Python 模块之科学计算 Pandas
目錄
一、Pandas簡介
數據結構
二、Series
series 的創建
Series值的獲取
Series的運算
Series缺失值檢測
Series自動對齊
Series及其索引的name屬性
三、DataFrame
創建
Index對象
通過索引值或索引標簽獲取數據
自動化對齊
四、文件操作
文件讀取
數據庫數據讀取
將數據寫出為csv
將數據寫出為excel
將數據寫入數據庫
五、查詢數據
通過布爾索引來實現特定信息的查詢
六、統計分析
七、類似于SQL的操作
增：
刪
改：
分組聚合：groupby()函數
?排序：
多表連接:
八、缺失值處理
刪除法：直接刪除缺失值
用常數填補所有缺失值
采用前項填充或后向填充
使用常量填充不同的列
用均值或中位數填充各自的列
九、數據透視表
多層索引的使用
Numpy，Scipy，pandas三個庫的區別
- NumPy：數學計算庫，以矩陣為基礎的數學計算模塊，包括基本的四則運行，方程式以及其他方面的計算什么的，純數學；
- SciPy ：科學計算庫，有一些高階抽象和物理模型，在NumPy基礎上，封裝了一層，沒有那么純數學，提供方法直接計算結果；比如：做個傅立葉變換，這是純數學的，用Numpy；做個濾波器，這屬于信號處理模型了，用Scipy。
- Pandas：提供名為DataFrame的數據結構，比較契合統計分析中的表結構，做數據分析用的，主要是做表格數據呈現。
目前來說，隨著 Pandas 更新，Numpy 大部分功能已經直接和 Pandas 融合了。
一、Pandas簡介
Python Data Analysis Library 或 pandas 是基于NumPy 的一種工具，該工具是為了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。pandas提供了大量能使我們快速便捷地處理數據的函數和方法。你很快就會發現，它是使Python成為強大而高效的數據分析環境的重要因素之一。
Pandas是python的一個數據分析包，最初由AQR Capital Management于2008年4月開發，并于2009年底開源出來，目前由專注于Python數據包開發的PyData開發team繼續開發和維護，屬于PyData項目的一部分。Pandas最初被作為金融數據分析工具而開發出來，因此，pandas為時間序列分析提供了很好的支持。 Pandas的名稱來自于面板數據（panel data）和python數據分析（data analysis）。panel data是經濟學中關于多維數據集的一個術語，在Pandas中也提供了panel的數據類型。
數據結構
- Series：一維數組，與Numpy中的一維array類似。二者與Python基本的數據結構List也很相近，其區別是：List中的元素可以是不同的數據類型，而Array和Series中則只允許存儲相同的數據類型，這樣可以更有效的使用內存，提高運算效率。
- Time- Series：以時間為索引的Series。
- DataFrame：二維的表格型數據結構。很多功能與R中的data.frame類似。可以將DataFrame理解為Series的容器。以下的內容主要以DataFrame為主。
- Panel ：三維的數組，可以理解為DataFrame的容器。
Pandas 有兩種自己獨有的基本數據結構。雖然它有著兩種數據結構，但它依然是 Python 的一個庫，所以，Python 中有的數據類型在這里依然適用，也同樣還可以使用類自己定義數據類型。只不過，Pandas 里面又定義了兩種數據類型：Series 和 DataFrame，它們讓數據操作更簡單了。
二、Series
Series 在python的中type()為 <class 'pandas.core.series.Series'>。
series 的創建
- 通過一維數組創建，如果沒有為數據指定索引值，會自動創建一個0-N-1的索引
- 通過字典的方式創建，字典的key為索引
Series值的獲取
Series值的獲取主要有兩種方式：
Series獲取多個值的方式類似NumPy中的ndarray的切片操作，通過方括號+下標值/索引值+冒號(:)的形式來截取series對象中的一部分數據!
# Series數據的獲取：下標值、索引值、切片 print('==============ser4[1]==============') print(ser4[1]) print('==============ser4["語文"]=========') print(ser4["語文"]) print('==============ser4[0:2]============') print(ser4[0:2]) print("==============ser4['歷史':'語文']===") print(ser4['歷史':'語文']) ==============ser4[1]============== 99 ==============ser4["語文"]========= 90 ==============ser4[0:2]============ 歷史 ? ?98 數學 ? ?99 dtype: int64 ==============ser4[u'歷史':u'語文']=== 歷史 ? ?98 數學 ? ?99 語文 ? ?90 dtype: int64Series的運算
NumPy中的數組運算，在Series中都保留了，均可以使用，并且Series進行數組運算的時候，索引與值之間的映射關系不會發生改變。
注意：其實在操作Series的時候，基本上可以把Series看成NumPy中的ndarray數組來進行操作。ndarray數組的絕大多數操作都可以應用到Series上。
# series的部分運算 print('==============ser4[ser4>98] 布爾運算=========') print(ser4[ser4>98]) print('==============ser4/9 除法運算================') print(ser4/9) print('==============np.exp(ser4) e的x次方==========') print(np.exp(ser4)) print('==============np.log10(ser4) ? ========') print(np.log10(ser4)) ==============ser4[ser4>98] 布爾運算========= 數學 ? ?99 dtype: int64 ==============ser4/9 除法運算================ 歷史 ? ?10.888889 數學 ? ?11.000000 語文 ? ?10.000000 dtype: float64 ==============np.exp(ser4) e的x次方========== 歷史 ? ?3.637971e+42 數學 ? ?9.889030e+42 語文 ? ?1.220403e+39 dtype: float64 ==============np.log10(ser4) ? ======== 歷史 ? ?1.991226 數學 ? ?1.995635 語文 ? ?1.954243 dtype: float64# 在pandas中用NaN表示一個缺省值或者NA值 print('==============ser4================') print(ser4) ser5=pd.Series(ser4,index=['地理','語文','歷史','數學']) print('==============ser5================') print(ser5) ==============ser4================ 歷史 ? ?98 數學 ? ?99 語文 ? ?90 dtype: int64 ==============ser5================ 地理 ? ? NaN 語文 ? ?90.0 歷史 ? ?98.0 數學 ? ?99.0 dtype: float64Series缺失值檢測
pandas中的isnull和notnull兩個函數可以用于在Series中檢測缺失值，這兩個函數的返回時一個布爾類型的Series
print('==============pd.isnull(ser5)================') print(pd.isnull(ser5)) print('==============ser5[pd.isnull(ser5)]===========') print(ser5[pd.isnull(ser5)]) print('==============pd.notnull(ser5)================') print(pd.notnull(ser5)) print('==============ser5[pd.notnull(ser5)]==========') print(ser5[pd.notnull(ser5)]) ==============pd.isnull(ser5)================ 地理 ? ? True 語文 ? ?False 歷史 ? ?False 數學 ? ?False dtype: bool ==============ser5[pd.isnull(ser5)]=========== 地理 ? NaN dtype: float64 ==============pd.notnull(ser5)================ 地理 ? ?False 語文 ? ? True 歷史 ? ? True 數學 ? ? True dtype: bool ==============ser5[pd.notnull(ser5)]========== 語文 ? ?90.0 歷史 ? ?98.0 數學 ? ?99.0 dtype: float64Series自動對齊
當多個series對象之間進行運算的時候，如果不同series之間具有不同的索引值，那么運算會自動對齊不同索引值的數據，如果某個series沒有某個索引值，那么最終結果會賦值為NaN。
ser6=pd.Series(data=[99,98,97],index=['語文','數學','歷史']) ser7=pd.Series(data=[99,98,97,100],index=['語文','數學','歷史','文言文']) print('==============ser6+ser7================') print(ser6+ser7) print('==============ser6-ser7================') print(ser6-ser7) print('==============ser6*ser7================') print(ser6*ser7) print('==============ser6/ser7================') print(ser6/ser7) print('==============ser6**ser7================') print(ser6**ser7) ==============ser6+ser7================ 歷史 ? ? 194.0 數學 ? ? 196.0 文言文 ? ? ?NaN 語文 ? ? 198.0 dtype: float64 ==============ser6+ser7================ 歷史 ? ? 0.0 數學 ? ? 0.0 文言文 ? ?NaN 語文 ? ? 0.0 dtype: float64 ==============ser6+ser7================ 歷史 ? ? 9409.0 數學 ? ? 9604.0 文言文 ? ? ? NaN 語文 ? ? 9801.0 dtype: float64 ==============ser6+ser7================ 歷史 ? ? 1.0 數學 ? ? 1.0 文言文 ? ?NaN 語文 ? ? 1.0 dtype: float64 ==============ser6+ser7================ 歷史 ? ? 5.210246e+192 數學 ? ? 1.380878e+195 文言文 ? ? ? ? ? ? ?NaN 語文 ? ? 3.697296e+197 dtype: float64Series及其索引的name屬性
Series對象本身以及索引都具有一個name屬性，默認為空，根據需要可以進行賦值操作
ser8=pd.Series(data=[99,98,97],index=['Dov','Drld','Heil']) ser8.name='語文' ser8.index.name='考試成績' # 像不像索引的列名 print(ser8) 考試成績 Dov ? ? 99 Drld ? ?98 Heil ? ?97 Name: 語文, dtype: int64三、DataFrame
創建
DateFrame 在python的中type()為 <class 'pandas.core.frame.DataFrame'>
DateFrame的創建主要有三種方式：
1）通過二維數組創建數據框
arr2 = np.array(np.arange(16)).reshape(4,4) df1 = pd.DataFrame(arr2)0? ?1? ?2? ?3 0 0? ?1? ?2? ?3 1 4? ?5? ?6? ?7 2 8? ?9? ?10 11 3 12 13? 14 15從這個輸出我們可以看到，默認的索引和列名都是[0, N-1]的形式。我們可以在創建DataFrame的時候指定列名和索引，像這樣：
df2 = pd.DataFrame(np.arange(16).reshape(4,4),columns=["column1", "column2", "column3", "column4"],index=["a", "b", "c", "d"]) print("df2:\n{}\n".format(df2)) # 結果如下column1 column2 column3 column4 a 0? ? ? ? ? ? ? 1? ? ? ? ? ? ? ? 2? ? ? ? ? ? ? ?3 b 4? ? ? ? ? ? ? 5? ? ? ? ? ? ? ?6? ? ? ? ? ? ? ?7 c 8? ? ? ? ? ? ? 9? ? ? ? ? ? ? ? 10? ? ? ? ? ? ? 11 d 12? ? ? ? ? ? 13? ? ? ? ? ? ? ?14? ? ? ? ? ? 15請注意：DataFrame的不同列可以是不同的數據類型。如果以Series數組來創建DataFrame，每個Series將成為一行，而不是一列，例如：
noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"],index=[1, 2, 3, 4, 5, 6, 7]) weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],index=[1, 2, 3, 4, 5, 6, 7]) df4 = pd.DataFrame([noteSeries, weekdaySeries]) print("df4:\n{}\n".format(df4)) # df4的輸出如下：1 2 3 4 5 6 7 0 C D E F G A B 1 Mon Tue Wed Thu Fri Sat Sun2）通過字典的方式創建數據框
以下以兩種字典來創建數據框，一個是字典列表，一個是嵌套字典。
dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],'c':[9,10,11,12],'d':[13,14,15,16]} df2 = pd.DataFrame(dic2) dic3 = {'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}} df3 = pd.DataFrame(dic3)# 結果如下：a b c d 0 1 5 9 13 1 2 6 10 14 2 3 7 11 15 3 4 8 12 16one two three a 1 5 9 b 2 6 10 c 3 7 11 d 4 8 12字典的“鍵”（"name"，"marks"，"price"）就是 DataFrame 的 columns 的值（名稱），字典中每個“鍵”的“值”是一個列表，它們就是那一豎列中的具體填充數據。
上面的dic2定義中沒有確定索引，所以，按照慣例（Series 中已經形成的慣例）就是從 0 開始的整數。從上面的結果中很明顯表示出來，這就是一個二維的數據結構（類似 excel 或者 mysql 中的查看效果）。
上面的數據顯示中，columns 的順序沒有規定，就如同字典中鍵的順序一樣，但是在 DataFrame 中，columns 跟字典鍵相比，有一個明顯不同，就是其順序可以被規定，比如：
dic2_1 = DataFrame(dic2,columns=['b','a','c','d'])Index對象
通過索引值或索引標簽獲取數據
pandas的Index對象包含了描述軸的元數據信息。當創建Series或者DataFrame的時候，標簽的數組或者序列會被轉換成Index。可以通過下面的方式獲取到DataFrame的列和行的Index對象：
dic3 = {'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}} df3 = pd.DataFrame(dic3) print(df3.columns) # 輸出：Index(['one', 'two', 'three'], dtype='object') print(df3.index) # 輸出：Index(['a', 'b', 'c', 'd'], dtype='object')Index并非集合，因此其中可以包含重復的數據
Index對象的值是不可以改變，因此可以通過它安全的訪問數據
DataFrame提供了下面兩個操作符來訪問其中的數據：
print(df3[['one','two']]) # df3[列索引] print(df3.loc[['a','b'], ['one','two']]) # loc[行索引，列索引] print(df3.iloc[[0, 1], 0]) # iloc[行下標，列下標]# 第二行代碼訪問了行索引為a和b，列索引為'one','two'的元素。第三行代碼訪問了行下標為0和1（對于df3來說，行索引和行下標剛好是一樣的，所以這里都是0和1，但它們卻是不同的含義），列下標為0的元素。one two a 1 5 b 2 6 c 3 7 d 4 8one two a 1 5 b 2 6a 1 b 2 Name: one, dtype: int64自動化對齊
如果有兩個序列，需要對這兩個序列進行算術運算，這時索引的存在就體現的它的價值了—自動化對齊.
s5 = pd.Series(np.array([10,15,20,30,55,80]),index = ['a','b','c','d','e','f']) s6 = pd.Series(np.array([12,11,13,15,14,16]),index = ['a','c','g','b','d','f']) s5 + s6 s5/s6 # 結果如下 a 22.0 b 30.0 c 31.0 d 44.0 e NaN f 96.0 g NaN dtype: float64a 0.833333 b 1.000000 c 1.818182 d 2.142857 e NaN f 5.000000 g NaN dtype: float64由于s5中沒有對應的g索引，s6中沒有對應的e索引，所以數據的運算會產生兩個缺失值NaN。注意，這里的算術結果就實現了兩個序列索引的自動對齊，而非簡單的將兩個序列加總或相除。對于數據框的對齊，不僅僅是行索引的自動對齊，同時也會自動對齊列索引（變量名）
DataFrame中同樣有索引，而且DataFrame是二維數組的推廣，所以其不僅有行索引，而且還存在列索引，關于數據框中的索引相比于序列的應用要強大的多，這部分內容將放在數據查詢中講解。
四、文件操作
文件讀取
pandas庫提供了一系列的read_函數來讀取各種格式的文件，它們如下所示：
- read_csv
- read_table
- read_fwf
- read_clipboard
- read_excel
- read_hdf
- read_html
- read_json
- read_msgpack
- read_pickle
- read_sas
- read_sql
- read_stata
- read_feather
接下來我們看一個讀取Excel的簡單的例子：
import pandas as pd import numpy as np df1 = pd.read_excel("data/test.xlsx") print("df1:\n{}\n".format(df1)) # 這個Excel的內容如下： df1: C Mon 0 D Tue 1 E Wed 2 F Thu 3 G Fri ...我們再來看讀取CSV文件的例子，
df2 = pd.read_csv("data/test1.csv") print("df2:\n{}\n".format(df2)) # 結果如下 df2: C,Mon D,Tue E,Wed F,Thu ...如果分隔符不是，我們可以通過指定分隔符的方式來讀取這個文件，像這樣：
df3 = pd.read_csv("data/test2.csv", sep="|")read_csv支持非常多的參數用來調整讀取的參數，如下表所示：
| path | 文件路徑 |
| sep或者delimiter | 字段分隔符 |
| header | 列名的行數，默認是0（第一行） |
| index_col | 列號或名稱用作結果中的行索引 |
| names | 結果的列名稱列表 |
| skiprows | 從起始位置跳過的行數 |
| na_values | 代替NA的值序列 |
| comment | 以行結尾分隔注釋的字符 |
| parse_dates | 嘗試將數據解析為datetime。默認為False |
| keep_date_col | 如果將列連接到解析日期，保留連接的列。默認為False。 |
| converters | 列的轉換器 |
| dayfirst | 當解析可以造成歧義的日期時，以內部形式存儲。默認為False |
| data_parser | 用來解析日期的函數 |
| nrows | 從文件開始讀取的行數 |
| iterator | 返回一個TextParser對象，用于讀取部分內容 |
| chunksize | 指定讀取塊的大小 |
| skip_footer | 文件末尾需要忽略的行數 |
| verbose | 輸出各種解析輸出的信息 |
| encoding | 文件編碼 |
| squeeze | 如果解析的數據只包含一列，則返回一個Series |
| thousands | 千數量的分隔符 |
詳細的read_csv函數說明請參見這里：pandas.read_csv
注：UTF-8以字節為編碼單元，它的字節順序在所有系統中都是一様的，沒有字節序的問題，也因此它實際上并不需要BOM(“ByteOrder Mark”)。但是UTF-8 with BOM即utf-8-sig需要提供BOM。簡單的說，utf-8-sig是對字節編碼有序的。
這種情況發生在pandas在read csv的時候，如果報錯，
key error,??File "pandas/index.pyx", line 137, in pandas.index.IndexEngine.get_loc (pandas/index.c:4154)
File "pandas/index.pyx", line 159, in pandas.index.IndexEngine.get_loc (pandas/index.c:4018)
File "pandas/hashtable.pyx", line 675, in pandas.hashtable.PyObjectHashTable.get_item (pandas/hashtable.c:12368)
File "pandas/hashtable.pyx", line 683, in pandas.hashtable.PyObjectHashTable.get_item (pandas/hashtable.c:12322)
這種情況要考慮使用utf-8-sig這種編碼，即encdoinf='utf-8-sig'遇到中文亂碼的時候也可以試試改成這個編碼
數據庫數據讀取
read_sql_query(sql, con, index_col=None, coerce_float=True, params=None, parse_dates=None, chunksize=None)
- sql：表示抽取數據的SQL語句，例如'select * from 表名'
- con：表示數據庫連接的名稱
- index_col：表示作為索引的列，默認為0-行數的等差數列
read_sql_table(table_name, con, schema=None, index_col=None, coerce_float=True, parse_dates=None, columns=None, chunksize=None)
- table_name：表示抽取數據的表名
- con：表示數據庫連接的名稱
- index_col：表示作為索引的列，默認為0-行數的等差數列
- columns：數據庫數據讀取后的列名。
read_sql(sql, con, index_col=None, coerce_float=True, params=None, parse_dates=None, columns=None, chunksize=None)
- sql：表示抽取數據的表名或者抽取數據的SQL語句，例如'select * from 表名'
- con：表示數據庫連接的名稱
- index_col：表示作為索引的列，默認為0-行數的等差數列
- columns：數據庫數據讀取后的列名。
建議：用前兩個
# 讀取數據庫 from sqlalchemy import create_engine conn = create_engine('mysql+pymysql://root:root@127.0.0.1/test?charset=utf8', encoding='utf-8', echo=True) # data1 = pd.read_sql_query('select * from data', con=conn) # print(data1.head())data2 = pd.read_sql_table('data', con=conn) print(data2.tail()) print(data2['X'][1])數據庫連接字符串各參數說明
'mysql+pymysql://root:root@127.0.0.1/test?charset=utf8' 連接器://用戶名:密碼@數據庫所在IP/訪問的數據庫名稱?字符集將數據寫出為csv
DataFrame.to_csv(path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=False, date_format=None, doublequote=True, escapechar=None, decimal='.')
- path_or_buf：數據存儲路徑，含文件全名例如'./data.csv'
- sep：表示數據存儲時使用的分隔符
- header：是否導出列名，True導出，False不導出
- index： 是否導出索引，True導出，False不導出
- mode：數據導出模式，'w'為寫
- encoding：數據導出的編碼
將數據寫入數據庫
DataFrame.to_sql(name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None)
- name：數據存儲表名
- con：表示數據連接
- if_exists：判斷是否已經存在該表，'fail'表示存在就報錯；'replace'表示存在就覆蓋；'append'表示在尾部追加
- index： 是否導出索引，True導出，False不導出
五、查詢數據
data.shape # 查看數據的形狀 data.columns # 查看所有的列名 data.index # 查看索引 data.dtypes # 查看每一列數據的類型 data.ndim # 查看數據的維度 # 查詢前幾行 或 后幾行 data.head(5) data.tail(5)# 注意當我們提取了一列，Pandas將返回一個series，而不是一個數組 data['X'] # 取出單獨某一列 data[['X','Y']] # 取出多列，如果多個列的話，必須使用雙重中括號 data['X'][1] # 取出某列的某一行 data['X'][:10] # 取出某列的某幾行 data[['X','Y']][:10] # 取出某幾列的某幾行# loc方法索引'''DataFrame.loc[行名,列名]''' data.loc[1,['X','月份']] # 取出某幾列的某一行 data.loc[1:5,['X','月份']] # 取出某幾列的某幾行（連續） data.loc[[1,3,5],['X','月份']] # 取出某幾列的某幾行 data.loc[range(0,21,2),['X','FFMC','DC']] # 取出 x ,FFMC ,DC的0-20行所有索引名稱為偶數的數據# iloc方法索引'''DataFrame.iloc[行位置,列位置]''' data.iloc[1,[1,4]] # 取出某幾列的某一行 data.iloc[0:21:2,0:data.shape[1]:2] # 取出列位置為偶數，行位置為0-20的偶數的數據# ix方法索引'''DataFrame.ix[行位置/行名,列位置/列名]''' # 取出某幾列的某一行 data.ix[1:4,[1,4]] data.ix[1:4,1:4]loc,iloc,ix的區別
通過布爾索引來實現特定信息的查詢
student[student['sex'] == F] # 查詢所有性別為女生的信息 student[(student['sex'] == F) & (stuent['age'] > 18)] # 多條件查詢，查詢所有性別為女且年齡大于18歲的信息 student[(student['sex'] == F) & (stuent['age'] > 18)] [['name' , 'height']] # 查詢性別為女，年齡大于18的學生的姓名 和 體重六、統計分析
pandas模塊為我們提供了非常多的描述性統計分析的指標函數
對于DataFrame，默認統計的是列的數據，如果想要統計行的，需要加axis=1
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() # 非空元素計算 d1.min() # 最小值 d1.max() # 最大值 d1.idxmin() # 最小值的位置，類似于R中的which.min函數 d1.idxmax() # 最大值的位置，類似于R中的which.max函數 d1.quantile(0.1) # 10%分位數 d1.sum() # 求和 d1.mean() # 均值 d1.median()# 中位數 d1.mode() # 眾數 d1.var() # 方差 d1.std() # 標準差 d1.mad() # 平均絕對偏差 d1.skew() # 偏度 d1.kurt() # 峰度d1.sum() # 求和，默認列 d1.sum(axis=1) # 求和，行上述方法一維和二維均可用。
# 一次性輸出多個描述性統計指標,descirbe方法只能針對序列或數據框，一維數組是沒有這個方法的 d1.describe() # student['Sex'].describe() ''' count：非空值的數目 mean：數值型數據的均值 std：數值型數據的標準差 min：數值型數據的最小值 25%：數值型數據的下四分位數 50%：數值型數據的中位數 75%：數值型數據的上四分位數 max：數值型數據的最大值 ''?
相關系數（Correlation coefficient）：反映兩個樣本/樣本之間的相互關系以及之間的相關程度。在COV的基礎上進行了無量綱化操作，也就是進行了標準化操作
協方差(Covariance, COV)：反映兩個樣本/變量之間的相互關系以及之間的相關程度。
df.corr() # 相關系數 df.cov() # 協方差 df.corr('spearman') # 相關系數的計算可以調用pearson方法或kendell方法或spearman方法，默認使用pearson方法 df.corrwith(df['x1']) # 如果只想關注某一個變量與其余變量的相關系數的話，可以使用corrwith,如下方只關心x1與其余變量的相關系數?
轉置
df3.T對軸進行排序
a.sort_index(axis=1,ascending=False)； # 其中axis=1表示對所有的columns進行排序，下面的數也跟著發生移動。后面的ascending=False表示按降序排列，參數缺失時默認升序。對DataFrame中的值排序
a.sort(columns='x') # 即對a中的x這一列，從小到大進行排序。注意僅僅是x這一列，而上面的按軸進行排序時會對所有的columns進行操作。unique方法用于獲取Series中的唯一值數組(去重數據后的數組)
value_counts方法用于計算一個Series中各值的出現頻率
isin方法用于判斷矢量化集合的成員資格，可用于選取Series中或者DataFrame中列中數據的子集
# unique() 對于dataframe必須要指定是哪一列，對于series可以直接使用unique df7["數學"].unique() array([78, 89, 90], dtype=int64)# value_counts()對于dataframe必須要指定是哪一列，對于series可以直接使用value_counts df7["數學"].value_counts() 89 ? ?2 78 ? ?1 90 ? ?1 Name: 數學, dtype: int64 mask=[89,90]print(df7.isin(mask)) print("========================================") print(df7[df7.isin(mask)])age ? ? 歷史 ? ? 數學 ? ? 語文 one ? ?False ? True ?False ?False two ? ?False ?False ? True ?False three ?False ?False ? True ?False four ? False ?False ? True ? True ========================================age ? ?歷史 ? ?數學 ? ?語文 one ? ?NaN ?90.0 ? NaN ? NaN two ? ?NaN ? NaN ?89.0 ? NaN three ?NaN ? NaN ?89.0 ? NaN four ? NaN ? NaN ?90.0 ?90.0七、類似于SQL的操作
增：
添加新行或增加新列.可以通過concat函數實現 pd.contat([student,student2])
在數據庫中union必須要求兩張表的列順序一致，而這里concat函數可以自動對齊兩個數據框的變量！
對于新增的列沒有賦值，就會出現空NaN的形式。
其他方式
In [105]: data['new'] = 'token' # 增加列 In [106]: data Out[106]:name price new 0 BTC 50000 token 1 ETH 4000 token 2 EOS 150 tokenIn [109]: data.loc['3'] = ['ae',200,'token'] # 增加行 In [110]: data Out[110]:name price type 0 BTC 50000 token 1 ETH 4000 token 2 EOS 150 token 3 ae 200 token刪
# 使用drop（）。該方法返回的是Copy而不是視圖，要想真正在原數據里刪除行，設置inplace=True； # axis：0，表示刪除行；1，表示刪除列。 data.drop('列',axis=1,inplace=True) data.drop('行',axis=0,inplace=True)# del del data # 刪除對象，該命令可以刪除Python的所有對象 del data['type'] # 刪除列改：
結合布爾索引直接賦值即可
?
分組聚合：groupby()函數
# 分組 group1 = data.groupby('性別') group2 = data.groupby(['入職時間','性別'])# 查看有多少組 group1.size()用groupby方法分組后的結果并不能直接查看，而是被存在內存中，輸出的是內存地址。實際上分組后的數據對 象GroupBy類似Series與DataFrame，是pandas提供的一種對象。?
Groupby對象常見方法
Grouped對象的agg方法
Grouped.agg(函數或包含了字段名和函數的字典)
# 第一種情況 group[['年齡','工資']].agg(min)# 對不同的列進行不同的聚合操作 group.agg({'年齡':max,'工資':sum})# 上述過程中使用的函數均為系統math庫所帶的函數，若需要使用pandas的函數則需要做如下操作 group.agg({'年齡':lambda x:x.max(),'工資':lambda x:x.sum()})根據性別分組，計算各組別中學生身高和體重的平均值：
如果不對原始數據作限制的話，聚合函數會自動選擇數值型數據進行聚合計算。如果不想對年齡計算平均值的話，就需要剔除改變量：
groupby還可以使用多個分組變量，例如根本年齡和性別分組，計算身高與體重的平均值：
還可以對每個分組計算多個統計量：
排序：
我們可以使用order、sort_index和sort_values實現序列和數據框的排序工作
我們再試試降序排序的設置：
上面兩個結果其實都是按值排序，并且結果中都給出了警告信息，即建議使用sort_values()函數進行按值排序。
在數據框中一般都是按值排序，例如：
多表連接:
連接分內連接和外連接，在數據庫語言中通過join關鍵字實現，pandas我比較建議使用merger函數實現數據的各種連接操作。
如下是構造一張學生的成績表：
現在想把學生表student與學生成績表score做一個關聯，該如何操作呢？
默認情況下，merge函數實現的是兩個表之間的內連接，即返回兩張表中共同部分的數據。可以通過how參數設置連接的方式，left為左連接；right為右連接；outer為外連接。
左連接實現的是保留student表中的所有信息，同時將score表的信息與之配對，能配多少配多少，對于沒有配對上的Name，將會顯示成績為NaN。
八、缺失值處理
現實生活中的數據是非常雜亂的，其中缺失值也是非常常見的，對于缺失值的存在可能會影響到后期的數據分析或挖掘工作，那么我們該如何處理這些缺失值呢？常用的有三大類方法，即刪除法、填補法和插值法。
- 刪除法：當數據中的某個變量大部分值都是缺失值，可以考慮刪除改變量；當缺失值是隨機分布的，且缺失的數量并不是很多是，也可以刪除這些缺失的觀測。
- 替補法：對于連續型變量，如果變量的分布近似或就是正態分布的話，可以用均值替代那些缺失值；如果變量是有偏的，可以使用中位數來代替那些缺失值；對于離散型變量，我們一般用眾數去替換那些存在缺失的觀測。
- 插補法：插補法是基于蒙特卡洛模擬法，結合線性模型、廣義線性模型、決策樹等方法計算出來的預測值替換缺失值。
| 方法 | 說明 |
| dropna | 根據標簽的值中是否存在缺失數據對軸標簽進行過濾(刪除), 可以通過閾值的調節對缺失值的容忍度 |
| fillna | 用指定值或者插值的方式填充缺失數據，比如: ffill或者bfill |
| isnull | 返回一個含有布爾值的對象，這些布爾值表示那些值是缺失值NA |
| notnull | isnull的否定式 |
刪除法：直接刪除缺失值
默認情況下，數據中只要含有缺失值NaN,該數據行就會被刪除，如果使用參數how=’all’，則表明只刪除所有行為缺失值的觀測。
用常數填補所有缺失值
采用前項填充或后向填充
使用常量填充不同的列
用均值或中位數填充各自的列
很顯然，在使用填充法時，相對于常數填充或前項、后項填充，使用各列的眾數、均值或中位數填充要更加合理一點，這也是工作中常用的一個快捷手段。
九、數據透視表
在Excel中有一個非常強大的功能就是數據透視表，通過托拉拽的方式可以迅速的查看數據的聚合情況，這里的聚合可以是計數、求和、均值、標準差等。
pandas為我們提供了非常強大的函數pivot_table()，該函數就是實現數據透視表功能的。對于上面所說的一些聚合函數，可以通過參數aggfunc設定。我們先看看這個函數的語法和參數吧：
我們仍然以student表為例，來認識一下數據透視表pivot_table函數的用法：
對一個分組變量（Sex），一個數值變量（Height）作統計匯總
對一個分組變量（Sex），兩個數值變量（Height,Weight）作統計匯總
對兩個分組變量（Sex，Age)，兩個數值變量（Height,Weight）作統計匯總
很顯然這樣的結果并不像Excel中預期的那樣，該如何變成列聯表的形式的？很簡單，只需將結果進行非堆疊操作（unstack）即可：
使用多個聚合函數
有關更多數據透視表的操作，可參考《Pandas透視表（pivot_table）詳解》一文，鏈接地址：http://python.jobbole.com/81212/
多層索引的使用
最后我們再來講講pandas中的一個重要功能，那就是多層索引。在序列中它可以實現在一個軸上擁有多個索引，就類似于Excel中常見的這種形式：
對于這樣的數據格式有什么好處呢？pandas可以幫我們實現用低維度形式處理高維數數據，這里舉個例子也許你就能明白了：
對于這種多層次索引的序列，取數據就顯得非常簡單了：
對于這種多層次索引的序列，我們還可以非常方便的將其轉換為數據框的形式：
以上針對的是序列的多層次索引，數據框也同樣有多層次的索引，而且每條軸上都可以有這樣的索引，就類似于Excel中常見的這種形式：
我們不妨構造一個類似的高維數據框：
同樣，數據框中的多層索引也可以非常便捷的取出大塊數據：
在數據框中使用多層索引，可以將整個數據集控制在二維表結構中，這對于數據重塑和基于分組的操作（如數據透視表的生成）比較有幫助。
就拿student二維數據框為例，我們構造一個多層索引數據集：
http://www.cnblogs.com/nxld/p/6058591.html
https://www.cnblogs.com/lingLongBaby/p/7147378.html
http://www.cnblogs.com/WoLykos/p/9349581.html
https://www.cnblogs.com/zuizui1204/p/6423069.html
總結
以上是生活随笔為你收集整理的Python 模块之科学计算 Pandas的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Liunx 系统调优
- 下一篇： python人脸识别代码百度ai_pyt