1、Pandas学习笔记常用功能 本文是关于pandas的学习笔记，由于pandas会用到numpy，可能需要读者简单了解一下numpy的内容，不过有用到的部分我会在文中进行简单解释说明。资料来源主要是两块，一是pandas: powerful Python data analysis toolkit；另一个利用python进行数据分析（Wes McKinney）目录一、pandas的安装和使用二、python数据结构三、对数据类型的操作四、总结一、pandas的安装和使用Pandas和其他python的库安装方式一样，whl、源码或者pip，在此就不赘述了，Python Data Analysi
2、s Library 上面有github源码和whl文件。注意：pandas安装会用到numpy库，因此在安装pandas之前一定要安装好numpy。Pandas安装的时候还有两个大坑：如果如果是VC+ is required，说明要装Visual Studio，这个百度Visual Studio安装即可；如果是excention is required，比如我碰到的CExcention，说明需要安装对应的拓展包，这个情况可以通过Python Extension Packages for Windows 这个网站下载。由于欧皇血统，安装过程不算崎岖，希望踩到其他坑的小伙伴可以多留言让我们整理一下
3、碰到的问题。Pandas在使用的时候一般会和numpy一起使用，并且官方给pandas简称pd，numpy简称np，原因我就不知道了。二、python数据结构说明：pandas当中数据类型会具体涉及到int32、int64等等，没有进行设置的时候pandas默认输出64位，如果考虑内存使用效率的话可以自行修改。1、SeriesSeries可以理解为一个一维的数组，只是index可以自己改动。创建的方法统一为pd.Series(data,index=)。打印的时候按照index赋值的顺序，有的时候会看着很别扭。某个index对应的值为空就用NaN。index参数默认从0开始的整数，也是Serie
4、s的绝对位置，即使index被赋值之后，绝对位置不会被覆盖。Series可以通过三种形式创建：python的dict、numpy当中的ndarray（numpy中的基本数据结构）、具体某个数值。index赋值必须是list类型。Python的dict创建：s = pd.Series(a=1,b=2,d=3,index = a,d,c,b)输出：a 1 d 3 c NaN b 2 dtype：int64numpy中的ndarray：s = pd.Series(np.random.randn(5), index = list(ABCDE)输出：A -1.130657 B -1.539251 C 1
5、.503126 D 1.266908 E 0.335561 dtype: float64 具体某个值：s=pd.Series(5)输出：0 5dtype: int64s=pd.Series(5,4) 输出：05 14 dtype: int64s=pd.Series(5,4,index=listabcd)输出：ERRORS=pd.Series(5,index=list(abcd)a5b5c5d 5dtype:int64像这种具体某个值的创建方法，保证每行数据精准性的话很麻烦，并且用起来会不小心把其他数据覆盖掉，因此我个人用的比较少。注意：创建Series的时候要注意创建行数和索引数量匹配的问题，
6、如果默认的话会自动匹配创建的行数。除了创建肯定需要查询，这时候会用到s.values和s.index，分别查询值和索引。2、DataFrameDataFrame是一个类似于表格的数据类型，如图：有这样一些参数：data （方框内的数据）: numpy ndarray (structured or homogeneous), dict, or DataFrameindex（行索引索引） : Index or array-likecolumns （列索引）: Index or array-likedtype（data的数据类型） : dtype, default NoneDataFrame可以理解
7、为一个二维数组，index有两个维度，可更改。DataFrame统一的创建形式为：pd.DataFrame(data,columns=,index=)其中columns为列的索引，index为行的索引。index或者columns如果不进行设置则默认为0开始的整数，也是行的绝对位置，不会被覆盖；而通过外部数据（比如打开文件）创建DataFrame的话需要注意列名匹配的问题，给columns赋的值如果和数据来源当中列名不一样的话，对应的列下面会出现NAN。还有个常用参数为orient，默认为空，如果赋值index则将输入Series的index值作为DataFrame的columns。栗子如下：
8、a = pd.read_csv(c:/users/15418/Desktop/bajiao.csv)pd.DataFrame(a,columns = a,b,commentsNum)输出：a b commentsNum0 NaN NaN 97951 NaN NaN 210882 NaN NaN 41073 NaN NaN 41154 NaN NaN 39300Data的创建形式有以下几种：一维数据类型进行创建、二维ndarray创建、外部输入。二维数组创建，由于比较简单就先说：pd.DataFrame(二维数组,columns = ,index=)，由于比较简单就不举代码了。外部输入就是读取文
9、件等手段，如csv、excel等文件：上面那个例子已经说明了读取文件创建过程。概括来说就是先读取一个文件对象（pd.read_xxx，xxx是对应的文件类型，常用有csv、excel、table等)的对象，然后再通过该对象创建DataFrame，但要注意columns列名的命名。一维数据类型创建（一维数据类型主要有：一维ndarray、列表、字典、Series等）：首先是字典和Series类型创建DataFrame：一个是将字典或者Series组合成列表进行创建；另一个是将两者放入字典里面创建。例子如下：第一种方法：a = a:1,b:2b = pd.Series(1,2,3,index=li
10、st(abc)pd.DataFrame(a,b,columns = list(abcd)输出：a b c d 0 1 2 NaN NaN 1 1 2 3.0 NaN第二种方法：a = a:1,b:2b = pd.Series(1,2,3,index=list(abc)data = one:a,two:bpd.DataFrame(data,columns = one,two,a,d)输出：one two a d a 1.0 1 NaN NaN b 2.0 2 NaN NaN c NaN 3 NaN NaN这两种方法都要注意列名匹配的问题。然后是数组和列表类型的创建：列表或者一维的ndarray可
11、以通过转化为Series（见1、Series）或者字典进行创建，或者变为对应的二维的数据类型进行处理，在此不佳赘述了。强烈给个建议：在创建之前最好把data变量先写好然后放到DataFrame方法里面，包括对原始数据的改动也最好写在data里面。类似于Series，DataFrame.index,DataFrame.columns可以查询DataFrame二维参数的数值。3、Panel/PanelNDPanel可以理解为三维数组，panelND可以理解为N维数组。高维的数组就是在三维的基础上加入更多维度参数，基本方法相同，具体差异在此就不深入展开，这里以三维为例介绍。统一的创建方法就是pd.P
12、anel(data,items=,major_axis=,minor_axis=)，三个维度就分别是items、major_axis、minor_axis，还有个常用参数就是orient后面会提到。跟DataFrame类似的，三维参数如果不进行设置则默认为0开始的整数，也是行的绝对位置，不会被覆盖；如果希望把输入的DataFrame的columns作为panel的items就需要吧orient赋值为minor。在创建panel的时候一般会采用两种形式（和DataFrame类似，照搬就行）：采用字典；使用items参数创建具体举例如下：字典：data = Item1 : pd.DataFrame
13、(np.random.randn(4, 3), Item2 : pd.DataFrame(np.random.randn(4, 2)pd.Panel(data)输出：Dimensions: 2 (items) x 4 (major_axis) x 3 (minor_axis)Items axis: Item1 to Item2Major_axis axis: 0 to 3Minor_axis axis: 0 to 2这里面的键就是对应items参数，当然panel这个没办法通过表的形式打印。Items参数：df = pd.DataFrame(a: foo, bar, baz, b:np.ran
14、dom.randn(3)data = item1: df, item2: dfpd.Panel.from_dict(data, orient=minor)输出：Dimensions: 2 (items) x 3 (major_axis) x 2 (minor_axis)Items axis: a to bMajor_axis axis: 0 to 2Minor_axis axis: item1 to item2三、对数据类型的操作1、对Series操作查看：简单来说就是通过索引查看：一种是通过index对应的标签；另一种就是通过绝对位置查看。举个例子：s = pd.Series(5., ind
15、ex=a, b, c, d, e)如果通过绝对位置查看，会使用sXXX，XXX可以是绝对位置的数字，列表，或者表达式等s0输出：5.0s4,3,1输出：e 5.0 d 5.0 b 5.0 dtype: float64ss1输出：a 5.0 b 5.0 c 5.0 d 5.0 e 5.0 dtype: float64如果通过标签查询的话可以使用sa、e in s、或者s.get(f,np.nan)三种方式查看：sa返回标签对应数值或者NaN；e in s返回true/false；s.get(f) 返回label对应的值，如果没有读取到就无返回值，加入np.nan参数可在没有读取到时返回NaN。s
16、a输出：5.0f in s输出：falses.get(e)输出：5.0s.get(f,np.nan)输出：nan运算：常见操作运算符，+、-、*、/、np.exp以及关系运算等运算符，两个Series运算是其中一个Series中每个index位置和另一个Series对应index位置进行算数运算；也可以选取部分进行运算，在选取部分运算的时候要注意只能运算index相同的部分，不重合的部分则是NaN。s-sa 0.0b 0.0c 0.0d 0.0e 0.0s1:+s:3a NaNb 10.0c 10.0d NaNe NaN命名：创建的时候使用使用name参数；使用rename方法。可以通过nam
17、e方法进行查询。s = pd.Series(np.random.randn(5), name=something)s.name输出：somethings2 = s.rename(different)s2.name输出：different2、对DataFrame操作查询：DataFrame.head可以查询前几行的数据，默认为前五行；DataFrame.tail查看后几行书，默认为5行；DataFrame.describe查看全部数据。排序：df.sort_index(axis=,ascending=) axis为0/1的参数，表示按行/按列排序；ascending为boolean参数，Fals
18、e表示降序，True表示升序。df.sort_value(by=，ascending=) by表示按哪一个columns参数排序。删除：使用del或者pop(columns)方法。需要注意的是所有删除的方法都会改变原来DataFrame，而不是像其他方法一样内存当中新建一个DataFrame。pop由于弹出特定的列，会返回被弹出的列中的数值.df = pd.DataFrame.from_items(A, 1, 2, 3), (B,4,5,6),orient=index, columns=one, two, three) #后面用到的df都是从这边开始一直往下走的del dftwodf.pop(
19、one)输出：A 1 B 4 Name: one, dtype: int64df输出： three A 3 B 6运算：+、-、*、/、exp以及关系运算等，类似于Series，两个DataFrame运算是一个DataFrame每个位置的值和对应位置另一个DataFrame的值进行运算，因此这里的*不是矩阵相乘（叉乘）；在处理矩阵的时候会用到numpy.linalg函数（用来处理矩阵相关运算的函数），在此不赘述。另外转置的方法为DataFrame.T。同时除了可以整个Dataframe参与运算以外还可以选取特定的columns参与运算，例如dfthree = dfone * dftwoData
20、Frame修改和添加：利用=即可实现修改功能，同时可以在=右边加上赋值的范围，赋值号同样会改变原来DataFrame当中的数值。举例：dffore = 1df输出：one two three fore A 1 2 3 1 B 4 5 6 1dffive = dfone:1df输出：one two three fore five A 1 2 3 1 1.0 B 4 5 6 1 NaN同样的需要注意，控制赋值范围时当心其余范围的NaN处理。添加新的列 首先肯定是重新创建一个新的DataFrame；其二就是上述的赋值做法，给原来DataFrame当中的新列进行赋值，如上面dffive的例子；其三就是
21、通过insert(loc, column, value, allow_duplicates=False)方法进行，insert同样会改变DataFrame数据，例如：df.insert(1, bar, dfone)df输出： one bartwo three fore five A 1 12 3 11.0 B 4 45 6 1NaN另外可以通过DataFrame.assign对表格进行改动，该方法会返回改动后的DataFrame，但不是改动原来的DataFramedf.assign(ration = dfone / dfone)输出：one two three fore five ration
22、A 1 2 3 1 1.0 1.0B 4 5 6 1 NaN 1.0df输出：one two three fore fiveA 1 2 3 1 1.0B 4 5 6 1 NaN当然使用loc、iloc等都可以添加新列，这个就不赘述了。选择/切片：直接按照行/列进行选择：用columns选择列，用index选择行。注意：选择列的时候单次只能选择某一列的数据，不能同时选择多列；而使用index的时候一定要使用范围（类似于1:2），单独某个index会报错。dfone2输出：A False B True Name: one, dtype: booldftwo输出：A 2 B 5 Name: two,
23、 dtype: int64df:1输出：one bar two three fore fiveA 1 1 2 3 1 1.0使用loc方法，通过位置标签选择：统一格式为DataFrame.locindex:index,columns，loc方法当中的columns可以选择多列，如果表示只按列选择的话index可以不填但是冒号（：）和逗号（，）一定要写，例如：df.loc:,two,one输出：two one A 2 1B 5 4df.locA:B,one,two 输出：one twoA 1 2B 4 5另外，如果loc还能这么用：DataFrame.locindex,columns，这时的in
24、dex为特定能够的label或值，这样用会返回一个Series；DataFrame.locindex,columns，这里面的index和columns都是唯一的，返回一个值。由于降维的问题，pandas会对精度进行转换。举例：df.locA,one输出：one 1.0 Name: A, dtype: float64df.locA,one输出：1.0使用iloc方法，通过绝对位置选择：思路与loc方法基本相同，只是把标签换成绝对位置。简答举个例子：df.iloc0,1,2:3输出：twoA 2B 5使用where操作通过表达式过滤部分值，并且将过滤掉的值作为NaN，不过即使用了where操作还
25、是需要跟上其他操作，个人实际使用不多。dfdf3输出：one bar two three fore five A NaN NaN NaN NaN NaN NaN B 4.0 4.0 5.0 6.0 NaN NaN使用isin(value)方法：通过isin方法可以去除特定列当中与变量值相等的行，返回一个DataFrame。举个例子，dfdfone.isin(1)输出：one bar two three fore fiveA 1 1 2 3 1 1对于NaN的处理：DataFrame.dropna.(axis，how) 常用参数为axis和how，axis为0/1参数；how为any/all参数
26、，any是存在NaN就把对应的整行/列删除，all是全部为NaN才把对应的整行/列删除。df.dropna(axis = 1, how =any)输出：one bar two three foreA 1 1 2 3 1B 4 4 5 6 1DataFrame.fillna(value) 将所有NaN赋值为value，比较简单就不举例了DataFrame.isnull() 判断DataFrame是否为null，返回是boolean 的DataFrame，也比较好理解合并：在做合并的时候尽量保证columns是相同的，有利于后续操作pd.concat(DataFrame1,ignore_index
27、) 可以多个DataFrame进行合并，ignore_index是boolean值，用来确定要不要重新对index从0开始赋值。pd.merge(DataFrame1,DataFrame2) DataFrame1在合并后的上面DataFrame2在合并后的下面；on是确定合并的列。同时merge会重新分配index，不会出现index重合。merge是个大坑，合并完一定是个乱七八糟的，后面一定要跟上一系列选择剔除的操作才能好好用。而且merge参数较多，情况复杂，之后的分享当中会继续深挖。DataFrame.append(object,ignore_index) 在DataFrame尾部添加一
28、个object，可以是DataFrame也可以是Series，ignore_index就是用来确定要不要重新对index从0开始赋值，这个比较好理解。分组：分组是通过groupby命令实现的，主要实现的功能是按照一些规则将数据分为不同的组；对于每组数据分别执行一个函数；将结果组合到一个数据结构中。DataFrame.groupby(by=None, axis=0, as_index=True)by是按照分组的列名；axis是作用维度，0为行，1为列；as_index指的是分组依据是否作为索引存在，有多个分组依据时，会合并成一个tuple，作为一列。通过aggregate(arg)方法可以打印分
29、好组的group，arg可以为dict类型或者list类型。df2输出：A B C D0 foo one 1 11 bar one 1 12 foo two 1 13 bar three 1 14 foo two 1 15 bar two 1 16 foo one 1 17 foo three 1 1g = df2.groupby(A,B)g.aggregate(np.sum)输出： C DA Bbar one 1 1 three 1 1 two 1 1foo one 2 2 three 1 1 two 2 2g = df.groupby(A,B,as_index=False)g.aggreg
30、ate(np.sum)输出：A B C D0 bar one 1 11 bar three 1 12 bar two 1 13 foo one 2 24 foo three 1 15 foo two 2 2然后可以通过agg(arg)方法对分好组的group进行计算（arg可以为dict类型或者list类型）。例如：g = df.groupby(A)gD.agg(np.mean)输出：meanAbar 1foo 1时间：时间部分比较复杂，涉及到时区，时间戳，时间跨度等转换，希望下次有机会在做分享。3.Panel/PanelND多维数组由于篇幅和内容深度的问题无法继续展开，但是基本操作的框架和前
31、面两个相似，相信大家查阅本文的参考资料可以自己解决，这里就不详谈了。总结pandas是一个框架比较清晰，操作没那么复杂但是很实用的东西，笔记是我的一些学习心得，努力把自己学到的框架压缩进行分享，希望大家可以实际找点数据进行分析一下。本文参考资料当中的书和官网doc内容相当丰富，在碰到问题的时候也可以查阅。更多项目介绍，请关注我们的项目专栏：Chinas Prices Project - 知乎专栏项目联系方式：项目邮箱（iGuo 的邮箱）：zhangguocpp申请加入项目或者想给项目提供指导和帮助，请联系CHOSuri ：liuxiaomancpp知乎：iGuo （CEO）Suri （COO&CHO，Human） 林行健Dementia （CTO）张土不 （CFO）张一 （CRO，Research）作者：周韵丰链接：知乎专栏著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
