Python數據分析包：pandas 基礎

pandas 是基於 Numpy 構建的含有更高級數據結構和工具的數據分析包

類似於 Numpy 的核心是 ndarray，pandas 也是圍繞着 Series 和 DataFrame 兩個核心數據結構展開的 。Series 和 DataFrame 分別對應於一維的序列和二維的表結構。pandas 約定俗成的導入方法如下：

lang:python
from pandas import Series,DataFrame
import pandas as pd

<br />

Series

---

Series 可以看做一個定長的有序字典。基本任意的一維數據都可以用來構造 Series 對象：

lang:python
>>> s = Series([1,2,3.0,'abc'])
>>> s
0      1
1      2
2      3
3    abc
dtype: object

雖然 dtype:object 可以包含多種基本數據類型，但總感覺會影響性能的樣子，最好還是保持單純的 dtype。

Series 對象包含兩個主要的屬性：index 和 values，分別爲上例中左右兩列。因爲傳給構造器的是一個列表，所以 index 的值是從 0 起遞增的整數，如果傳入的是一個類字典的鍵值對結構，就會生成 index-value 對應的 Series；或者在初始化的時候以關鍵字參數顯式指定一個 index 對象：

lang:python
>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y'])
>>> s
a    1
b    3
x    5
y    7
dtype: int64
>>> s.index
Index(['a', 'b', 'x', 'y'], dtype='object')
>>> s.values
array([1, 3, 5, 7], dtype=int64)

Series 對象的元素會嚴格依照給出的 index 構建，這意味着：如果 data 參數是有鍵值對的，那麼只有 index 中含有的鍵會被使用；以及如果 data 中缺少響應的鍵，即使給出 NaN 值，這個鍵也會被添加。

注意 Series 的 index 和 values 的元素之間雖然存在對應關係，但這與字典的映射不同。index 和 values 實際仍爲互相獨立的 ndarray 數組，因此 Series 對象的性能完全 ok。

Series 這種使用鍵值對的數據結構最大的好處在於，Series 間進行算術運算時，index 會自動對齊。

另外，Series 對象和它的 index 都含有一個 name 屬性：

lang:python
>>> s.name = 'a_series'
>>> s.index.name = 'the_index'
>>> s
the_index
a            1
b            3
x            5
y            7
Name: a_series, dtype: int64

<br />

DataFrame

---

DataFrame 是一個表格型的數據結構，它含有一組有序的列（類似於 index），每列可以是不同的值類型（不像 ndarray 只能有一個 dtype）。基本上可以把 DataFrame 看成是共享同一個 index 的 Series 的集合。

DataFrame 的構造方法與 Series 類似，只不過可以同時接受多條一維數據源，每一條都會成爲單獨的一列：

lang:python
>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],
        'year':[2000,2001,2002,2001,2002],
        'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df = DataFrame(data)
>>> df
   pop   state  year
0  1.5   Ohino  2000
1  1.7   Ohino  2001
2  3.6   Ohino  2002
3  2.4  Nevada  2001
4  2.9  Nevada  2002

[5 rows x 3 columns]

雖然參數 data 看起來是個字典，但字典的鍵並非充當 DataFrame 的 index 的角色，而是 Series 的 “name” 屬性。這裏生成的 index 仍是 "01234"。

較完整的 DataFrame 構造器參數爲：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：

lang:python
>>> df = DataFrame(data,index=['one','two','three','four','five'],
               columns=['year','state','pop','debt'])
>>> df
       year   state  pop debt
one    2000   Ohino  1.5  NaN
two    2001   Ohino  1.7  NaN
three  2002   Ohino  3.6  NaN
four   2001  Nevada  2.4  NaN
five   2002  Nevada  2.9  NaN

[5 rows x 4 columns]

同樣缺失值由 NaN 補上。看一下 index、columns 和 索引的類型：

lang:python
>>> df.index
Index(['one', 'two', 'three', 'four', 'five'], dtype='object')
>>> df.columns
Index(['year', 'state', 'pop', 'debt'], dtype='object')
>>> type(df['debt'])
<class 'pandas.core.series.Series'>

DataFrame 面向行和麪向列的操作基本是平衡的，任意抽出一列都是 Series。 <br />

對象屬性

---

查找索引

查找某個值在數組中的索引，類似於 Python 內建的 list.index(value) 方法。可以通過布爾索引來實現。比如我們想在一個 Series 中尋找到 ‘c’：

lang:python
>>> ser = Series(list('abcdefg'))
>>> ser[ser='c']
2    c
dtype: object

Series 中還有一對 ser.idxmax() 和 ser.idxmin() 方法，可以返回數組中最大（小）值的索引值，或者 .argmin() 和 .argmax() 返回索引位置。當然這兩類方法也是可以通過上面這種 ser[ser=ser.max()] 來替代實現的。 <br />

修改索引

數組的 index 屬性時不可變的，因此所謂修改索引，其實操作的是一個使用了新索引的新數組，並繼承舊數據。

obj.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False) 方法接受一個新索引（key）並返回一個新數組。這個 key 的值可以是序列類型，也可以是調用者的一個列名，即將某一列設爲新數組的索引。

lang:python
>>> indexed_df = df.set_index(['A', 'B'])
>>> indexed_df2 = df.set_index(['A', [0, 1, 2, 0, 1, 2]])
>>> indexed_df3 = df.set_index('column1')

<br />

重新索引

Series 對象的重新索引通過其 .reindex(index=None,**kwargs) 方法實現。**kwargs 中常用的參數有倆：method=None,fill_value=np.NaN：

lang:python
ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c'])
>>> a = ['a','b','c','d','e']
>>> ser.reindex(a)
a   -5.3
b    7.2
c    3.6
d    4.5
e    NaN
dtype: float64
>>> ser.reindex(a,fill_value=0)
a   -5.3
b    7.2
c    3.6
d    4.5
e    0.0
dtype: float64
>>> ser.reindex(a,method='ffill')
a   -5.3
b    7.2
c    3.6
d    4.5
e    4.5
dtype: float64
>>> ser.reindex(a,fill_value=0,method='ffill')
a   -5.3
b    7.2
c    3.6
d    4.5
e    4.5
dtype: float64

.reindex() 方法會返回一個新對象，其 index 嚴格遵循給出的參數，method:{'backfill', 'bfill', 'pad', 'ffill', None} 參數用於指定插值（填充）方式，當沒有給出時，自動用 fill_value 填充，默認爲 NaN（ffill = pad，bfill = back fill，分別指插值時向前還是向後取值）

DataFrame 對象的重新索引方法爲：.reindex(index=None,columns=None,**kwargs)。僅比 Series 多了一個可選的 columns 參數，用於給列索引。用法與上例類似，只不過插值方法 method 參數只能應用於行，即軸 0。

lang:python
>>> state = ['Texas','Utha','California']
>>> df.reindex(columns=state,method='ffill')
       Texas  Utha  California
a      1   NaN           2
c      4   NaN           5    
d      7   NaN           8

[3 rows x 3 columns]
>>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill')
   Texas  Utha  California
a      1   NaN           2
b      1   NaN           2
c      4   NaN           5
d      7   NaN           8

[4 rows x 3 columns]

不過 fill_value 依然對有效。聰明的小夥伴可能已經想到了，可不可以通過 df.T.reindex(index,method='**').T 這樣的方式來實現在列上的插值呢，答案是可行的。另外要注意，使用 reindex(index,method='**') 的時候，index 必須是單調的，否則就會引發一個 ValueError: Must be monotonic for forward fill，比如上例中的最後一次調用，如果使用 index=['a','b','d','c'] 的話就不行。 <br />

刪除指定軸上的項

即刪除 Series 的元素或 DataFrame 的某一行（列）的意思，通過對象的 .drop(labels, axis=0) 方法：

lang:python
>>> ser
d    4.5
b    7.2
a   -5.3
c    3.6
dtype: float64
>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> ser.drop('c')
d    4.5
b    7.2
a   -5.3
dtype: float64
>>> df.drop('a')
   Ohio  Texas  California
c     3      4           5
d     6      7           8

[2 rows x 3 columns]
>>> df.drop(['Ohio','Texas'],axis=1)
   California
a           2
c           5
d           8

[3 rows x 1 columns]

.drop() 返回的是一個新對象，元對象不會被改變。 <br />

索引和切片

就像 Numpy，pandas 也支持通過 obj[::] 的方式進行索引和切片，以及通過布爾型數組進行過濾。

不過須要注意，因爲 pandas 對象的 index 不限於整數，所以當使用非整數作爲切片索引時，它是末端包含的。

lang:python
>>> foo
a    4.5
b    7.2
c   -5.3
d    3.6
dtype: float64
>>> bar
0    4.5
1    7.2
2   -5.3
3    3.6
dtype: float64
>>> foo[:2]
a    4.5
b    7.2
dtype: float64
>>> bar[:2]
0    4.5
1    7.2
dtype: float64
>>> foo[:'c']
a    4.5
b    7.2
c   -5.3
dtype: float64

這裏 foo 和 bar 只有 index 不同——bar 的 index 是整數序列。可見當使用整數索引切片時，結果與 Python 列表或 Numpy 的默認狀況相同；換成 'c' 這樣的字符串索引時，結果就包含了這個邊界元素。

另外一個特別之處在於 DataFrame 對象的索引方式，因爲他有兩個軸向（雙重索引）。

可以這麼理解：DataFrame 對象的標準切片語法爲：.ix[::,::]。ix 對象可以接受兩套切片，分別爲行（axis=0）和列（axis=1）的方向：

lang:python
>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.ix[:2,:2]
   Ohio  Texas
a     0      1
c     3      4

[2 rows x 2 columns]
>>> df.ix['a','Ohio']
0

而不使用 ix ，直接切的情況就特殊了：

• 索引時，選取的是列
• 切片時，選取的是行

這看起來有點不合邏輯，但作者解釋說 “這種語法設定來源於實踐”，我們信他。

lang:python
>>> df['Ohio']
a    0
c    3
d    6
Name: Ohio, dtype: int32
>>> df[:'c']
   Ohio  Texas  California
a     0      1           2
c     3      4           5

[2 rows x 3 columns]
>>> df[:2]
   Ohio  Texas  California
a     0      1           2
c     3      4           5

[2 rows x 3 columns]

還有一種特殊情況是：假如有這樣一個索引 index([2,4,5]) ，當我們使用 ser[2] 索引的時候，到底會被解釋爲第一個索引還是第三個索引呢？

答案是第一個索引，即當你的數組 index 是整數類型的時候，你使用整數索引，都會被自動解釋爲基於標籤的索引，而不是基於位置的索引。要想消除這種歧義，可以使用

• .loc[label] 這是嚴格基於標籤的索引
• .iloc[inte] 這是嚴格基於整數位置的索引

.ix[] 更像是這兩種嚴格方式的智能整合版。

使用布爾型數組的情況，注意行與列的不同切法（列切法的 : 不能省）：

lang:python
>>> df['Texas']>=4
a    False
c     True
d     True
Name: Texas, dtype: bool
>>> df[df['Texas']>=4]
   Ohio  Texas  California
c     3      4           5
d     6      7           8

[2 rows x 3 columns]
>>> df.ix[:,df.ix['c']>=4]
   Texas  California
a      1           2
c      4           5
d      7           8

[3 rows x 2 columns]

<br />

算術運算和數據對齊

pandas 最重要的一個功能是，它可以對不同索引的對象進行算術運算。在將對象相加時，結果的索引取索引對的並集。自動的數據對齊在不重疊的索引處引入空值，默認爲 NaN。

lang:python
>>> foo = Series({'a':1,'b':2})
>>> foo
a    1
b    2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b    3
d    4
dtype: int64
>>> foo + bar
a   NaN
b     5
d   NaN
dtype: float64

DataFrame 的對齊操作會同時發生在行和列上。

當不希望在運算結果中出現 NA 值時，可以使用前面 reindex 中提到過 fill_value 參數，不過爲了傳遞這個參數，就需要使用對象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算術方法還有：sub(), div(), mul()。

Series 和 DataFrame 之間的算術運算涉及廣播，暫時先不講。 <br />

函數應用和映射

Numpy 的 ufuncs（元素級數組方法）也可用於操作 pandas 對象。

當希望將函數應用到 DataFrame 對象的某一行或列時，可以使用 .apply(func, axis=0, args=(), **kwds) 方法。

lang:python
f = lambda x:x.max()-x.min()
>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.apply(f)
Ohio          6
Texas         6
California    6
dtype: int64
>>> df.apply(f,axis=1)
a    2
c    2
d    2
dtype: int64

<br />

排序和排名

Series 的 sort_index(ascending=True) 方法可以對 index 進行排序操作，ascending 參數用於控制升序或降序，默認爲升序。

若要按值對 Series 進行排序，當使用 .order(na_last=True, ascending=True, kind='mergesort') 方法，任何缺失值默認都會被放到 Series 的末尾。

在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一個軸向的選擇參數與一個 by 參數，by 參數的作用是針對某一（些）列進行排序（不能對行使用 by 參數）：

lang:python
>>> df.sort_index(by='Ohio')
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.sort_index(by=['California','Texas'])
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.sort_index(axis=1)
   California  Ohio  Texas
a           2     0      1
c           5     3      4
d           8     6      7

[3 rows x 3 columns]

排名（Series.rank(method='average', ascending=True)）的作用與排序的不同之處在於，他會把對象的 values 替換成名次（從 1 到 n）。這時唯一的問題在於如何處理平級項，方法裏的 method 參數就是起這個作用的，他有四個值可選：average, min, max, first。

lang:python
>>> ser=Series([3,2,0,3],index=list('abcd'))
>>> ser
a    3
b    2
c    0
d    3
dtype: int64
>>> ser.rank()
a    3.5
b    2.0
c    1.0
d    3.5
dtype: float64
>>> ser.rank(method='min')
a    3
b    2
c    1
d    3
dtype: float64
>>> ser.rank(method='max')
a    4
b    2
c    1
d    4
dtype: float64
>>> ser.rank(method='first')
a    3
b    2
c    1
d    4
dtype: float64

注意在 ser[0]=ser[3] 這對平級項上，不同 method 參數表現出的不同名次。

DataFrame 的 .rank(axis=0, method='average', ascending=True) 方法多了個 axis 參數，可選擇按行或列分別進行排名，暫時好像沒有針對全部元素的排名方法。 <br />

統計方法

pandas 對象有一些統計方法。它們大部分都屬於約簡和彙總統計，用於從 Series 中提取單個值，或從 DataFrame 的行或列中提取一個 Series。

比如 DataFrame.mean(axis=0,skipna=True) 方法，當數據集中存在 NA 值時，這些值會被簡單跳過，除非整個切片（行或列）全是 NA，如果不想這樣，則可以通過 skipna=False 來禁用此功能：

lang:python
>>> df
    one  two
a  1.40  NaN
b  7.10 -4.5
c   NaN  NaN
d  0.75 -1.3

[4 rows x 2 columns]
>>> df.mean()
one    3.083333
two   -2.900000
dtype: float64
>>> df.mean(axis=1)
a    1.400
b    1.300
c      NaN
d   -0.275
dtype: float64
>>> df.mean(axis=1,skipna=False)
a      NaN
b    1.300
c      NaN
d   -0.275
dtype: float64

其他常用的統計方法有： <br />

<table style="font-size:14px"> <tr> <td>########################</td> <td>*</td> </tr> <tr> <td>count</td> <td>非 NA 值的數量</td> </tr> <tr> <td>describe</td> <td>針對 Series 或 DF 的列計算彙總統計</td> </tr> <tr> <td>min , max</td> <td>最小值和最大值</td> </tr> <tr> <td>argmin , argmax</td> <td>最小值和最大值的索引位置（整數）</td> </tr> <tr> <td>idxmin , idxmax</td> <td>最小值和最大值的索引值</td> </tr> <tr> <td>quantile</td> <td>樣本分位數（0 到 1）</td> </tr> <tr> <td>sum</td> <td>求和</td> </tr> <tr> <td>mean</td> <td>均值</td> </tr> <tr> <td>median</td> <td>中位數</td> </tr> <tr> <td>mad</td> <td>根據均值計算平均絕對離差</td> </tr> <tr> <td>var</td> <td>方差</td> </tr> <tr> <td>std</td> <td>標準差</td> </tr> <tr> <td>skew</td> <td>樣本值的偏度（三階矩）</td> </tr> <tr> <td>kurt</td> <td>樣本值的峯度（四階矩）</td> </tr> <tr> <td>cumsum</td> <td>樣本值的累計和</td> </tr> <tr> <td>cummin , cummax</td> <td>樣本值的累計最大值和累計最小值</td> </tr> <tr> <td>cumprod</td> <td>樣本值的累計積</td> </tr> <tr> <td>diff</td> <td>計算一階差分（對時間序列很有用）</td> </tr> <tr> <td>pct_change</td> <td>計算百分數變化</td> </tr> </table> <br />

協方差與相關係數

Series 有兩個方法可以計算協方差與相關係數，方法的主要參數都是另一個 Series。DataFrame 的這兩個方法會對列進行兩兩運算，並返回一個 len(columns) 大小的方陣：

• .corr(other, method='pearson', min_periods=1) 相關係數，默認皮爾森
• .cov(other, min_periods=None) 協方差

min_periods 參數爲樣本量的下限，低於此值的不進行運算。 <br />

列與 Index 間的轉換

DataFrame 的 .set_index(keys, drop=True, append=False, verify_integrity=False) 方法會將其一個或多個列轉換爲行索引，並返回一個新對象。默認 drop=True 表示轉換後會刪除那些已經變成行索引的列。另一個 .reset_index() 方法的作用正相反，會把已經層次化的索引轉換回列裏面。

lang:python
>>> df = DataFrame(np.arange(8).reshape(4,2),columns=['a','b'])
>>> df
   a  b
0  0  1
1  2  3
2  4  5
3  6  7

[4 rows x 2 columns]
>>> df2 = df.set_index('a')
>>> df2
   b
a   
0  1
2  3
4  5
6  7

[4 rows x 1 columns]
>>> df2.reset_index()
   a  b
0  0  1
1  2  3
2  4  5
3  6  7

[4 rows x 2 columns]

<br />

處理缺失數據

---

pandas 中 NA 的主要表現爲 np.nan，另外 Python 內建的 None 也會被當做 NA 處理。

處理 NA 的方法有四種：dropna , fillna , isnull , notnull 。 <br />

is(not)null

這一對方法對對象做元素級應用，然後返回一個布爾型數組，一般可用於布爾型索引。 <br />

dropna

對於一個 Series，dropna 返回一個僅含非空數據和索引值的 Series。

問題在於對 DataFrame 的處理方式，因爲一旦 drop 的話，至少要丟掉一行（列）。這裏的解決方式與前面類似，還是通過一個額外的參數：dropna(axis=0, how='any', thresh=None) ，how 參數可選的值爲 any 或者 all。all 僅在切片元素全爲 NA 時才拋棄該行(列)。另外一個有趣的參數是 thresh，該參數的類型爲整數，它的作用是，比如 thresh=3，會在一行中至少有 3 個非 NA 值時將其保留。

fillna

fillna(value=None, method=None, axis=0) 中的 value 參數除了基本類型外，還可以使用字典，這樣可以實現對不同的列填充不同的值。method 的用法與前面 .reindex() 方法相同，這裏不再贅述。 <br />

inplace 參數

---

前面有個點一直沒講，結果整篇示例寫下來發現還挺重要的。就是 Series 和 DataFrame 對象的方法中，凡是會對數組作出修改並返回一個新數組的，往往都有一個 replace=False 的可選參數。如果手動設定爲 True，那麼原數組就可以被替換。 <br />

層次化索引

---

層次化索引（hierarchical indexing）是 pandas 的一項重要功能，它允許你在一個軸上擁有多個索引級別。換句話說，一個使用了層次化的索引的二維數組，可以存儲和處理三維以上的數據。

lang:python
>>> hdf = DataFrame(np.arange(8).reshape(4,2),index=[['sh','sh','sz','sz'],['600000','600001','000001','000002']],columns=['open','close'])
>>> hdf
           open  close
sh 600000     0      1
   600001     2      3
sz 000001     4      5
   000002     6      7

[4 rows x 2 columns]
>>> hdf.index
MultiIndex(levels=[['sh', 'sz'], ['000001', '000002', '600000', '600001']],
           labels=[[0, 0, 1, 1], [2, 3, 0, 1]])

上例中原本 sh 和 sz 已經是第三維的索引了，但使用層次化索引後，可以將整個數據集控制在二維表結構中。這對於數據重塑和基於分組的操作（如生成透視表）比較重要。

索引或層次化索引對象（Index 與 MultiIndex）都有一個 names 屬性，可以用來給索引層次命名，以便索引和增加直觀性。對 names 屬性的操作可以直接通過 obj.index.names=[] 的形式來實現。