError: Initializing from file failed，一般由两种情况引起：一种是函数参数为路径而非文件名称，另一种是函数参数带有中文。
对于第一种情况很简单，原因就是没有把文件名称放到路径的后面，把文件名称添加到路径后面就可以了。。
第二种情况，即使路径、文件名都完整，还是报错的原因是这个参数中有中文，发现调用pandas的read_csv()方法时，默认使用 C engine作为parser engine，而当文件名中含有中文的时候，用C engine在部分情况下就会出错。所以在调用read_csv()方法时指定engine为Python就可以解决问题了。
In [5]: df=pd.read_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv',engine='python')
In [6]: df
Out[6]:
a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 fooIn [13]: df=pd.read_table(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv',sep=',',engine='python')
In [14]: df
Out[14]:
a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo2.to_csv()写入数据
In [124]: df
Out[124]:
a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
In [125]: df.to_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex001.csv')缺失数据的处理
数据缺失通常有两种情况：
一种就是空，None等，在pandas是NaN(和np.nan一样)。
另一种是我们让其为0，蓝色框中。
方法 | 说明 |
.dropna() | 根据标签的值中是否存在缺失数据对轴标签进行过滤（删除），可通过阈值调节对缺失值的容忍度 |
.fillna() | 用指定值或插值方法填充缺失数据 |
.isnull() | 返回一个含有布尔值的对象，这些布尔值表示哪些值是缺失值NA |
.notnull() | isnull的否定式 |
在pandas中数据缺失处理方法：
判断数据是否为NaN：pd.isnull(df),pd.notnull(df)
处理方式1：删除NaN所在的行列dropna (axis=0, how=‘any’, inplace=False)
处理方式2：填充数据，t.fillna(t.mean()),t.fiallna(t.median()),t.fillna(0)
处理为0的数据：t[t==0]=np.nan
注意：当然并不是每次为0的数据都需要处理；计算平均值等情况，nan是不参与计算的，但是0会。
In [6]: df=pd.DataFrame([['Tom',np.nan,456.67,'M'],['Merty',34,4567.34,np.nan],['John',23,np.nan,'M'],['Joe',18,342.45,
...: 'F']],columns=['name','age','salary','gender'])
In [7]: df
Out[7]:
name age salary gender
0 Tom NaN 456.67 M
1 Merty 34.0 4567.34 NaN
2 John 23.0 NaN M
3 Joe 18.0 342.45 F
In [8]: df.isnull()
Out[8]:
name age salary gender
0 False True False False
1 False False False True
2 False False True False
3 False False False False
In [9]: df.notnull()
Out[9]:
name age salary gender
0 True False True True
1 True True True False
2 True True False True
3 True True True True
In [12]: series=pd.Series([1,2,3,4,np.NaN,5])
In [13]: series.dropna()
Out[13]:
0 1.0
1 2.0
2 3.0
3 4.0
5 5.0
dtype: float64
In [19]: data
Out[19]:
0 1 2
0 0.0 1.0 2.0
1 NaN NaN NaN
2 NaN 7.0 8.0
In [20]: data.dropna() #默认丢失只要含有缺失值的行
Out[20]:
0 1 2
0 0.0 1.0 2.0
In [21]: data.dropna(how='all') #丢失全部为缺失值的行
Out[21]:
0 1 2
0 0.0 1.0 2.0
2 NaN 7.0 8.0
In [23]: data
Out[23]:
0 1 2 4
0 0.0 1.0 2.0 NaN
1 NaN NaN NaN NaN
2 NaN 7.0 8.0 NaN
In [24]: data.dropna(axis=1,how='all') #丢失全部为缺失值的列
Out[24]:
0 1 2
0 0.0 1.0 2.0
1 NaN NaN NaN
2 NaN 7.0 8.0
In [25]: df=pd.DataFrame(np.random.randn(7,3))
In [26]: df.iloc[:4,1]=np.nan
In [27]: df.iloc[:2,2]=np.nan
In [28]: df
Out[28]:
0 1 2
0 -0.299147 NaN NaN
1 0.075411 NaN NaN
2 -0.406294 NaN -1.472581
3 -1.224392 NaN 1.167611
4 -0.730027 -0.459401 0.275466
5 0.919381 0.107443 -2.359248
6 -1.193738 -0.336124 0.992585
In [29]: df.fillna(df.mean()) #取df的平均值填充
Out[29]:
0 1 2
0 -0.299147 -0.229361 -0.279233
1 0.075411 -0.229361 -0.279233
2 -0.406294 -0.229361 -1.472581
3 -1.224392 -0.229361 1.167611
4 -0.730027 -0.459401 0.275466
5 0.919381 0.107443 -2.359248
6 -1.193738 -0.336124 0.992585
In [30]: df
Out[30]:
0 1 2
0 -0.299147 NaN NaN
1 0.075411 NaN NaN
2 -0.406294 NaN -1.472581
3 -1.224392 NaN 1.167611
4 -0.730027 -0.459401 0.275466
5 0.919381 0.107443 -2.359248
6 -1.193738 -0.336124 0.992585
In [31]: df[1].fillna(df[1].median()) #取1一列的中位数填充该列
Out[31]:
0 -0.336124
1 -0.336124
2 -0.336124
3 -0.336124
4 -0.459401
5 0.107443
6 -0.336124
Name: 1, dtype: float64数据特征分析
- 排序
- 基本统计函数
- 累计统计函数
- 相关性分析
1.排序
索引排序
.sort_index()方法在指定轴上根据索引进行排序，默认升序
.sort_index(axis=0, ascending=True)
In [27]: b=pd.DataFrame(np.arange(20).reshape(4,5),index=list('cadb'))
In [28]: b
Out[28]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
In [29]: b.sort_index()
Out[29]:
0 1 2 3 4
a 5 6 7 8 9
b 15 16 17 18 19
c 0 1 2 3 4
d 10 11 12 13 14
In [30]: b.sort_index(ascending=False)
Out[30]:
0 1 2 3 4
d 10 11 12 13 14
c 0 1 2 3 4
b 15 16 17 18 19
a 5 6 7 8 9
In [31]: b
Out[31]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
In [33]: c=b.sort_index(axis=1,ascending=False)
In [34]: c
Out[34]:
4 3 2 1 0
c 4 3 2 1 0
a 9 8 7 6 5
d 14 13 12 11 10
b 19 18 17 16 15
In [35]: c=c.sort_index()
In [36]: c
Out[36]:
4 3 2 1 0
a 9 8 7 6 5
b 19 18 17 16 15
c 4 3 2 1 0
d 14 13 12 11 10键值排序
.sort_values()方法在指定轴上根据数值进行排序，默认升序
Series.sort_values(axis=0, ascending=True)
DataFrame.sort_values(by, axis=0, ascending=True)
by : axis轴上的某个索引或索引列表
In [37]: b
Out[37]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
In [38]: c=b.sort_values(2,ascending=False) # 按照索引2的一列中的值进行降序
In [39]: c
Out[39]:
0 1 2 3 4
b 15 16 17 18 19
d 10 11 12 13 14
a 5 6 7 8 9
c 0 1 2 3 4
In [40]: c=c.sort_values('a',axis=1,ascending=False) # 按照索引a的一行中的值进行降序
In [41]: c
Out[41]:
4 3 2 1 0
b 19 18 17 16 15
d 14 13 12 11 10
a 9 8 7 6 5
c 4 3 2 1 0注意：若按照键值排序中出现NaN，无论升序或者降序排列，统一放到排序末尾。
2.基本统计函数
适用于Series和DataFrame类型
方法 | 说明 |
.sum() | 计算数据的总和，按0轴计算，下同 |
.count() | 非NaN值的数量 |
.mean() .median() | 计算数据的算术平均值、算术中位数 |
.var() .std() | 计算数据的方差、标准差 |
.min() .max() | 计算数据的最小值、最大值 |
.prod() | |
.describe() | 针对0轴（各列）的统计汇总 |
适用于Series类型
方法 | 说明 |
.argmin() .argmax() | 计算数据最大值、最小值所在位置的索引位置（自动索引） |
.idxmin() .idxmax() | 计算数据最大值、最小值所在位置的索引（自定义索引） |
In [42]: a=pd.Series([9,8,7,6],index=list('abcd'))
In [43]: a
Out[43]:
a 9
b 8
c 7
d 6
dtype: int64
In [44]: a.describe()
Out[44]:
count 4.000000
mean 7.500000
std 1.290994
min 6.000000
25% 6.750000
50% 7.500000
75% 8.250000
max 9.000000
dtype: float64
In [48]: a.describe()['std']
Out[48]: 1.2909944487358056
In [49]: a.describe()['min']
Out[49]: 6.0In [50]: b
Out[50]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
In [51]: b.describe()
Out[51]:
0 1 2 3 4
count 4.000000 4.000000 4.000000 4.000000 4.000000
mean 7.500000 8.500000 9.500000 10.500000 11.500000
std 6.454972 6.454972 6.454972 6.454972 6.454972
min 0.000000 1.000000 2.000000 3.000000 4.000000
25% 3.750000 4.750000 5.750000 6.750000 7.750000
50% 7.500000 8.500000 9.500000 10.500000 11.500000
75% 11.250000 12.250000 13.250000 14.250000 15.250000
max 15.000000 16.000000 17.000000 18.000000 19.000000
In [52]: type(b.describe())
Out[52]: pandas.core.frame.DataFrame
In [53]: b.describe().ix['max']
D:\Python36\Scripts\ipython:1: DeprecationWarning:
.ix is deprecated. Please use
.loc for label based indexing or
.iloc for positional indexing
See the documentation here:
http://pandas.pydata.org/pandas-docs/stable/indexing.html#ix-indexer-is-deprecated
Out[53]:
0 15.0
1 16.0
2 17.0
3 18.0
4 19.0
Name: max, dtype: float64
In [54]: b.describe().loc['max'] #取index中的max行
Out[54]:
0 15.0
1 16.0
2 17.0
3 18.0
4 19.0
Name: max, dtype: float64
In [55]: b.describe()[2] #取统计汇总中的2列
Out[55]:
count 4.000000
mean 9.500000
std 6.454972
min 2.000000
25% 5.750000
50% 9.500000
75% 13.250000
max 17.000000
Name: 2, dtype: float643.累计统计函数
适用于Series和DataFrame类型，累计计算
方法 | 说明 |
.cumsum() | 依次给出前1、2、…、n个数的和 |
.cumprod() | 依次给出前1、2、…、n个数的积 |
.cummax() | 依次给出前1、2、…、n个数的最大值 |
.cummin() | 依次给出前1、2、…、n个数的最小值 |
In [56]: b
Out[56]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
In [57]: b.cumsum()
Out[57]:
0 1 2 3 4
c 0 1 2 3 4
a 5 7 9 11 13
d 15 18 21 24 27
b 30 34 38 42 46
In [58]: b.cumprod()
Out[58]:
0 1 2 3 4
c 0 1 2 3 4
a 0 6 14 24 36
d 0 66 168 312 504
b 0 1056 2856 5616 9576
In [60]: b.cummin()
Out[60]:
0 1 2 3 4
c 0 1 2 3 4
a 0 1 2 3 4
d 0 1 2 3 4
b 0 1 2 3 4
In [61]: b.cummax()
Out[61]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19适用于Series和DataFrame类型，滚动计算（窗口计算）
方法 | 说明 |
.rolling(w).sum() | 依次计算相邻w个元素的和 |
.rolling(w).mean() | 依次计算相邻w个元素的算术平均值 |
.rolling(w).var() | 依次计算相邻w个元素的方差 |
.rolling(w).std() | 依次计算相邻w个元素的标准差 |
.rolling(w).min() .max() | 依次计算相邻w个元素的最小值和最大值 |
In [62]: b
Out[62]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
In [63]: b.rolling(2).sum()
Out[63]:
0 1 2 3 4
c NaN NaN NaN NaN NaN
a 5.0 7.0 9.0 11.0 13.0
d 15.0 17.0 19.0 21.0 23.0
b 25.0 27.0 29.0 31.0 33.0
In [64]: b.rolling(3).sum()
Out[64]:
0 1 2 3 4
c NaN NaN NaN NaN NaN
a NaN NaN NaN NaN NaN
d 15.0 18.0 21.0 24.0 27.0
b 30.0 33.0 36.0 39.0 42.04.相关性分析
两个事物，表示为X和Y，如何判断它们之间的存在相关性？
X增大，Y增大，两个变量正相关；X增大，Y减小，两个变量负相关；X增大，Y无视，两个变量不相关。
协方差：
cov ( X , Y ) = ∑ i = 1 n ( X i − X ‾ ) ( Y i − Y ‾ ) n − 1 \operatorname{cov}(X, Y)=\frac{\sum_{i=1}^{n}\left(X_{i}-\overline{X}\right)\left(Y_{i}-\overline{Y}\right)}{n-1} cov(X,Y)=n−1∑i=1n(Xi−X)(Yi−Y)
协方差>0, X和Y正相关；协方差<0, X和Y负相关；协方差=0, X和Y独立无关
**Pearson相关系数：**r = ∑ i = 1 n ( x i − x ‾ ) ( y i − y ‾ ) ∑ i = 1 n ( x i − x ‾ ) 2 ∑ i = 1 n ( y i − y ‾ ) 2 r=\frac{\sum_{i=1}^{n}\left(x_{i}-\overline{x}\right)\left(y_{i}-\overline{y}\right)}{\sqrt{\sum_{i=1}^{n}\left(x_{i}-\overline{x}\right)^{2}} \sqrt{\sum_{i=1}^{n}\left(y_{i}-\overline{y}\right)^{2}}} r=∑i=1n(xi−x)2 ∑i=1n(yi−y)2 ∑i=1n(xi−x)(yi−y)
r取值范围[‐1,1]
0.8‐1.0 极强相关；0.6‐0.8 强相关； 0.4‐0.6 中等程度相关； 0.2‐0.4 弱相关； 0.0‐0.2 极弱相关或无相关。
相关分析函数适用于Series和DataFrame类型
方法 | 说明 |
.cov() | 计算协方差矩阵 |
.corr() | 计算相关系数矩阵, Pearson、Spearman、Kendall等系数 |
In [65]: hprice=pd.Series([3.04,22.93,11.22,22.55,12.33],index=['2010','2011','2012','2013','2014'])
In [66]: m2=pd.Series([8.18,6.93,9.12,7.55,6.63],index=['2010','2011','2012','2013','2014'])
In [67]: hprice.cov(m2)
Out[67]: -3.88571
In [68]: hprice.corr(m2)
Out[68]: -0.46194948337869285参考资料：
网址：
书籍：
《python数据科学手册》
《利用python进行数据分析》
《python科学计算》
视频：
《黑马程序员之数据分析》
《python数据分析与展示》
