文章目录
简介
Pandas 是 Python 的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。Pandas 的目标是成为 Python 数据分析实践与实战的必备高级工具，其长远目标是成为最强大、最灵活、可以支持任何语言的开源数据分析工具。经过多年不懈的努力，Pandas 离这个目标已经越来越近了。
使用
我们仅需要简单的通过import pandas as pd就可以使用pa 了。
In [2]: import pandas as pd
In [3]: df = pd.DataFrame()
In [4]: df
Out[4]:
Empty DataFrame
Columns: []
Index: []
数据结构
| 名称 | 维数 | 描述 |
|---|---|---|
| Series | 1 | 带标签的一维同构数组 |
| DataFrame | 2 | 带标签的，大小可变的，二维异构表格 |
-
Series
Series是一维标记的数组，它包含了一个值序列和数据标签(index)。 -
DataFrame
DataFrame表示的是矩阵的数据表，它包含已排序的列集合，每一列可以是不同的值类型。DataFrame既有行索引也有列索引，它可以被视为一个共享索引的Series的字典。
基础操作
Series
我们可以通过数组，就可以简单的创建Series：
In [3]: a = pd.Series([5,-3,7,1.4])
In [4]: a
Out[4]:
0 5.0
1 -3.0
2 7.0
3 1.4
dtype: float64
以上面的代码为例，可以看到Series的字符串格式是左边是索引（index），右边是值（values）。我们可以通过Series的values和index属性
In [5]: a.index
Out[5]: RangeIndex(start=0, stop=4, step=1)
In [6]: a.values
Out[6]: array([ 5. , -3. , 7. , 1.4])
如果我们不想使用默认索引，也可以自己定义。下面的代码就自定义了索引。
In [8]: a = pd.Series([5,-3,7,1.4],index = ['a','b','c','d'])
In [9]: a
Out[9]:
a 5.0
b -3.0
c 7.0
d 1.4
dtype: float64
和numpy一样，我们可以使用索引来对Series进行访问和修改。
# 单个索引
In [14]: a['a']
Out[14]: 5.0
#数组批量索引
In [15]: a[['a','c']]
Out[15]:
a 5.0
c 7.0
dtype: float64
# 修改
In [16]: a[['a','c']] = 5,9
In [17]: a
Out[17]:
a 5.0
b -3.0
c 9.0
d 1.4
dtype: float64
除此之外，我们还可以使用类似numpy的mask来进行访问，以及和numpy一样，pandas的四则运算是批量操作的，免去了for循环。
# 使用mask来进行筛选
In [19]: a[a>2]
Out[19]:
a 5.0
c 9.0
dtype: float64
# 四则运算是作用在每一个元素上的
In [20]: a*2
Out[20]:
a 10.0
b -6.0
c 18.0
d 2.8
dtype: float64
如果数据被存放在字典中，那么我们可以直接通过字典来创建Series。
In [28]: dic = {'a':1,'b':5,'asd':-5,'c':7}
In [29]: pd.Series(dic)
Out[29]:
a 1
b 5
asd -5
c 7
dtype: int64
由于字典中的数据是无序的，因此传入Series时想要按照规定的顺序的话，可以自定义索引，当然如果给出的索引不在字典的key中的缺失值则会以Nan(not a number)补充。
In [31]:a = pd.Series(dic,index= ['a','b','c','d'])
In [32]:a
Out[32]:
a 1.0
b 5.0
c 7.0
d NaN
dtype: float64
# 对于确实值的判断可以使用函数isnull和notnull来判断。
In [38]: a.isnull()
Out[38]:
a False
b False
c False
d True
dtype: bool
In [39]: a.notnull()
Out[39]:
a True
b True
c True
d False
dtype: bool
对于Series而言，最重要的一个功能是可以根据运算的索引标签自动对齐数据。什么意思呢？比如，对于Series,A和B的索引分别为['a','b','c']，['b','c','d']。则对A，B进行运算操作时，会自动按照索引对其。这有点类似数据库中的join操作。
In [4]: A = pd.Series([1,5,-7], index = ['a','b','c'])
In [5]: B = pd.Series([2,5,-2], index = ['b','c','d'])
In [6]: A+B
Out[6]:
a NaN
b 7.0
c -2.0
d NaN
dtype: float64
Series对象本身及其索引都有一个name属性，这个功能在后续中还会提到。
In [13]: a = pd.Series([1,-2,4])
In [14]: a.name = 'num'
In [15]: a.index.name = 'ind'
In [16]: a
Out[16]:
ind
0 1
1 -2
2 4
Name: num, dtype: int64
如果你想修改索引，可以通过赋值的方式，就像这样,由于修改了索引，所以索引名同时也不存在了。
In [17]: a.index = ['a','b','c']
In [18]: a
Out[18]:
a 1
b -2
c 4
Name: num, dtype: int64
DataFrame
DataFrame是一个表格形式的数据结构，你可以将它理解为由不同Series组成的共用同一个索引的字典。
我们可以通过一下几种方法来建立DataFrame:
# 传入一个由等长列表或numpy数组
In [6]: dic = {'name':['zhao','qian','sun'],
...: 'old':[20,18,19],
...: 'sex':['male','female','male']}
In [7]: df = pd.DataFrame(dic)
In [8]: df
Out[8]:
name old sex
0 zhao 20 male
1 qian 18 female
2 sun 19 male
# 嵌套字典方式创建，空缺部分以NaN替代
In [52]: dic = {'name':{1:'zhang',2:'li'},'age':{1:24,2:23,0:19}}
In [53]: pd.DataFrame(dic)
Out[53]:
name age
1 zhang 24
2 li 23
0 NaN 19
如果Dataframe中的数据过大，我们不想全部显示，只想查看一些数据格式，这时候可以使用head和tail来显示前五行和后五行数据（这里的df只有三行）
In [12]: df.head()
Out[12]:
name old sex
0 zhao 20 male
1 qian 18 female
2 sun 19 male
In [13]: df.tail()
Out[13]:
name old sex
0 zhao 20 male
1 qian 18 female
2 sun 19 male
通过字典去创建Dataframe时，我们也可以以指定的列进行排列(未找到相应字典key则会以NaN替代 )，也可以像Series那样自定义索引；
In [16]: pd.DataFrame(dic,columns = ['old','name','sex','time'],index = np.arang
...: e(1,4))
Out[16]:
old name sex time
1 20 zhao male NaN
2 18 qian female NaN
3 19 sun male NaN
- 读取列
类似于字典或属性的方式，我们可以读取DataFrame中的一列或几列。
In [17]: df['name']
Out[17]:
0 zhao
1 qian
2 sun
Name: name, dtype: object
In [18]: df.sex
Out[18]:
0 male
1 female
2 male
Name: sex, dtype: object
In [19]: df[['name','sex']]
Out[19]:
name sex
0 zhao male
1 qian female
2 sun male
- 读取行
对于行，可以使用loc属性来进行读取。
In [26]: df.loc[1]
Out[26]:
name qian
old 18
sex female
Name: 1, dtype: object
既然能够去读到DataFrame中的数据，相应的我们也能够加以修改。
In [31]: df['old'] = [22,19,17]
In [32]: df.sex = pd.Series(['male','male','male'])
In [33]: df.loc[1] = ['li',14,'femal']
In [34]: df
Out[34]:
name old sex
0 zhao 22 male
1 li 14 femal
2 sun 17 male
如果我们想修改、插入、删除一行或一列元素时，该怎么做呢？
se = pd.Series(['asd','asw','df'])
# 添加一行
In [37]: df.append(se,ignore_index=True)
Out[37]:
name old sex 0 1 2
0 zhao 22.0 male NaN NaN NaN
1 li 14.0 femal NaN NaN NaN
2 sun 17.0 male NaN NaN NaN
3 NaN NaN NaN asd asw df
# 添加一行
In [38]: se.name = 3
In [39]: df.append(se)
Out[39]:
name old sex 0 1 2
0 zhao 22.0 male NaN NaN NaN
1 li 14.0 femal NaN NaN NaN
2 sun 17.0 male NaN NaN NaN
3 NaN NaN NaN asd asw df
# 添加一列，注意不能用df.test创建列
In [40]: df['test']=se
In [41]: df
Out[41]:
name old sex test
0 zhao 22 male as
1 li 14 femal asw
2 sun 17 male df
# 指定位置修改
In [42]: df['old']=pd.Series([10,24],index = [2,1])
In [43]: df
Out[43]:
name old sex test
0 zhao NaN male as
1 li 24.0 femal asw
2 sun 10.0 male df
# 删除一行元素
In [50]: del df['test']
In [51]: df
Out[51]:
name old sex
0 zhao NaN male
1 li 24.0 femal
2 sun 10.0 male
&emsp我们也可以使用类似于numpy数组的方法，来对DataFrame进行转置；
In [55]: df.T
Out[55]:
0 1 2
name zhao li sun
old NaN 24 10
sex male femal male
如果设置了DataFrame的index和cloumns的name属性，则这些信息也会被显示出来：
In [57]: df
Out[57]:
name old sex
0 zhao NaN male
1 li 24.0 femal
2 sun 10.0 male
# 设置行和列的名称
In [58]: df.index.name = 'num'
In [59]: df.columns.name = 'state'
In [60]: df
Out[60]:
state name old sex
num
0 zhao NaN male
1 li 24.0 femal
2 sun 10.0 male
我们可以通过下面的方法来得到Dataframe的行，列标签以及值。
# 列
In [64]: df.index
Out[64]: RangeIndex(start=0, stop=3, step=1, name='num')
# 行
In [65]: df.columns
Out[65]: Index(['name', 'old', 'sex'], dtype='object', name='state')
# 值
In [66]: df.values
Out[66]:
array([['zhao', nan, 'male'],
['li', 24.0, 'femal'],
['sun', 10.0, 'male']], dtype=object)
# 可以通过labels来判断标签
值得注意的是，与python的集合不同，pandasd的Index可以包含重复的标签。
# 将DateFrame的index设置为相同
In [70]: df.index = [0,0,0]
In [71]: df
Out[71]:
state name old sex
0 zhao NaN male
0 li 24.0 femal
0 sun 10.0 male
基本功能
reindex 重建索引
- Series
pd.Series.reindex(self, index=None, **kwargs)
| 属性 | 含义 |
|---|---|
| index | 数组类型的新索引，基于原Series，没有的地方以NaN填充。 |
| method | 用于递增或递减索引填充空缺值{None（不填充空缺）, backfill/bfill（依据下一个填充上一个空缺）, pad/ffill（依据上一个值填充下一个空缺）, nearest（使用最近的值去填充空缺且索引仅支持数字）} |
| copy | 默认为True即使传递的索引相同，也返回一个新对象。False时相当于返回的是原对象的视图。 |
| level | 在一个级别上广播，在传递的MultiIndex级别上匹配索引值。 |
| fill_value | 用于缺失值的值。默认为NaN，但可以是任何“兼容”值。 |
| limit | 限制最大填充数量。（选择后的最大值） |
In [9]: s =pd.Series([2,7,3,-2])
# 使用index是在原Series上修改
In [10]: s.index = [1,2,3,4]
In [11]: s
Out[11]:
1 2
2 7
3 3
4 -2
dtype: int64
# reindex则是创建一个新索引的新对象
# 其中不存在的，则以NaN替代
In [12]: s.reindex([1,2,3,'a'])
Out[12]:
1 2.0
2 7.0
3 3.0
a NaN
dtype: float64
我们可以使用fill_value默认值去填充空缺值，也可以使用method去参照上下存在的值进行填充空缺部分。
In [6]: a = pd.Series([ 1, 5, 8, 4, -2, 3, 7, 9, -4],
...: index =['a','b','c','d','e','f','g','h','i'])
# 以设置的值去填充空缺值
In [7]: a.reindex(index = ['a','e','r','d'],fill_value = 0)
Out[7]:
a 1
e -2
r 0
d 4
dtype: int64
# 依据上一个值填充下一个空缺值
In [8]: a.reindex(index = ['a','y','z','r','d'],method = 'ffill')
Out[8]:
a 1
y -4
z -4
r -4
d 4
dtype: int64
诶？ 为什么用ffill填充的结果不是1而是-4呢？请记住填充参数method依据的是用于递增或递减索引填充空缺值对于原Series中是顺序递增的，因此，y,z,r的上一个有效值应该是i即-4。现在让我们看一下正确的使用方式：
In [4]: a = pd.Series([1,5,8,4],index = ['a','e','f','g'])
In [5]: b = pd.Series([1,5,8,4],index = [0,4,5,6])
# 使用ffill模式，依据上一个有效值填充下一个空缺值
In [6]: a.reindex(index = ['a','b','c','e','f'],method = 'ffill')
Out[6]:
a 1
b 1
c 1
e 5
f 8
dtype: int64
# 使用bfill模式，依据下一个有效值回填上一个空缺值
In [7]: a.reindex(index = ['a','b','c','e','f'],method = 'bfill')
Out[7]:
a 1
b 5
c 5
e 5
f 8
dtype: int64
# 使用nearest模式，依据最近的有效值去填充空缺值，
# 当空缺值举例两边举例相同时选择依据bfill填充。如下索引2
In [8]: b.reindex(index = [0,1,2,3,4,5],method = 'nearest')
Out[8]:
0 1
1 1
2 5
3 5
4 5
5 8
dtype: int64
#使用limit限制最大填充数量。
In [8]: b.reindex(index = [0,1,2,3,4,5],method ='nearest',limit=1)
Out[8]:
0 1
1 1
2 NaN
3 5
4 5
5 8
dtype: int64
对于copy，默认的是True返回的是一个原Series的一个副本对象（即使传递的索引相同，也返回一个新对象）。False时相当于返回的是原对象的视图。因此对于copy = True的返回值进行修改时，并不会导致原数据发生变化，但对于copy = True进行修改时则会导致原数据也发生变化。
In [15]: a = pd.Series([5,1,-7,3])
In [16]: copy_true = a.reindex(np.arange(1,5),copy = True)
In [17]: copy_false = a.reindex(np.arange(1,5),copy = False)
# 修改copy_true可以发现原数据不改变
In [18]: copy_true[2] = 999
In [19]: copy_true
Out[19]:
1 1.0
2 999.0
3 3.0
4 NaN
dtype: float64
In [20]: a
Out[20]:
0 5
1 1
2 -7
3 3
dtype: int64
#修改copy_false可以发现原数据改变
In [21]: copy_false[2] = 999
In [22]: copy_false
Out[22]:
1 1.0
2 999.0
3 3.0
4 NaN
dtype: float64
In [23]: a
Out[23]:
0 5
1 1
2 -7
3 3
dtype: int64
- DataFrame
pd.DataFrame.reindex(
self,
labels=None,
index=None,
columns=None,
axis=None,
method=None,
copy=True,
level=None,
fill_value=nan,
limit=None,
tolerance=None,
)
下面是参数说明，其中与Series类似的，在下表就不过多赘述。
| 参数 | 说明 |
|---|---|
| labels | 新标签/索引使axis指定的轴与之一致。 |
| axis | 指定索引的作用域，可以是轴名称（index，columns）或数字（0、1）。 |
与Series类似，在遇到没有的值时，会默认以NaN替换，当然也可以使用filll_value进行填充。
In [12]: df = pd.DataFrame(np.arange(9).reshape(3,3),
...: index = ['a','b','c'],
...: columns = ['A','B','C'])
# 原对象
In [13]: df
Out[13]:
A B C
a 0 1 2
b 3 4 5
c 6 7 8
# 对空缺值默认填充NaN
In [14]: df.reindex(index=['b','e'],columns=['A','C','D'])
Out[14]:
A C D
b 3.0 5.0 NaN
e NaN NaN NaN
# 对于空缺值填充设置的值
In [15]: df.reindex(index=['b','e'],columns=['A','C','D'],fill_value = -1)
Out[15]:
A C D
b 3 5 -1
e -1 -1 -1
同样也可以只用method来实现之填充。
# 使用ffill填充。bfill和nearest类似不赘述
In [16]: df.reindex(index=['b','e'],columns=['A','C','D'],method='ffill')
Out[16]:
A C D
b 3 5 5
e 6 8 8
这里说明的是limit限制的最大值，是基于reindex重建索引后的数据的距离。
In [21]: df.reindex(index=['a','b','c','d','e'],
columns=['A','B','C','D'],
...: method='ffill',limit = 1)
Out[21]:
A B C D
a 0.0 1.0 2.0 2.0
b 3.0 4.0 5.0 5.0
c 6.0 7.0 8.0 8.0
d 6.0 7.0 8.0 8.0
e NaN NaN NaN NaN
In [22]: df.reindex(index=['b','e'],
columns=['A','C','D'],
method='ffill',limit=1)
Out[22]:
A C D
b 3 5 5
e 6 8 8
通过axis，我们可以指定前一段数组的作用域。
In [24]: df
Out[24]:
A B C
a 0 1 2
b 3 4 5
c 6 7 8
# 由于默认是index，所以会在行索引查找不到A
In [25]: df.reindex(['A'])
Out[25]:
A B C
A NaN NaN NaN
# 通过axis='columns'或者axis='1'来确定作用域为列索引
In [26]: df.reindex(['A'],axis = 1)
Out[26]:
A
a 0
b 3
c 6
loc和iloc标签索引和位置索引
- loc
与reindex类似的是我们也可以使用标签索引。不同的是loc相当于原对象的视图。标签索引有点像numpy中的mask。标签缩影范围是双闭区间，Python中的索引是左闭右开。其可传入的标签类型有以下几种；
| 类型 | 解释 |
|---|---|
| 单标签 | 例如2或a这里的2不是索引值，而是数字标签(代码中将会区分这两种区别) |
| 列表或数组 | 由标签构成的数组或列表，例如['a','c','d'] |
| 切片 | 带有标签的切片对象，例如['a':'f'] |
Series
In [28]: a = pd.Series([5,8,6,-7,3],index = ['a','b','c','d','e'])
In [29]: b = pd.Series([5,8,6,-7,3],index = range(0,5))
# 通过数值索引来取值左闭右开
In [30]: b[:3]
Out[30]:
0 5
1 8
2 6
dtype: int64
# 通过标签索引来取值，这里的数字其实是数字类型的标签
# 和数值索引的数字不是一个东西。标签索引双闭。
In [31]: b.loc[:3]
Out[31]:
0 5
1 8
2 6
3 -7
dtype: int64
# 单标签索引
In [32]: b.loc[3]
Out[32]: -7
In [33]: a.loc['c']
Out[33]: 6
# 标签构成的数组，索引
In [35]: a.loc[['c','b','d']]
Out[35]:
c 6
b 8
d -7
dtype: int64
In [36]: b.loc[[1,4,2]]
Out[36]:
1 8
4 3
2 6
dtype: int64
# 切片
In [37]: a.loc[:'d']
Out[37]:
a 5
b 8
c 6
d -7
dtype: int64
In [38]: b.loc[:4]
Out[38]:
0 5
1 8
2 6
3 -7
4 3
dtype: int64
DataFrame
In [10]: df = pd.DataFrame(np.arange(12).reshape(4,3),
...: index=['a','b','c','d'],
...: columns=['A','B','C'])
# 单标签索引，注意单标签索引会将行作为Series
In [11]: df.loc['a']
Out[11]:
A 0
B 1
C 2
Name: a, dtype: int32
# 可以使用[[]]来将其作为DataFrame
In [12]: df.loc[['a']]
Out[12]:
A B C
a 0 1 2
# 分别为index和columns标签，以确定一个值
In [13]: df.loc['a','A']
Out[13]: 0
# 也可以组合使用
In [14]: df.loc['a':'c','A']
Out[14]:
a 0
b 3
c 6
Name: A, dtype: int32
# 按行选取
In [15]: df.loc[[True,False,True]]
Out[15]:
A B C
a 0 1 2
c 6 7 8
# 获取一列
In [22]: df.loc[:,'A']
Out[22]:
a 0
b 3
c 6
d 9
- iloc
iloc是纯粹由数字构成的位置索引。下面让我们看一下iloc允许的输入类型。
| 类型 | 说明 |
|---|---|
| 单整型 | 例如5 |
| 数组或列表 | 例如[4,3,0] |
| 切片 | 例如1:7 |
In [4]: se = pd.Series([3,1,-5,7])
In [5]: df = pd.DataFrame(np.arange(12).reshape(4,3),
...: index=['a','b','c','d'],
...: columns=['A','B','C'])
iloc,对于一维Series可以传入单数值或者通过列表传入多个值，对于二维的DataFrame可以传入两个单值或者通过列表传入多个值。
# 单数值对于Series只显示一个值
In [6]: se.iloc[0]
Out[6]: 3
# 对于DataFrame则以Series显示一行
In [7]: df.iloc[0]
Out[7]:
A 0
B 1
C 2
Name: a, dtype: int32
# 我们可以通过传出list类型以DataFrame形式显示
In [8]: df.iloc[[0]]
Out[8]:
A B C
a 0 1 2
# 这里值得注意的是，如果直接传入两个数值，
# 其含义分别是横纵座标的位置
In [9]: df.iloc[0,1]
Out[9]: 1
# 同样的，我们可以在每一维度上传入list以DataFrame 形式显示
In [10]: df.iloc[[0],[1]]
Out[10]:
B
a 1
# 所以对于Series 这种一维序列就会报错
se.iloc[0,1]
IndexingError: Too many indexers
# 如果我们想在某一维度上获取更多的值，
# 可以以列表的形式占用一个位置，传多个值
In [12]: se.iloc[[0,1]]
Out[12]:
0 3
1 1
dtype: int64
In [13]: df.iloc[[0,1]]
Out[13]:
A B C
a 0 1 2
b 3 4 5
下面代码是关于通过切片
In [14]: se.iloc[:2]
Out[14]:
0 3
1 1
dtype: int64
# 对于DataFrame，可以对每一维度进行切片
In [15]: df.iloc[:2,1:]
Out[15]:
B C
a 1 2
b 4 5
通过布尔类型的mask来进行索引。(注意长度要匹配)
In [20]: se.iloc[[True,False,True,False]]
Out[20]:
0 3
2 -5
dtype: int64
In [21]: df.iloc[[True,True,False,False],[False,False,True]]
Out[21]:
C
a 2
b 5
我们也可以使用lambda函数，默认将Series和DataFrame传入。
In [22]: se.iloc[lambda se:se.index%2==0]
Out[22]:
0 3
2 -5
dtype: int64
In [23]: df.iloc[:,lambda df:[1,2]]
Out[23]:
B C
a 1 2
b 4 5
c 7 8
d 10 11
drop 轴向上删除
我们可以使用drop来实现对某轴向上依据标签进行删除。
- Series
In [10]: se
Out[10]:
a 5
b 7
c -3
d -6
dtype: int64
# 删除单个元素
In [11]: se.drop('a')
Out[11]:
b 7
c -3
d -6
dtype: int64
# 删除多个元素
In [12]: se.drop(['a','c'])
Out[12]:
b 7
d -6
dtype: int64
# drop返回的是原对象的副本，其并不会作用在原函数上
In [13]: se
Out[13]:
a 5
b 7
c -3
d -6
dtype: int64
# 默认inplace=False，我们可以通过修改
# inplace来实现在原函数上删除True时不返
In [14]: se.drop(['a','c'],inplace = True)
In [15]: se
Out[15]:
b 7
d -6
dtype: int64
- DataFrame
In [20]: df
Out[20]:
A B C
0 0 1 2
1 3 4 5
2 6 7 8
3 9 10 11
# 删除多个列
In [21]: df.drop(['A','B'],axis=1)
Out[21]:
C
0 2
1 5
2 8
3 11
# 删除多个行
In [22]: df.drop([1,3])
Out[22]:
A B C
0 0 1 2
2 6 7 8
# 删除单个行
In [23]: df.drop(1)
Out[23]:
A B C
0 0 1 2
2 6 7 8
3 9 10 11
# 删除单个列
In [24]: df.drop('A',axis =1)
Out[24]:
B C
0 1 2
1 4 5
2 7 8
3 10 11
In [25]: df.drop('A',axis ='columns')
Out[25]:
B C
0 1 2
1 4 5
2 7 8
3 10 11
索引、选择与过滤
- Series
通过标签切片是双闭的，两边都能取到使用单值或序列，可以从Series中索引出一个或多个值
In [28]: se
Out[28]:
a 5
b 1
c 7
d -6
# 切片索引左闭右开
In [29]: se[1:3]
Out[29]:
b 1
c 7
# 标签索引双闭
In [30]: se['a':'c']
Out[30]:
a 5
b 1
c 7
# 通过数值索引，当然为负值时也是可以的
In [31]: se[1]
Out[31]: 1
In [32]: se[[1,3]]
Out[32]:
b 1
d -6
# 通过标签索引
In [33]: se['a']
Out[33]: 5
In [34]: se[['a','c']]
Out[34]:
a 5
c 7
# 如果对齐修改，是可以作用到原对象的
In [36]: se[[1,3]] = 5
In [37]: se
Out[37]:
a 5
b 5
c 7
d 5
# 也可以使用布尔值索引
In [38]: se[se==7]
Out[38]:
c 7
- DataFrame
| 类型 | 描述 |
|---|---|
| df[val] | 从DataFrame中选择单列或列序列；特殊情况：布尔数组（过滤行），切片（切片行）或布尔值DataFrame |
| df.loc[cal] | 根据标签选择DataFrame的单行或多行 |
| df.loc[:,val] | 根据标签选择单列或多列 |
| def.loc[val1,val2] | 根据标签选择单个值 |
| def.iloc[where] | 根据整数位置选择单行或多行 |
| df.iloc[:,where] | 根据整数位置选择单列或多列 |
| df.iloc[where_i,where_j] | 根据整数位置选择单个值 |
df.at[label_i,label_j]根据行列标签选择单个值
df.iat[i,j]|根据行列整数位置选择单个值
reindex方法|通过标签选择行或列
get_value,set_value方法|根据行和列标签设置单个值
使用单值或序列，可以从DataFrame中索引出一个或多个列。
In [50]: df
Out[50]:
A B C
0 0 1 2
1 3 4 5
2 6 7 8
3 9 10 11
# 使用单值
In [51]: df['A']
Out[51]:
0 0
1 3
2 6
3 9
Name: A, dtype: int32
# DataFrame是不接受列切片的
In [52]: df[['A':'B']]
SyntaxError: invalid syntax
# 使用序列索引
In [53]: df[['A','B']]
Out[53]:
A B
0 0 1
1 3 4
2 6 7
3 9 10
如果我们想获取DataFrame中的某一行，怎么办呢？下面代码将讲述这些。
# 使用数值切片，注意单数值是可以以的，会当作列标签
In [62]: df[:2]
Out[62]:
A B C
0 0 1 2
1 3 4 5
# 使用布尔值也是可以的
In [63]: df[df['A']>2]
Out[63]:
A B C
1 3 4 5
2 6 7 8
3 9 10 11
除了上述的方法，我们也可以通过iloc和loc来进行索引，这里可以参见上文关于iloc和loc的综合介绍，这里不再赘述。
含有重复标签的轴索引
对于Series和DataFrame由于并不强制标签值唯一，因此可以通过索引的is_unique属性来判别标签的唯一性。
In [33]: se = pd.Series([2,4,-1,8],index=['a','a','b','c'])
In [34]: df = pd.DataFrame(np.arange(9).reshape(3,3),index=['a','b','a'])
# 判断索引标签的唯一性
In [35]: se.index.is_unique
Out[35]: False
In [36]: df.index.is_unique
Out[36]: False
In [35]: se['a']
Out[35]:
a 2
a 4
In [42]: df.loc['a']
Out[42]:
0 1 2
a 0 1 2
a 6 7 8
算术操作
- 同对象操作
正如上文提到的，当你将两个对象相加时，返回的结果将是索引对的并集，这有点像数据库中的外连接。
In [3]: se_a = pd.Series([9,-1,3,4],index=['a','c','e','f'])
In [4]: se_b = pd.Series([8,4,6,-7],index=['a','b','c','d'])
In [5]: df_a = pd.DataFrame(np.arange(6).reshape(2,3),
columns=['A','C','D'])
In [6]: df_b = pd.DataFrame(np.arange(6).reshape(2,3),
columns=['A','B','C'])
在进行运算时，会自动对齐到相应的标签上。不存在的地方以NaN替代。
In [7]: se_a+se_b
Out[7]:
a 17.0
b NaN
c 5.0
d NaN
e NaN
f NaN
dtype: float64
In [8]: df_a+df_b
Out[8]:
A B C D
0 0 NaN 3 NaN
1 6 NaN 9 NaN
因为NaN会传播，所以有时候我不希望它存在，想在运算时对不存在的数据进行赋值填充，这时候我们可以通过对应的方法来进行操作。其中每个方法都有一个对应的以r开头的副本，这些副本参数的方法是反转的。例如a.div(b)和b.rdiv(a)是等价的。
| 方法 | 操作 |
|---|---|
| add/radd | 加法（+） |
| sub/rsub | 减法（-） |
| div/rdiv | 除法（/） |
| floordiv/rfloordiv | 整除（//） |
| mul/rmul | 乘法（*） |
| pow/rpow | 幂次方（**） |
# 填充空缺值
In [10]: df_a.add(df_b,fill_value=10)
Out[10]:
A B C D
0 0 11.0 3 12.0
1 6 14.0 9 15.0
# div和rdiv
In [11]: 1/df_a
Out[11]:
A C D
0 inf 1.00 0.5
1 0.333333 0.25 0.2
In [12]: df_a.rdiv(1)
Out[12]:
A C D
0 inf 1.00 0.5
1 0.333333 0.25 0.2
Series和DataFrame间操作
Series和DataFrame之间的算术操作与numpy不同维度数组间的操作类似，numpy在操作时会对买一行进行广播运算。
In [13]: arr_a = np.arange(6).reshape(3,2)
In [14]: arr_b = np.array([2,5])
# 广播运算
In [15]: arr_a-arr_b
Out[15]:
array([[-2, -4],
[ 0, -2],
[ 2, 0]])
类似的Series和DataFrame之间的算术操作是对Series进行行广播。
In [19]: se = pd.Series([5,7,1],index=['A','B','C'])
In [20]: df = pd.DataFrame(np.arange(9).reshape(3,3),
columns=['A','B','C'])
In [21]: df-se
Out[21]:
A B C
0 -5 -6 1
1 -2 -3 4
2 1 0 7
# 如果Series中存在DataFrame中不存在的标签，
# 则对象会重建索引并形成联合
In [22]: se_1 = pd.Series([5,7,1,2],
index=['A','B','C','D'])
In [23]: df-se_1
Out[23]:
A B C D
0 -5 -6 1 NaN
1 -2 -3 4 NaN
2 1 0 7 NaN
如果想进行列匹配，则必须用算术方法
In [29]: se_2 = df['A']
In [30]: se_2
Out[30]:
0 0
1 3
2 6
Name: A, dtype: int32
In [31]: df.sub(se_2,axis='index')
Out[31]:
A B C
0 0 1 2
1 0 1 2
2 0 1 2
函数应用和映射
- numpy函数
numpy的通用函数（逐元素数组方法）对pandas对象也是有效果的。
In [3]: df = pd.DataFrame(np.random.randn(4,3),
...: index=['a','b','c','d'],
...: columns=['A','B','C'])
In [4]: df
Out[4]:
A B C
a -0.584069 0.114854 -2.415498
b -0.550652 0.395374 -1.372510
c -0.315824 0.258919 -0.056640
d 0.036870 -0.445996 1.435676
In [5]: np.abs(df)
Out[5]:
A B C
a 0.584069 0.114854 2.415498
b 0.550652 0.395374 1.372510
c 0.315824 0.258919 0.056640
d 0.036870 0.445996 1.435676
- apply
沿DataFrame的轴应用功能。
| 参数 | 说明 |
|---|---|
| func | 应用于每个列或行的函数。 |
| axis | 确定该函数应用于行还是列（默认0/index作用于行，当为1/columns时作用于列） |
| raw | 默认为False，将每一行或列作为一个Series传入函数中，True时，将以ndarray形式传入。 |
| result_type | ‘expend’：列表状的结果将变成columns。'reduce'如果可能，返回一个Series，而不是扩展类似列表的结果。这与“expend”相反。'broadcast'结果将广播到DataFrame的原始形状，原始索引和列将保留。None默认行为取决于所应用函数的返回值：类似于列表的结果将作为Series结果返回。但是，如果apply函数返回Series，则将它们扩展为列。 |
In [28]: df
Out[28]:
A B
a 2 -5
b 2 -5
c 2 -5
# 默认对每行元素求和
In [29]: df.apply(np.sum)
Out[29]:
A 6
B -15
dtype: int64
# 对每列元素求和
In [30]: df.apply(np.sum,axis=1)
Out[30]:
a -3
b -3
c -3
dtype: int64
# result_type='None'
# 类似于列表的结果将作为Series结果返回
In [31]: df.apply(lambda x:[1,2])
Out[31]:
A [1, 2]
B [1, 2]
# result_type='expand'
# 将类似于列表的结果，扩展为Series，
# 值得注意的是拓展后的索引被改变了
In [32]: df.apply(lambda x:[1,2],result_type='expand')
Out[32]:
A B
0 1 1
1 2 2
In [33]: df.apply(lambda x:[1,2],axis=1,result_type='expand')
Out[33]:
0 1
a 1 2
b 1 2
c 1 2
# result_type='broadcast'
# 将结果在原型状下广播，如果是列表则需注意展
# 开后的形状是否匹配，标量则无需注意
In [34]: df.apply(lambda x:[1,2],result_type='broadcast')
ValueError: cannot broadcast result
# 对于[1,2]是能够在axis=1上不影响形状展开的
In [35]: df.apply(lambda x：[1,2],result_type='broadcast',axis=1)
Out[36]:
A B
a 1 2
b 1 2
c 1 2
# 对于标量则不需要担心展开后形状的问题
In [37]: df.apply(lambda x:1,result_type='broadcast')
Out[37]:
A B
a 1 1
b 1 1
c 1 1
- 练习
1.求最大最小值
In [46]: df
Out[46]:
A B C
0 -0.364608 -0.925359 0.251871
1 1.308153 -0.983261 0.780449
2 -0.138446 -0.187765 -0.555508
3 0.358057 0.944677 -0.127748
In [47]: def f(x):
...: return pd.Series([x.max(),x.min()],index=['max','min'])
...:
In [48]: df.apply(f)
Out[48]:
A B C
max 1.308153 0.944677 0.780449
min -0.364608 -0.983261 -0.555508
2.对每个元素取小数点后两位
In [49]: df.applymap(lambda x:'%.2f' %x)
Out[49]:
A B C
0 -0.36 -0.93 0.25
1 1.31 -0.98 0.78
2 -0.14 -0.19 -0.56
3 0.36 0.94 -0.13
# applymap函数等价于Series函数中的map
In [50]: df['A'].map(lambda x:'{:.2f}'.format(x))
Out[50]:
0 -0.36
1 1.31
2 -0.14
3 0.36
Name: A, dtype: object
排序、排名
sort_index
如果想对行或列的索引进行字典型排序，需要使用sort_index方法。
pd.DataFrame.sort_index(
self,
axis=0,
level=None,
ascending=True,
inplace=False,
kind='quicksort',
na_position='last',
sort_remaining=True,
by=None,)
| 参数 | 说明 |
|---|---|
| axis | 直接排序的index或columns |
| level | int或level名，int或level名的列表，对指定索引级别的值进行排序 |
| ascending | 升序与降序排序，默认顺序True |
| kind | 选择排序算法，有效值是quicksort,mergesort,heapsort,默认为quiclsort |
| na_position | NaN位置，默认last放置于最后，first放置于最前 |
| sort_remaining | 如果设置为True，对多级索引而言，其他级别的索引也会相应的进行排序。 |
In [6]: df
Out[6]:
C A D B
b 0 1 2 3
a 4 5 6 7
In [7]: df.sort_index()
Out[7]:
C A D B
a 4 5 6 7
b 0 1 2 3
In [8]: df.sort_index(axis=1)
Out[8]:
A B C D
b 1 3 0 2
a 5 7 4 6
sort_values
如果想对Series的值进行排序则需要使用sort_values方法。
pd.Series.sort_values(
self,
axis=0,
ascending=True,
inplace=False,
kind='quicksort',
na_position='last',)
| 参数 | 说明 |
|---|---|
| ascending | 默认为升序true |
| na_position | NaN位置，默认last放置于最后。first放置于最前 |
| kind | 选择排序算法，有效值是quicksort,mergesort,heapsort,默认为quiclsort |
| inplace | 默认False在副本操作并返回结果，为True，则就地执行操作 |
In [9]: se = pd.Series([4,7,-2,3])
# 排序 升序
In [10]: se.sort_values()
Out[10]:
2 -2
3 3
0 4
1 7
# 排序 降序
In [11]: se.sort_values(ascending=False)
Out[11]:
1 7
0 4
3 3
2 -2
对于DataFrame需要使用by来指定排序的Series，其他的并无区别。
In [18]: df.sort_values(by='a')
Out[18]:
a b c
2 -1 1 5
1 2 7 -7
0 2 3 4
3 6 8 2
In [19]: df.sort_values(by=['a','b'])
Out[19]:
a b c
2 -1 1 5
0 2 3 4
1 2 7 -7
3 6 8 2
rank
排序是指对数组从1到有效值数据点总数分配名次的操作。Series和DataFrame的rank方法是实现排名的方法。
pd.Series.rank(
self,
axis=0,
method='average',
numeric_only=None,
na_option='keep',
ascending=True,
pct=False,)
| 参数 | 说明 |
|---|---|
| method | average平均排名。min向低取排名。max向高取排名。first排列顺序以它们出现在数组中的顺序。dense类似于最小排名，但组间排名总增加1。 |
| numeric_only | 默认为None，仅包含float，int，boolean。 |
| na_option | keep保持NaN在原位置。top保持NaN在最高位。bottom保持NaN在最低位。 |
| ascending | 默认True升序，False为降序。 |
| pct | 当为True时，计算数据的百分比等级。 |
In [23]: se = pd.Series([7,-5,7,4,2,0,4])
# 默认是average
In [24]: se.rank()
Out[24]:
0 6.5
1 1.0
2 6.5
3 4.5
4 3.0
5 2.0
6 4.5
# 向下取排名
In [25]: se.rank(method='min')
Out[25]:
0 6.0
1 1.0
2 6.0
3 4.0
4 3.0
5 2.0
6 4.0
向上区排名
In [26]: se.rank(method='max')
Out[26]:
0 7.0
1 1.0
2 7.0
3 5.0
4 3.0
5 2.0
6 5.0
# 对于相同的排名则按索引顺序排列
In [27]: se.rank(method='first')
Out[27]:
0 6.0
1 1.0
2 7.0
3 4.0
4 3.0
5 2.0
6 5.0
# 向下取排名，与min不同的是dense不跳级
In [28]: se.rank(method='dense')
Out[28]:
0 5.0
1 1.0
2 5.0
3 4.0
4 3.0
5 2.0
6 4.0
# 百分比显示，可以与method结合
In [29]: se.rank(pct=True)
Out[29]:
0 0.928571
1 0.142857
2 0.928571
3 0.642857
4 0.428571
5 0.285714
6 0.642857
dtype: float64
归约、统计
归约
pandas中也配备了一些类似于numpy中的一些函数，与numpy数组中类似方法相比，他们内建了处理缺失值的功能。
| 参数 | 说明 |
|---|---|
| axis | 归约轴，0/index行 1/columns列 |
| skipna | 排除缺失值，默认为True |
| level | 如果轴是MultiIndex，则沿特定级别计数，并折叠为Series。 |
In [9]: df
Out[9]:
A B
a 1.40 NaN
b 7.10 -4.2
c NaN NaN
d 0.75 -1.3
In [10]: df.sum()
Out[10]:
A 9.25
B -5.50
dtype: float64
In [11]: df.sum(axis=1)
Out[11]:
a 1.40
b 2.90
c 0.00
d -0.55
dtype: float64
In [12]: df.mean(axis=1,skipna=False)
Out[12]:
a NaN
b 1.450
c NaN
d -0.275
dtype: float64
统计
下面是一些常用的统计方法
| 方法 | 说明 |
|---|---|
| count | 非Na值的个数 |
| describe | 计算Series或DataFrame各列的汇总统计集合 |
| min,max | 计算最大最小值 |
| argmin,argmax | 分别计算最大最小值所在的索引位置(整数) |
| idxmin,idxmax | 分别计算最大最小值所在的索引标签 |
| quantile | 计算样本从0到1间的分位数 |
| sum | 加和 |
| mean | 均值 |
| media | 中位数（50%分位数） |
| mad | 平均值的平均绝对偏差 |
| prod | 所有值的积 |
| var | 值的样本方差 |
| std | 值的样本标准差 |
| skew | 样本偏度（第三刻度）值 |
| kurt | 样本峰度（第四刻度）的值 |
| cumsum | 累计值 |
| cummin,cummax | 累计值的最大值或最小值 |
| cumprod | 值的累计积 |
| diff | 计算第一个算术差值（对时间序列有用） |
| pct_change | 计算百分比 |
相关性和协方差
唯一值、计数和成员属性
对于一维的Series，可能会有很多重复的值，我们可以通过方法unique得到唯一的值，value_counts进行值频统计。
In [46]: se = pd.Series(['c','a','d','a','a','b','b','c','c'])
# 统计无重复值
In [47]: se.unique()
Out[47]: array(['c', 'a', 'd', 'b'], dtype=object)
# 统计词频
In [48]: se.value_counts()
Out[48]:
a 3
c 3
b 2
d 1
# 若不想排序这样也可以
In [49]: se.value_counts(sort=False)
Out[49]:
d 1
c 3
a 3
b 2
我们可以通过isin函数来过滤掉不想要的值。
In [50]: se.isin(['a','b'])
Out[50]:
0 False
1 True
2 False
3 True
4 True
5 True
6 True
7 False
8 False
dtype: bool
In [51]: mask =se.isin(['a','b'])
In [52]: se[mask]
Out[52]:
1 a
3 a
4 a
5 b
6 b
dtype: object
与isin相关的Index.get_indexer方法，可以提供一个索引数组，这个索引数组可以将可能非唯一值数组转化为另一个唯一值数组。index.get_indexer的作用是在已知的索引作为另一个Series的值所对应的索引，若无对应则返回-1。
In [60]: index=pd.Index(['a','b','c'])
In [61]: index.get_indexer(se)
Out[61]: array([ 2, 0, -1, 0, 0, 1, 1, 2, 2], dtype=int32)
如果想统计整个DataFrame中每一列重复值的频率，可以将pd.value_counts传入DataFrame的apply函数。
In [70]: df
Out[70]:
A B C
0 1 2 1
1 3 3 5
2 4 1 2
3 3 2 4
4 4 3 4
In [71]: df.apply(pd.value_counts)
Out[71]:
A B C
1 1.0 1.0 1.0
2 NaN 2.0 1.0
3 2.0 2.0 NaN
4 2.0 NaN 2.0
5 NaN NaN 1.0
In [72]: df.apply(pd.value_counts).fillna(0)
Out[72]:
A B C
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
