Python数据处理——Pandas模块使用（一）

╰半夏微凉° 2022-05-25 03:53 293阅读 0赞

## 一、Pandas介绍 ##

在处理实际的金融数据时，一个条数据通常包含了多种类型的数据，例如，股票的代码是字符串，收盘价是浮点型，而成交量是整型等。在C++中可以实现为一个给定结构体作为单元的容器，如向量（vector，C++中的特定数据结构）。在Python中，pandas包含了高级的数据结构Series和DataFrame，使得在Python中处理数据变得非常方便、快速和简单。pandas不同的版本之间存在一些不兼容性，为此，我们需要清楚使用的是哪一个版本的pandas。

## 二、Pandas数据结构介绍 ##

在pandas中有两类非常重要的数据结构，即序列Series和数据框DataFrame。Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式获取数据，还具有索引的自动对齐功能；DataFrame类似于numpy中的二维数组，同样可以通用numpy数组的函数和方法，而且还具有其他灵活应用，后续会介绍到。

### 1、Series的创建 ###

Series的创建主要有三种方式：

1）通过一维数组创建序列

import numpy as np
    import pandas as pd
    
    arr1 = np.arange(5)
    print(arr1)
    print(type(arr1))
    s1 = pd.Series(arr1)
    print(s1)
    print(type(s1))

![运行结果][70]  
2）通过字典的方式创建序列

import pandas as pd
    
    arr1 = {
       'a':10,'b':20,'c':30,'d':40,'e':50}
    print(arr1)
    print(type(arr1))
    s1 = pd.Series(arr1)
    print(s1)
    print(type(s1))

![运行结果][70 1]  
3）通过DataFrame中的某一行或某一列创建序列，具体见DataFrame创建。

### 2、DataFrame的创建 ###

数据框的创建主要有三种方式：

1）通过二维数组创建数据框

import numpy as np
    import pandas as pd
    
    arr1 = np.array(np.arange(12)).reshape(4, 3)
    print(arr1)
    print(type(arr1))
    df1 = pd.DataFrame(arr1)
    print(df1)
    print(type(df1))

![这里写图片描述][70 2]  
2）通过字典的方式创建数据框  
以下以两种字典来创建数据框，一个是字典列表，一个是嵌套字典。

import pandas as pd
    
    dic1 = {
       'a': [1, 2, 3, 4], 'b': [5, 6, 7, 8],
            'c': [9, 10, 11, 12], 'd': [13, 14, 15, 16]}
    print(dic1)
    print(type(dic1))
    df1 = pd.DataFrame(dic1)
    print(df1)
    print(type(df1))
    
    dic2 = {
       'one': {
       'a': 1, 'b': 2, 'c': 3, 'd': 4},
            'two': {
       'a': 5, 'b': 6, 'c': 7, 'd': 8},
            'three': {
       'a': 9, 'b': 10, 'c': 11, 'd': 12}}
    print(dic2)
    print(type(dic2))
    df2 = pd.DataFrame(dic2)
    print(df2)
    print(type(df2))

![这里写图片描述][70 3]  
3）通过数据框的方式创建数据框

df3=df2[['one','three']]
    print(df3)
    print(type(df3))
    s3 = df3['one']
    print(s3)
    print(type(s3))

![这里写图片描述][70 4]

## 三、数据索引index ##

细致的朋友可能会发现一个现象，不论是序列也好，还是数据框也好，对象的最左边总有一个非原始数据对象，这个是什么呢？不错，就是我们接下来要介绍的索引。  
在我看来，序列或数据框的索引有两大用处，一个是通过索引值或索引标签获取目标数据，另一个是通过索引，可以使序列或数据框的计算、操作实现自动化对齐，下面我们就来看看这两个功能的应用。

1、通过索引值或索引标签获取数据

如果不给序列一个指定的索引值，则序列自动生成一个从0开始的自增索引。可以通过index查看序列的索引：

s4.index  
现在我们为序列设定一个自定义的索引值：

s4 = pd.Series(np.array([1,1,2,3,5,8]))
    print(s4)
    # 输出
    # 0 1
    # 1 1
    # 2 2
    # 3 3
    # 4 5
    # 5 8
    # dtype: int32

序列有了索引，就可以通过索引值或索引标签进行数据的获取：

s4[3]
    s4['e']
    s4[[1,3,5]]
    s4[['a','b','d','f']]
    s4[:4]
    s4['c':]
    s4['b':'e']

千万注意：如果通过索引标签获取数据的话，末端标签所对应的值是可以返回的！在一维数组中，就无法通过索引标签获取数据，这也是序列不同于一维数组的一个方面。

2、自动化对齐  
如果有两个序列，需要对这两个序列进行算术运算，这时索引的存在就体现的它的价值了—自动化对齐.

s5 = pd.Series(np.array([10,15,20,30,55,80]),
                   index = ['a','b','c','d','e','f'])
    print(s5)
    # a 10
    # b 15
    # c 20
    # d 30
    # e 55
    # f 80
    # dtype: int32
    s6 = pd.Series(np.array([12,11,13,15,14,16]),
                   index = ['a','c','g','b','d','f'])
    print(s6)
    # a 12
    # c 11
    # g 13
    # b 15
    # d 14
    # f 16
    # dtype: int32
    
    print(s5 + s6)
    # a 22.0
    # b 30.0
    # c 31.0
    # d 44.0
    # e NaN
    # f 96.0
    # g NaN
    # dtype: float64
    
    print(s5/s6)
    # a 0.833333
    # b 1.000000
    # c 1.818182
    # d 2.142857
    # e NaN
    # f 5.000000
    # g NaN
    # dtype: float64

由于s5中没有对应的g索引，s6中没有对应的e索引，所以数据的运算会产生两个缺失值NaN。注意，这里的算术结果就实现了两个序列索引的自动对齐，而非简单的将两个序列加总或相除。对于数据框的对齐，不仅仅是行索引的自动对齐，同时也会自动对齐列索引（变量名）

数据框中同样有索引，而且数据框是二维数组的推广，所以其不仅有行索引，而且还存在列索引，关于数据框中的索引相比于序列的应用要强大的多，这部分内容将放在数据查询中讲解。

## 四、利用pandas查询数据 ##

这里的查询数据相当于R语言里的subset功能，可以通过布尔索引有针对的选取原数据的子集、指定行、指定列等。我们先导入一个student数据集：

student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')
    # 查询数据的前5行或末尾5行
    
    student.head()
    student.tail()
    # 查询指定的行
    
    student.ix[[0,2,4,5,7]] #这里的ix索引标签函数必须是中括号[]
    # 查询指定的列
    
    student[['Name','Height','Weight']].head()  #如果多个列的话，必须使用双重中括号
    # 也可以通过ix索引标签查询指定的列
    
    student.ix[:,['Name','Height','Weight']].head()
    # 查询指定的行和列
    
    student.ix[[0,2,4,5,7],['Name','Height','Weight']].head()
    # 以上是从行或列的角度查询数据的子集，现在我们来看看如何通过布尔索引实现数据的子集查询。
    # 查询所有女生的信息
    
    student[student['Sex']=='F']
    # 查询出所有12岁以上的女生信息
    
    student[(student['Sex']=='F') & (student['Age']>12)]
    查询出所有12岁以上的女生姓名、身高和体重
    
    student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]

上面的查询逻辑其实非常的简单，需要注意的是，如果是多个条件的查询，必须在&（且）或者|（或）的两端条件用括号括起来。

## 五、统计分析 ##

pandas模块为我们提供了非常多的描述性统计分析的指标函数，如总和、均值、最小值、最大值等，我们来具体看看这些函数：  
首先随机生成三组数据

np.random.seed(1234)
    d1 = pd.Series(2*np.random.normal(size = 100)+3)
    d2 = np.random.f(2,4,size = 100)
    d3 = np.random.randint(1,100,size = 100)
    d1.count()  #非空元素计算
    d1.min()    #最小值
    d1.max()    #最大值
    d1.idxmin() #最小值的位置，类似于R中的which.min函数
    d1.idxmax() #最大值的位置，类似于R中的which.max函数
    d1.quantile(0.1)    #10%分位数
    d1.sum()    #求和
    d1.mean()   #均值
    d1.median() #中位数
    d1.mode()   #众数
    d1.var()    #方差
    d1.std()    #标准差
    d1.mad()    #平均绝对偏差
    d1.skew()   #偏度
    d1.kurt()   #峰度
    d1.describe()   #一次性输出多个描述性统计指标

必须注意的是，descirbe方法只能针对序列或数据框，一维数组是没有这个方法的。  
这里自定义一个函数，将这些统计描述指标全部汇总到一起:

def stats(x):
        return pd.Series([x.count(),x.min(),x.idxmin(),
                   x.quantile(.25),x.median(),
                   x.quantile(.75),x.mean(),
                   x.max(),x.idxmax(),
                   x.mad(),x.var(),
                   x.std(),x.skew(),x.kurt()],
                  index = ['Count','Min','Whicn_Min',
                           'Q1','Median','Q3','Mean',
                           'Max','Which_Max','Mad',
                           'Var','Std','Skew','Kurt'])
    stats(d1)

在实际的工作中，我们可能需要处理的是一系列的数值型数据框，如何将这个函数应用到数据框中的每一列呢？可以使用apply函数，这个非常类似于R中的apply的应用方法。  
将之前创建的d1,d2,d3数据构建数据框:

df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
    df.head()
    df.apply(stats)

非常完美，就这样很简单的创建了数值型数据的统计性描述。如果是离散型数据呢？就不能用这个统计口径了，我们需要统计离散变量的观测数、唯一值个数、众数水平及个数。你只需要使用describe方法就可以实现这样的统计了。  
student\[‘Sex’\].describe()

除以上的简单描述性统计之外，还提供了连续变量的相关系数（corr）和协方差矩阵（cov）的求解，这个跟R语言是一致的用法。  
df.corr()

关于相关系数的计算可以调用pearson方法或kendell方法或spearman方法，默认使用pearson方法。  
df.corr(‘spearman’)

如果只想关注某一个变量与其余变量的相关系数的话，可以使用corrwith,如下方只关心x1与其余变量的相关系数:  
df.corrwith(df\[‘x1’\])

数值型变量间的协方差矩阵  
df.cov()

[70]: /images/20220525/4f295c2eb9e54a5bbc85d97963eae865.png
[70 1]: /images/20220525/1aadeac2c76c4c4996e4bab5cb88f7d6.png
[70 2]: /images/20220525/15a46023ca314e43bc6c5668760e369a.png
[70 3]: /images/20220525/1db5d124c7514ef59dc3640b1d6206bf.png
[70 4]: /images/20220525/c43e8556f76441bcb735011939f85d57.png