要使用pandas,需要熟悉它的两个主要的数据结构,Series和DataFrame。
Series
series是一种类似于以为数组的对象,它由一组数据(各种numpy的数据类型)以及一组与之相关的数据标签(索引)组成。仅有一组数据即可产生简单的Series:
In [11]: from pandas import Series,DataFrameIn [12]: import pandas as pdIn [13]: obj=Series([4,-2,5,0])In [14]: objOut[14]:0 41 -22 53 0dtype: int64In [15]: type(obj)Out[15]: pandas.core.series.Series
series的字符串表现形式为:索引在左边,值在右边。由于我们没有为数据指定索引,于是自动创建 一个0到N-1(N为数据的长度)的整数型索引。可以通过Series的values和index属性获取其数组表现形式和索引对象:
In [16]: obj.valuesOut[16]: array([ 4, -2, 5, 0], dtype=int64)In [17]: obj.indexOut[17]: RangeIndex(start=0, stop=4, step=1)
通常,我们希望所创建的Series带有一个可以对各个数据点进行标记的索引:
In [18]: obj2=Series([4,7,5,-3],index=['d','b','a','c'])In [19]: obj2Out[19]:d 4b 7a 5c -3dtype: int64In [20]: obj2.indexOut[20]: Index(['d', 'b', 'a', 'c'], dtype='object')
于普通numpy相比,你可以通过索引的方式选取Series的单个或一组值
In [21]: obj2['a']Out[21]: 5In [22]: obj2['d']=6In [23: obj2[['c','a','d']]Out[23:c -3a 5d 6dtype: int64
numpy数组运算都会保留索引与值之间的链接:
In [26]: obj2[obj2>0]Out[26]:d 6b 7a 5dtype: int64In [27]: obj2*2Out[27]:d 12b 14a 10c -6dtype: int64In [28]: np.exp(obj2)Out[28]:d 403.428793b 1096.633158a 148.413159c 0.049787dtype: float64
还可以将Series看成一个定长的有序字典,因为它是索引值到数据值的一个映射。它可以在许多原本需要字典参数的函数中:
In [29]: 'b' in obj2Out[29]: TrueIn [30]: 'e' in obj2Out[30]: False
如果数据被存放在一个Python字典中,也可以直接通过这个字典来创建:
In [32]: sdata={ 'a':1,'b':2,'c':3}In [33]: obj3=Series(sdata)In [34]: obj3Out[34]:a 1b 2c 3dtype: int64
如果只传入一个字典,则结果series中的索引就是原字典的键(有序排列)
In [41]: states=['one','a','b']In [42]: obj4=Series(sdata,index=states)In [43]: obj4Out[43]:one NaNa 1.0b 2.0dtype: float64
例子中sdata中的states索引相匹配的那2个值会被找出来并放到相应的位置上。找不到的则用缺失值Na表示。
pandas中的isnull和notnull可用于检测缺失数据:
In [44]: pd.isnull(obj4)Out[44]:one Truea Falseb Falsedtype: boolIn [45]: pd.notnull(obj4)Out[45]:one Falsea Trueb Truedtype: bool
series中也有类似的实例方法:
In [46]: obj4.isnull()Out[46]:one Truea Falseb Falsedtype: bool
Series中最重要的一个功能是:它在算术运算中会自动对齐不同索引的数据。
In [47]: obj3Out[47]:a 1b 2c 3dtype: int64In [48]: obj4Out[48]:one NaNa 1.0b 2.0dtype: float64In [49]: obj3+obj4Out[49]:a 2.0b 4.0c NaNone NaNdtype: float64
series对象本身及其索引都有一个name属性,该属性跟pandas其他关键功能关系非常密切:
In [50]: obj4.name='pop4'In [51]: obj4.index.name='state4'In [52]: obj4Out[52]:state4one NaNa 1.0b 2.0Name: pop4, dtype: float64
series索引可以通过赋值的方式就地修改:
In [53]: objOut[53]:0 41 -22 53 0dtype: int64In [54]: obj.index=['a','b','c','d']In [55]: objOut[55]:a 4b -2c 5d 0dtype: int64
DataFrame
DataFrame是一个表格型数据结构。它含有一组有序的列,每列可以是不同的值类型(数值、字符串、布尔值等)。DataFrame即可有行索引也可以有列索引,它可以被看做是由Series组成的字典(共同一个索引)跟其他的类似的数据结构相比,DataFrame中面向行和面向列的操作基本上是平衡的。其实,DataFrame中数据是以一个或多个二维块存放的。
构建DataFrame最常见的方法是直接传入一个等长列表或numpy数组组成的字典:
In [65]: data={ 'state':[True,True,False,True,False],'year':[2000,2001,2002,2003,2004]}In [66]: dataOut[66]:{ 'state': [True, True, False, True, False], 'year': [2000, 2001, 2002, 2003, 2004]}In [67]: frame=DataFrame(data)In [68]: frameOut[68]: state year0 True 20001 True 20012 False 20023 True 20034 False 2004
如果指定了列序列,则DataFrame的列就会按照指定顺序进行排列:
In [69]: DataFrame(data,columns=['year','state'])Out[69]: year state0 2000 True1 2001 True2 2002 False3 2003 True4 2004 False
跟series一样,如果传入的列在数据中找不到就会产生NA值。
通过类似字典标记的方式或属性的方式,可以将DataFrame的列获取为一个Series:
In [70]: frame['state']Out[70]:0 True1 True2 False3 True4 FalseName: state, dtype: boolIn [71]: frame['year']Out[71]:0 20001 20012 20023 20034 2004Name: year, dtype: int64In [72]: type(frame['year'])Out[72]: pandas.core.series.Series
返回的series拥有DataFrame相同的索引,且其name属性也已经被相应的设置好了 。
列可以通过赋值的方式进行修改,如我们增加一列‘debt’,赋上一个标量值或一组值:
In [77]: frame['debt']=16.25In [78]: frameOut[78]: state year debt0 True 2000 16.251 True 2001 16.252 False 2002 16.253 True 2003 16.254 False 2004 16.25
将列表或数组赋值给某一列时,长度必须要跟DataFrame的长度相匹配。如果赋值的是一个Series,就会精匹配DataFrame的索引,所有空位都会被填上缺省值:
In [85]: frameOut[85]: state year debt one True 2000 0 two True 2001 1 three False 2002 2 four True 2003 3 five False 2004 4 In [86]: val=Series([-1.2,-1.5,-1.7],index=['one','two','three'])In [87]: frame['debt2']=valIn [88]: frameOut[88]: state year debt debt2one True 2000 0 -1.2two True 2001 1 -1.5three False 2002 2 -1.7four True 2003 3 NaNfive False 2004 4 NaN
为不存在的列赋值会创出一个心裂,关键字del用于删除列
In [92]: del frame['state1']In [93]: frameOut[93]: state year debt debt2one True 2000 0 -1.2two True 2001 1 -1.5three False 2002 2 -1.7four True 2003 3 NaNfive False 2004 4 NaN
另一种常见的数据形式的嵌套字典:
In [94]: pop={ 'year':{2001:1.5,2002:1.6,2007:2},'prices':{2001:2.5,2002:3}}
如果将它传给DataFrame,它就会被解释为:外层的字典作为键的关键列,内层的则作为行索引:
In [95]: frame3=DataFrame(pop)In [96]: frame3Out[96]: year prices2001 1.5 2.52002 1.6 3.02007 2.0 NaN
可以对结果进行转置:
In [97]: frame3.TOut[97]: 2001 2002 2007year 1.5 1.6 2.0prices 2.5 3.0 NaN
内层的字典的键会被合并、排序以形成最终的索引。如果显式指定了索引:
In [109]: frame3.index=[2001,2002,2003]In [111]: frame3Out[111]: year prices2001 1.5 2.52002 1.6 3.02003 2.0 NaN
可以输入给DataFrame构造器的数据:
1.二维ndarry
2.由数组、列表或元祖组成的字典
3.numpy结构化
4.Series组成的字典
5.由字典组成的字典
6.字典或series的列表
7.由列表或元祖组成的列表
8.另一个DataFrame
9.numpy的MaskedArray
如果设置了DataFrame的index和columns的name属性,则这些信息也会显示出来
In [113]: frame3.index.name='year';frame3.columns.name='state'In [114]: frame3Out[114]:state year pricesyear2001 1.5 2.52002 1.6 3.02003 2.0 NaN
索引对象
pandas的索引对象负责管理轴标签和其他元数据(如轴名称)构建series或DataFrame时,所用到的任何数组或其他序列的标签都会被转换成一个index:
In [116]: obj=Series(range(3),index=['b','a','c'])In [117]: index=obj.indexIn [118]: indexOut[118]: Index(['b', 'a', 'c'], dtype='object') In [121]: index[1:] Out[121]: Index(['a', 'c'], dtype='object')
Index对象是不可修改的(immutable),因此用户不可对其进行修改
In [122]: index[1]='f'---------------------------------------------------------------------------TypeError Traceback (most recent call last)in ()----> 1 index[1]='f'd:\python\python36\lib\site-packages\pandas\core\indexes\base.py in __setitem__(self, key, value) 2048 2049 def __setitem__(self, key, value):-> 2050 raise TypeError("Index does not support mutable operations") 2051 2052 def __getitem__(self, key):TypeError: Index does not support mutable operations
不可修改属性非常重要,因为这样才能使Index对象在多个数据结构之间数据安全共享
In [123]: index=pd.Index(np.arange(3))In [127]: obj2=Series([-1.5,2.6,0],index=index)In [129]: obj2Out[129]:0 -1.51 2.62 0.0dtype: float64In [130]: obj2.index is indexOut[130]: True
pandas中主要的index对象:
index : 最泛化的index对象,将轴标签表示为一个由Python对象组成的numpy数组
int64index:针对整数的特殊index
Multiindex :层次化索引对象,表示单个轴上的多层索引。可以看成由元组组成的数组
DatatimeIndex :存储纳秒级时间戳
Periodindex:针对Period数据(时间间隔)的特殊index
除了长得像数组,index的功能类似一个固定大小的集合:
In [131]: frame3Out[131]:state year pricesyear2001 1.5 2.52002 1.6 3.02003 2.0 NaNIn [132]: 'year' in frame3.columnsOut[132]: TrueIn [133]: '2001' in frame3.indexOut[133]: FalseIn [134]: 2001 in frame3.indexOut[134]: True
index的方法和属性:
append:连接另一个index对象,产生一个新的index
diff:计算差集,并得到一个新的index
intersection:计算交集
union:计算并集
isin:计算一个指示各值是否都包含在参数集合中的布尔型数组
delete:删除索引i处的元素,并得到一个新的index
drop:删除传入的值,并得到一个新的index
insert:将元素插入到索引i处,并得到一个新的index
is_monotonic:当各元素大于等于前一个元素时,返回True
is_unique:当index没有重复值时,返回True
unique:计算index中唯一值得数组