pandas文档0.24.1第三章 马上开始（一）
2019-03-11 本文已影响34人
Lykit01
目录：
第一章 0.24.1版本新特性
第二章 安装
第三章 马上开始
第三章 马上开始
写在前面：1.查原始文档比网上的资料要可靠详细地多，希望大家多阅读原始文档；2.强烈建议大家下载安装anaconda，然后打开内置的jupyter notebook，跟着文档的内容敲代码，这样能够加深理解。
[toc]
3.1 pandas包概述
pandas为了方便简单直观地处理关系型数据或已标注的数据，提供了快速灵活有表现力的数据结构。pandas旨在成为用python做实用的真实世界的数据分析的高水平基础工具包。此外，pandas也有雄心壮志，要成为跨语言的最灵活强大的开源数据分析和处理工具。pandas正在积极朝这个目标迈进。
pandas对于各种不同的数据都适配地很好：
- 多种不同数据类型的列构成的表格化数据，比如SQL表或Excel表中的数据
- 排好序或没排序(不必遵从固定的频率)的时间序列数据
- 带有行(row)和列(column)标签的任意矩阵数据(同种或不同种数据类型)
- 任意其他形式的可观察/统计数据集。这些数据无需打上行或列的标签就可以放入pandas的数据结构。
pandas两种主要的数据结构——Series(一维)和DataFrame(二维)——可以涵盖金融、统计学、社科和很多工程领域的大量典型使用场景。对于R语言的使用者来说，pandas不仅提供了R语言的data.frame结构提供的一切，还提供了更多内容。pandas是在NumPy的基础上建构的，而且试图与其他第三方库共同建立一个科学计算的环境。
下面是pandas适用的一些场景：
- 处理浮点型或者非浮点型数据中的缺失数据（会被表达为NaN）
- 大小变换(size mutability)：DataFrame或更高维的数据结构中能够增加或减少列
- 自动精准的数据对齐(data alignment)：原数据可以精准地与一组标签对齐，用户也可以选择忽略标签，直接让Series、DataFrame等结构自动对齐要用于计算的数据
- 强大灵活的分组功能(group by)，可对数据集执行split-apply-combine操作，无论是用于聚合(aggregate)或者转换(transform)数据。
- 简便地把Python或者NumPy数据结构中的参差不齐、索引不统一的数据转换成DataFrame
- 基于标签对数据集进行 切片(slice) 、 索引(fancy index) 和 分组(subset)
- 直观地合并(merge) 和 连接(join) 数据集
- 灵活的重塑(reshape)和数据集 透视/轴向旋转(pivot)
- 多轴层次(hierarchical) 标记（每个刻度可能有多个标签）
- 对于从平面文件(flat files)（用csv和分隔符的文件）、Excel文件、数据库导入数据和从超快的HDF5格式中存取数据都提供了稳健的输入输出工具。
- 时间序列(Time series) 专用的功能：生成日期范围、频率转换、移动窗口统计、移动窗口线性回归、日期移动和滞后等等。
pandas的这些优点都是在对比中说的，在用其他语言或者科学研究环境时频繁出现的问题在pandas中就很少见。对数据科学家来说，和数据打交道可以被分成多个典型的场景：数据清洗，分析建模，汇总分析结果并用合适的形式进行可视化或表格展示。pandas是处理这些任务的理想工具。
其他提示：
- pandas很快。很多底层的算法位广泛采用Cython代码调整。
但是和其他任何泛化(generalization)一样，泛化通常会牺牲性能。 - pandas是statsmodels的前置依赖库，这让pandas成为了Python语言统计计算生态的重要一员。
- pandas已经被广泛地用于金融应用领域。
3.1.1 数据结构
| 维度 | 类名 | 描述 |
|---|---|---|
| 1 | Series | 一维带标记的同类数据构成的数组 |
| 2 | DataFrame | 通常是2维带标记以及大小可变的表结构，列之间的数据类型可能不同类 |
3.1.1.1 为什么不止一个数据结构？
理解pandas数据结构的最好的方式就是把它看做低维数据的灵活容器。比如，DataFrame是Series的容器，而Series是标量(scalar)的容器。（译注：可以看做“面-线-点”的关系。）我们可以使用像字典一样的方法在这些容器里插入或移除内容(objects)。
同时，考虑到时间序列和有代表性的数据集的典型调整(orientation)场景，我们想为常用的API接口函数设定合理的默认功能。在用n维数据储存2维或3维数据时，用户在写函数时调整数据会有心理负担。不同轴维度被看作是差不多同等重要的（除了C或Fortran的相邻性(contiguousness) 会对性能造成影响。）。在pandas中，轴的作用是赋予数据更多的语义意义。比如，对于特定的一个数据集来说，可能会有一种正确的方式去调整数据。我们在设计数据结构时的目标就是让用户在写函数时减少做数据变换时组织代码的心理负担。（即可以更直观想到每一步该做什么操作。）
例如，对于表格型数据(DataFrame)，用索引/行(index/rows) 和列(columns) 思考比用0轴(axis 0)和1轴(axis 1)思考在语义上直观的多。那么对于DataFrame的列进行迭代操作，就能写出可读性更强的代码来：
for col in df.columns:
series=df[col]
#do something with series
3.1.2 数据改变和复制
所有pandas数据结构的值都是可变的（即它们储存的值是可以改变的），但是结构的大小并不总是可变的。Series的长度不能被改变，但是对于DataFrame来说，可以增加列来储存更多数据。而且，pandas中的大量方法会产生新的对方而不更改原始导入数据。通常，我们更喜欢这种不可变性(immutability)，这样更明智。
3.1.3 获取支持
对于pandas的问题和建议应该首先查看Github问题跟踪系统(Github Issue Tracker)。如果你还有问题，可以在Stack Overflow(程序员问答平台)上提问，pandas社区专家会在上面回答。
3.1.4 社区
如今，全世界有很多志同道合的人在积极支持pandas，他们贡献宝贵的时间和精力来帮助实现pandas的开源。非常感谢所有支持者！
如果你也想对pandas做出贡献，请访问贡献指南。
pandas是NumFOCUS赞助的项目。这将确保pandas作为世界级的开源项目继续发展，同时也能接受捐赠。
3.1.5 项目管理
自pandas在2008年立项起，pandas项目就已经正式采用了管理程序，详情请看项目管理文档。这份文档解释了我们是如何做决定的，以及社区的多种元素是如何互动的，包括开源协作开发与可能由营利或非营利实体资助的工作之间的关系。
韦斯·麦金尼（Wes McKinney,pandas创始人）是一个仁慈的终身独裁者(the Benevolent Dictator for Life，BDFL)。
3.1.6 开发团队
在项目管理仓库的人员页面下可以看到核心团队成员和更多信息。
3.1.7 机构合作伙伴
关于现在的机构合作伙伴的信息可以在pandas网页上找到。
3.1.8 开源许可证
BSD“3条款”许可证
版权所有（c）2008-2012，AQR Capital Management，LLC，Lambda Foundry，Inc.和Pydata开发团队版权所有。
以源代码和二进制形式重新发布和使用，无论是否修改，都需要满足以下条件：
* 以源代码形式进行的再发表必须保留上述版权声明、本条件清单和以下免责声明。
* 以二进制形式进行的再发表必须复制上述版权声明，本条件清单和文档中的以下免责声明，如果还其他材料，也要一并附上。
* 未经事先明确书面许可，著作权人或者贡献者的名字均不能用于支持或推广源自本软件的产品。
本软件由版权所有者和贡献者“按原样”提供。没有任何明示或暗示的保证，包括但不限于适销性和对特定用途的适用性。在任何情况下，对于任何直接、间接、附带、特殊、示范性或结果性损害赔偿（包括但不限于采购替代货物或服务；使用、数据或利润损失；或业务中断）无论是合同责任还是严格责任，或因使用而引起的侵权行为（包括疏忽或其他），即使已告知此类损坏的可能性，版权持有人或贡献者均不承担任何责任。
3.2 十分钟上手pandas
这里是pandas的一个简短的介绍，主要针对初学者。更多复杂的内容可以参看Cookbook(pandas创始人写的pandas入门书)
通常，我们按照以下规则导入(import)包。
In [1]: import numpy as np
In [2]: import pandas as pd
3.2.1 创建对象
请看数据结构介绍部分.
直接传递一个列表的值创建一个Series，让pandas自动生成默认的整数索引：
In [3]: s = pd.Series([1, 3, 5, np.nan, 6, 8])
In [4]: s
Out[4]:
0 1.0
1 3.0
2 5.0
3 NaN
4 6.0
5 8.0
dtype: float64
通过传递一个NumPy数组来创建一个带有时间索引和有分类标记的列的DataFrame对象：
In [5]: dates = pd.date_range('20130101', periods=6)
In [6]: dates
Out[6]:
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
'2013-01-05', '2013-01-06'],
dtype='datetime64[ns]', freq='D')
In [7]: df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))
In [8]: df
Out[8]:
A B C D
2013-01-01 0.469112 -0.282863 -1.509059 -1.135632
2013-01-02 1.212112 -0.173215 0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929 1.071804
2013-01-04 0.721555 -0.706771 -1.039575 0.271860
2013-01-05 -0.424972 0.567020 0.276232 -1.087401
2013-01-06 -0.673690 0.113648 -1.478427 0.524988
通过传递一个字典来创建DataFrame对象，这个字典包含多个可以装换成Series的对象。
In [9]: df2 = pd.DataFrame({'A': 1.,
...: 'B': pd.Timestamp('20130102'),
...: 'C': pd.Series(1, index=list(range(4)), dtype='float32'),
...: 'D': np.array([3] * 4, dtype='int32'),
...: 'E': pd.Categorical(["test", "train", "test", "train"]),
...: 'F': 'foo'})
In [10]: df2
Out[10]:
A B C D E F
0 1.0 2013-01-02 1.0 3 test foo
1 1.0 2013-01-02 1.0 3 train foo
2 1.0 2013-01-02 1.0 3 test foo
3 1.0 2013-01-02 1.0 3 train foo
上面生成的DataFrame的列分别属于不同的数据类型（dtypes）。
In [11]: df2.dtypes
Out[11]:
A float64
B datetime64[ns]
C float32
D int32
E category
F object
dtype: object
如果你正在使用IPython，您能直接使用tab键来补全列名（或者一些公有属性。）下面是能够补全的属性表。
In [12]: df2.<TAB> # noqa: E225, E999
df2.A df2.bool
df2.abs df2.boxplot
df2.add df2.C
df2.add_prefix df2.clip
df2.add_suffix df2.clip_lower
df2.align df2.clip_upper
df2.all df2.columns
df2.any df2.combine
df2.append df2.combine_first
df2.apply df2.compound
df2.applymap df2.consolidate
df2.D
可以看到，列ABCD直接进入了可被补全的列表中。E当然也有，不过为了简洁起见，其余的属性没有在上面展示出来。
3.2.2 观察数据
请看基础教程.
下面是查看数据结构第一行和最后一行的方法。
In [13]: df.head()
Out[13]:
A B C D
2013-01-01 0.469112 -0.282863 -1.509059 -1.135632
2013-01-02 1.212112 -0.173215 0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929 1.071804
2013-01-04 0.721555 -0.706771 -1.039575 0.271860
2013-01-05 -0.424972 0.567020 0.276232 -1.087401
In [14]: df.tail(3)
Out[14]:
A B C D
2013-01-04 0.721555 -0.706771 -1.039575 0.271860
2013-01-05 -0.424972 0.567020 0.276232 -1.087401
2013-01-06 -0.673690 0.113648 -1.478427 0.524988
展示索引和列。
In [15]: df.index
Out[15]:
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
'2013-01-05', '2013-01-06'],
dtype='datetime64[ns]', freq='D')
In [16]: df.columns
Out[16]: Index(['A', 'B', 'C', 'D'], dtype='object')
DataFrame.to_numpy()将把原数据变为NumPy数组。注意如果DataFrame有很多数据类型不同的列，DataFrame.to_numpy()操作可能会造成巨大的开销，这是源于pandas与NumPy的根本不同：NumPy数据对于整个数组来说就只有一种数据类型，但是pandas的DataFrame对于每个列来说都有一种数据类型。 当你使用DataFrame.to_numpy()时，pandas将会找到一种NumPy数据类型，以便支持DataFrame中的所有数据类型。所以，有很大的可能最后把所有数据都变成了对象(object)，这就会使每个值都变为Python对象。
我们举的例子df中都是浮点数值，DataFrame.to_numpy()操作很快，而且不需要复制数据。
In [17]: df.to_numpy()
Out[17]:
array([[ 0.4691, -0.2829, -1.5091, -1.1356],
[ 1.2121, -0.1732, 0.1192, -1.0442],
[-0.8618, -2.1046, -0.4949, 1.0718],
[ 0.7216, -0.7068, -1.0396, 0.2719],
[-0.425 , 0.567 , 0.2762, -1.0874],
[-0.6737, 0.1136, -1.4784, 0.525 ]])
而df2中有多种数据类型，DataFrame.to_numpy()操作相对来说开销很大。
In [18]: df2.to_numpy()
Out[18]:
array([[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo'],
[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo']], dtype=object)
注意： DataFrame.to_numpy()的输出结果不包含索引和列标签。（即行和列的信息被抹去了。）
describe()操作能很快地给出数据的基本统计结果。
In [19]: df.describe()
Out[19]:
A B C D
count 6.000000 6.000000 6.000000 6.000000
mean 0.073711 -0.431125 -0.687758 -0.233103
std 0.843157 0.922818 0.779887 0.973118
min -0.861849 -2.104569 -1.509059 -1.135632
25% -0.611510 -0.600794 -1.368714 -1.076610
50% 0.022070 -0.228039 -0.767252 -0.386188
75% 0.658444 0.041933 -0.034326 0.461706
max 1.212112 0.567020 0.276232 1.071804
转置(transpose)数据：
In [20]: df.T
Out[20]:
2013-01-01 2013-01-02 2013-01-03 2013-01-04 2013-01-05 2013-01-06
A 0.469112 1.212112 -0.861849 0.721555 -0.424972 -0.673690
B -0.282863 -0.173215 -2.104569 -0.706771 0.567020 0.113648
C -1.509059 0.119209 -0.494929 -1.039575 0.276232 -1.478427
D -1.135632 -1.044236 1.071804 0.271860 -1.087401 0.524988
按照一个轴来排序：
In [21]: df.sort_index(axis=1, ascending=False)
Out[21]:
D C B A
2013-01-01 -1.135632 -1.509059 -0.282863 0.469112
2013-01-02 -1.044236 0.119209 -0.173215 1.212112
2013-01-03 1.071804 -0.494929 -2.104569 -0.861849
2013-01-04 0.271860 -1.039575 -0.706771 0.721555
2013-01-05 -1.087401 0.276232 0.567020 -0.424972
2013-01-06 0.524988 -1.478427 0.113648 -0.673690
译注：此处是按1轴即列来排序，不声明升序还是降序的话会默认ascengding=True，即升序。
按值(value)排序：
In [22]: df.sort_values(by='B')
Out[22]:
A B C D
2013-01-03 -0.861849 -2.104569 -0.494929 1.071804
2013-01-04 0.721555 -0.706771 -1.039575 0.271860
2013-01-01 0.469112 -0.282863 -1.509059 -1.135632
2013-01-02 1.212112 -0.173215 0.119209 -1.044236
2013-01-06 -0.673690 0.113648 -1.478427 0.524988
2013-01-05 -0.424972 0.567020 0.276232 -1.087401
3.2.3 选取数据(Select)
注意：标准的Python、NumPy语法中的选取和赋值操作对于交互式的工作来说非常直观简便，但是对于生产代码来说，我们推荐使用优化过的pandas数据访问方法如.at、.iat、.loc和.iloc。
请看索引文档索引和选择数据和多重/高阶索引。
关于索引也可以看译者之前翻译的一个回答。
3.2.3.1 直接取数
选择一个列，会产生一个Series，这等价于df.A。
In [23]: df['A']
Out[23]:
2013-01-01 0.469112
2013-01-02 1.212112
2013-01-03 -0.861849
2013-01-04 0.721555
2013-01-05 -0.424972
2013-01-06 -0.673690
Freq: D, Name: A, dtype: float64
用“[]”选取数据，会对DataFrame的行进行切片。
In [24]: df[0:3]
Out[24]:
A B C D
2013-01-01 0.469112 -0.282863 -1.509059 -1.135632
2013-01-02 1.212112 -0.173215 0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929 1.071804
In [25]: df['20130102':'20130104']
Out[25]:
A B C D
2013-01-02 1.212112 -0.173215 0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929 1.071804
2013-01-04 0.721555 -0.706771 -1.039575 0.271860
3.2.3.2 通过列标签取数
详情可以查看通过列标签取数。
用标签得到跨列的数据：
In [26]: df.loc[dates[0]]
Out[26]:
A 0.469112
B -0.282863
C -1.509059
D -1.135632
Name: 2013-01-01 00:00:00, dtype: float64
这个操作是选取所有列的第一个数据。
通过标签选择多轴的数据：
In [27]: df.loc[:, ['A', 'B']]
Out[27]:
A B
2013-01-01 0.469112 -0.282863
2013-01-02 1.212112 -0.173215
2013-01-03 -0.861849 -2.104569
2013-01-04 0.721555 -0.706771
2013-01-05 -0.424972 0.567020
2013-01-06 -0.673690 0.113648
df.loc[:, ['A', 'B']]的:表示选择行的全部。
下面是通过标签进行切片，两端端点都包括了：
In [28]: df.loc['20130102':'20130104', ['A', 'B']]
Out[28]:
A B
2013-01-02 1.212112 -0.173215
2013-01-03 -0.861849 -2.104569
2013-01-04 0.721555 -0.706771
返回的结果也可能会降维：
In [29]: df.loc['20130102', ['A', 'B']]
Out[29]:
A 1.212112
B -0.173215
Name: 2013-01-02 00:00:00, dtype: float64
得到标量值：
In [30]: df.loc[dates[0], 'A']
Out[30]: 0.46911229990718628
快速访问到标量（等价于前一种方法）：
In [31]: df.at[dates[0], 'A']
Out[31]: 0.46911229990718628
3.2.3.3 通过位置取数
详情请看通过位置取数。
通过位置取数传递的参数是整数：
In [32]: df.iloc[3]
Out[32]:
A 0.721555
B -0.706771
C -1.039575
D 0.271860
Name: 2013-01-04 00:00:00, dtype: float64
通过整数切片取数，和numpy/python的切片操作类似：
In [33]: df.iloc[3:5, 0:2]
Out[33]:
A B
2013-01-04 0.721555 -0.706771
2013-01-05 -0.424972 0.567020
通过整数位置的列表取数，这和numpy/python的风格也相似：
In [34]: df.iloc[[1, 2, 4], [0, 2]]
Out[34]:
A C
2013-01-02 1.212112 0.119209
2013-01-03 -0.861849 -0.494929
2013-01-05 -0.424972 0.276232
只对行进行切片：
In [35]: df.iloc[1:3, :]
Out[35]:
A B C D
2013-01-02 1.212112 -0.173215 0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929 1.071804
只对列进行切片：
In [36]: df.iloc[:, 1:3]
Out[36]:
B C
2013-01-01 -0.282863 -1.509059
2013-01-02 -0.173215 0.119209
2013-01-03 -2.104569 -0.494929
2013-01-04 -0.706771 -1.039575
2013-01-05 0.567020 0.276232
2013-01-06 0.113648 -1.478427
只选取一个值：
In [37]: df.iloc[1, 1]
Out[37]: -0.17321464905330858
更快地访问得到一个标量（等价于前一种方法）：
In [38]: df.iat[1, 1]
Out[38]: -0.17321464905330858
3.2.3.4 布尔索引
使用一个列的数值去取数。
In [39]: df[df.A > 0]
Out[39]:
A B C D
2013-01-01 0.469112 -0.282863 -1.509059 -1.135632
2013-01-02 1.212112 -0.173215 0.119209 -1.044236
2013-01-04 0.721555 -0.706771 -1.039575 0.271860
根据布尔条件来取数：
In [40]: df[df > 0]
Out[40]:
A B C D
2013-01-01 0.469112 NaN NaN NaN
2013-01-02 1.212112 NaN 0.119209 NaN
2013-01-03 NaN NaN NaN 1.071804
2013-01-04 0.721555 NaN NaN 0.271860
2013-01-05 NaN 0.567020 0.276232 NaN
2013-01-06 NaN 0.113648 NaN 0.524988
使用isin()方法来过滤：
In [41]: df2 = df.copy()
In [42]: df2['E'] = ['one', 'one', 'two', 'three', 'four', 'three']
In [43]: df2
Out[43]:
A B C D E
2013-01-01 0.469112 -0.282863 -1.509059 -1.135632 one
2013-01-02 1.212112 -0.173215 0.119209 -1.044236 one
2013-01-03 -0.861849 -2.104569 -0.494929 1.071804 two
2013-01-04 0.721555 -0.706771 -1.039575 0.271860 three
2013-01-05 -0.424972 0.567020 0.276232 -1.087401 four
2013-01-06 -0.673690 0.113648 -1.478427 0.524988 three
In [44]: df2[df2['E'].isin(['two', 'four'])]
Out[44]:
A B C D E
2013-01-03 -0.861849 -2.104569 -0.494929 1.071804 two
2013-01-05 -0.424972 0.567020 0.276232 -1.087401 four
3.2.3.5 赋值
通过索引自动对齐填充新的一列。
In [45]: s1 = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range('20130102', periods=6))
In [46]: s1
Out[46]:
2013-01-02 1
2013-01-03 2
2013-01-04 3
2013-01-05 4
2013-01-06 5
2013-01-07 6
Freq: D, dtype: int64
In [47]: df['F'] = s1
通过标签赋值：
In [48]: df.at[dates[0], 'A'] = 0
通过位置赋值：
In [49]: df.iat[0, 1] = 0
将NumPy数组赋值给DataFrame：
In [50]: df.loc[:, 'D'] = np.array([5] * len(df))
下面是我们操作的结果。
In [51]: df
Out[51]:
A B C D F
2013-01-01 0.000000 0.000000 -1.509059 5 NaN
2013-01-02 1.212112 -0.173215 0.119209 5 1.0
2013-01-03 -0.861849 -2.104569 -0.494929 5 2.0
2013-01-04 0.721555 -0.706771 -1.039575 5 3.0
2013-01-05 -0.424972 0.567020 0.276232 5 4.0
2013-01-06 -0.673690 0.113648 -1.478427 5 5.0
通过where操作赋值：
In [52]: df2 = df.copy()
In [53]: df2[df2 > 0] = -df2
In [54]: df2
Out[54]:
A B C D F
2013-01-01 0.000000 0.000000 -1.509059 -5 NaN
2013-01-02 -1.212112 -0.173215 -0.119209 -5 -1.0
2013-01-03 -0.861849 -2.104569 -0.494929 -5 -2.0
2013-01-04 -0.721555 -0.706771 -1.039575 -5 -3.0
2013-01-05 -0.424972 -0.567020 -0.276232 -5 -4.0
2013-01-06 -0.673690 -0.113648 -1.478427 -5 -5.0
这里的where指SQL等结构化语言中的查询语句。
3.2.4 补全缺失数据(Missing Data)
pandas主要使用np.nan值来代表缺失的数据。nan值默认不会加入计算中。请看缺失数据部分。
重新索引能在特定的轴上对索引进行改、增、删等操作，它会返回原数据的副本。
In [55]: df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ['E'])
In [56]: df1.loc[dates[0]:dates[1], 'E'] = 1
In [57]: df1
Out[57]:
A B C D F E
2013-01-01 0.000000 0.000000 -1.509059 5 NaN 1.0
2013-01-02 1.212112 -0.173215 0.119209 5 1.0 1.0
2013-01-03 -0.861849 -2.104569 -0.494929 5 2.0 NaN
2013-01-04 0.721555 -0.706771 -1.039575 5 3.0 NaN
删除有缺失数据的行（只要行中有一个缺失数据就会被删除）：
In [58]: df1.dropna(how='any')
Out[58]:
A B C D F E
2013-01-02 1.212112 -0.173215 0.119209 5 1.0 1.0
填充缺失数据：
In [59]: df1.fillna(value=5)
Out[59]:
A B C D F E
2013-01-01 0.000000 0.000000 -1.509059 5 5.0 1.0
2013-01-02 1.212112 -0.173215 0.119209 5 1.0 1.0
2013-01-03 -0.861849 -2.104569 -0.494929 5 2.0 5.0
2013-01-04 0.721555 -0.706771 -1.039575 5 3.0 5.0
得到数据的布尔层，如果值为nan，布尔层即为True。
In [60]: pd.isna(df1)
Out[60]:
A B C D F E
2013-01-01 False False False False True False
2013-01-02 False False False False False False
2013-01-03 False False False False False True
2013-01-04 False False False False False True
3.2.5 操作
请看二进制操作的基本部分。
3.2.5.1 统计
此操作通常情况下会剔除缺失的数据。
执行统计描述：
In [61]: df.mean()
Out[61]:
A -0.004474
B -0.383981
C -0.687758
D 5.000000
F 3.000000
dtype: float64
对其他轴进行同样的操作：
In [62]: df.mean(1)
Out[62]:
2013-01-01 0.872735
2013-01-02 1.431621
2013-01-03 0.707731
2013-01-04 1.395042
2013-01-05 1.883656
2013-01-06 1.592306
Freq: D, dtype: float64
操作具有不同纬度且需要对齐的对象。此外，pandas会自动沿指定维度传播同样的操作。
In [63]: s = pd.Series([1, 3, 5, np.nan, 6, 8], index=dates).shift(2)
In [64]: s
Out[64]:
2013-01-01 NaN
2013-01-02 NaN
2013-01-03 1.0
2013-01-04 3.0
2013-01-05 5.0
2013-01-06 NaN
Freq: D, dtype: float64
In [65]: df.sub(s, axis='index')
Out[65]:
A B C D F
2013-01-01 NaN NaN NaN NaN NaN
2013-01-02 NaN NaN NaN NaN NaN
2013-01-03 -1.861849 -3.104569 -1.494929 4.0 1.0
2013-01-04 -2.278445 -3.706771 -4.039575 2.0 0.0
2013-01-05 -5.424972 -4.432980 -4.723768 0.0 -1.0
2013-01-06 NaN NaN NaN NaN NaN
3.2.5.2 Apply函数
对数据应用函数：
In [66]: df.apply(np.cumsum)
Out[66]:
A B C D F
2013-01-01 0.000000 0.000000 -1.509059 5 NaN
2013-01-02 1.212112 -0.173215 -1.389850 10 1.0
2013-01-03 0.350263 -2.277784 -1.884779 15 3.0
2013-01-04 1.071818 -2.984555 -2.924354 20 6.0
2013-01-05 0.646846 -2.417535 -2.648122 25 10.0
2013-01-06 -0.026844 -2.303886 -4.126549 30 15.0
In [67]: df.apply(lambda x: x.max() - x.min())
Out[67]:
A 2.073961
B 2.671590
C 1.785291
D 0.000000
F 4.000000
dtype: float64
apply函数非常强大，需要认真学习。
3.2.5.3 计数(Histogramming)
详情请看计数与离散化(Histogramming and Discretization)。
In [68]: s = pd.Series(np.random.randint(0, 7, size=10))
In [69]: s
Out[69]:
0 4
1 2
2 1
3 2
4 6
5 4
6 4
7 6
8 4
9 4
dtype: int64
In [70]: s.value_counts()
Out[70]:
4 5
6 2
2 2
1 1
dtype: int64
3.2.5.4 字符串方法
Series自带str属性里的一套处理方法，这让操作数组里的每一个元素变得简便，可以看下面的代码。注意str的样式(pattern)匹配规则默认使用正则表达式（正则表达式很常用）。详情可以看矢量化字符串方法。
In [71]: s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 'CABA', 'dog', 'cat'])
In [72]: s.str.lower()
Out[72]:
0 a
1 b
2 c
3 aaba
4 baca
5 NaN
6 caba
7 dog
8 cat
dtype: object
3.2.6 合并(Merge)
3.2.6.1 拼接(Concat)
对于连接/合并Series、DataFrame、Panel等对象的操作，pandas提供了各式各样的索引逻辑设定和代数函数。
详情请看合并部分。
用concat()合并pandas对象。
In [73]: df = pd.DataFrame(np.random.randn(10, 4))
In [74]: df
Out[74]:
0 1 2 3
0 -0.548702 1.467327 -1.015962 -0.483075
1 1.637550 -1.217659 -0.291519 -1.745505
2 -0.263952 0.991460 -0.919069 0.266046
3 -0.709661 1.669052 1.037882 -1.705775
4 -0.919854 -0.042379 1.247642 -0.009920
5 0.290213 0.495767 0.362949 1.548106
6 -1.131345 -0.089329 0.337863 -0.945867
7 -0.932132 1.956030 0.017587 -0.016692
8 -0.575247 0.254161 -1.143704 0.215897
9 1.193555 -0.077118 -0.408530 -0.862495
# break it into pieces
In [75]: pieces = [df[:3], df[3:7], df[7:]]
In [76]: pd.concat(pieces)
Out[76]:
0 1 2 3
0 -0.548702 1.467327 -1.015962 -0.483075
1 1.637550 -1.217659 -0.291519 -1.745505
2 -0.263952 0.991460 -0.919069 0.266046
3 -0.709661 1.669052 1.037882 -1.705775
4 -0.919854 -0.042379 1.247642 -0.009920
5 0.290213 0.495767 0.362949 1.548106
6 -1.131345 -0.089329 0.337863 -0.945867
7 -0.932132 1.956030 0.017587 -0.016692
8 -0.575247 0.254161 -1.143704 0.215897
9 1.193555 -0.077118 -0.408530 -0.862495
3.2.6.2 连接(Join)
SQL式的合并。请看数据库式的连接部分。
In [77]: left = pd.DataFrame({'key': ['foo', 'foo'], 'lval': [1, 2]})
In [78]: right = pd.DataFrame({'key': ['foo', 'foo'], 'rval': [4, 5]})
In [79]: left
Out[79]:
key lval
0 foo 1
1 foo 2
In [80]: right
Out[80]:
key rval
0 foo 4
1 foo 5
In [81]: pd.merge(left, right, on='key')
Out[81]:
key lval rval
0 foo 1 4
1 foo 1 5
2 foo 2 4
3 foo 2 5
再举一例：
In [82]: left = pd.DataFrame({'key': ['foo', 'bar'], 'lval': [1, 2]})
In [83]: right = pd.DataFrame({'key': ['foo', 'bar'], 'rval': [4, 5]})
In [84]: left
Out[84]:
key lval
0 foo 1
1 bar 2
In [85]: right
Out[85]:
key rval
0 foo 4
1 bar 5
In [86]: pd.merge(left, right, on='key')
Out[86]:
key lval rval
0 foo 1 4
1 bar 2 5
3.2.6.3 添加(Append)
为DataFrame添加一行。请看添加部分。
In [87]: df = pd.DataFrame(np.random.randn(8, 4), columns=['A', 'B', 'C', 'D'])
In [88]: df
Out[88]:
A B C D
0 1.346061 1.511763 1.627081 -0.990582
1 -0.441652 1.211526 0.268520 0.024580
2 -1.577585 0.396823 -0.105381 -0.532532
3 1.453749 1.208843 -0.080952 -0.264610
4 -0.727965 -0.589346 0.339969 -0.693205
5 -0.339355 0.593616 0.884345 1.591431
6 0.141809 0.220390 0.435589 0.192451
7 -0.096701 0.803351 1.715071 -0.708758
In [89]: s = df.iloc[3]
In [90]: df.append(s, ignore_index=True)
Out[90]:
A B C D
0 1.346061 1.511763 1.627081 -0.990582
1 -0.441652 1.211526 0.268520 0.024580
2 -1.577585 0.396823 -0.105381 -0.532532
3 1.453749 1.208843 -0.080952 -0.264610
4 -0.727965 -0.589346 0.339969 -0.693205
5 -0.339355 0.593616 0.884345 1.591431
6 0.141809 0.220390 0.435589 0.192451
7 -0.096701 0.803351 1.715071 -0.708758
8 1.453749 1.208843 -0.080952 -0.264610
3.2.7 分组(Group)
对于"group by"操作，我们通常指包含以下一个或多个步骤的过程：
- 拆分(split)：根据一定的标准把数据拆分为若干组
- 应用(apply)：对每个组分别应用函数并产生一个新值
- 合并(combine)：把结果合并到数据结构中
请看分组操作.
In [91]: df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar',
....: 'foo', 'bar', 'foo', 'foo'],
....: 'B': ['one', 'one', 'two', 'three',
....: 'two', 'two', 'one', 'three'],
....: 'C': np.random.randn(8),
....: 'D': np.random.randn(8)})
In [92]: df
Out[92]:
A B C D
0 foo one -1.202872 -0.055224
1 bar one -1.814470 2.395985
2 foo two 1.018601 1.552825
3 bar three -0.595447 0.166599
4 foo two 1.395433 0.047609
5 bar two -0.392670 -0.136473
6 foo one 0.007207 -0.561757
7 foo three 1.928123 -1.623033
先分组，并对各组应用sum()函数
In [93]: df.groupby('A').sum()
Out[93]:
C D
A
bar -2.802588 2.42611
foo 3.146492 -0.63958
以多个列为条件进行分组会得到一个层次化索引，我们也能应用sum函数。
In [94]: df.groupby(['A', 'B']).sum()
Out[94]:
C D
A B
bar one -1.814470 2.395985
three -0.595447 0.166599
two -0.392670 -0.136473
foo one -1.195665 -0.616981
three 1.928123 -1.623033
two 2.414034 1.600434
3.2.8 重塑(Reshape)
3.2.8.1 堆叠(Stack)
In [95]: tuples = list(zip(*[['bar', 'bar', 'baz', 'baz',
....: 'foo', 'foo', 'qux', 'qux'],
....: ['one', 'two', 'one', 'two',
....: 'one', 'two', 'one', 'two']]))
....:
In [96]: index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])
In [97]: df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=['A', 'B'])
In [98]: df2 = df[:4]
In [99]: df2
Out[99]:
A B
first second
bar one 0.029399 -0.542108
two 0.282696 -0.087302
baz one -1.575170 1.771208
two 0.816482 1.100230
*[x,y,...]是把列表拆成多个变量，zip是将多个列表按下标对齐打包成多个元组。In[95]操作得到的结果是：[('bar', 'one'), ('bar', 'two'), ('baz', 'one'), ('baz', 'two'), ('foo', 'one'),('foo', 'two'), ('qux', 'one'), ('qux', 'two')]
stack()方法对DataFrame的列进行压缩(compress)，成为一层索引。
In [100]: stacked = df2.stack()
In [101]: stacked
Out[101]:
first second
bar one A 0.029399
B -0.542108
two A 0.282696
B -0.087302
baz one A -1.575170
B 1.771208
two A 0.816482
B 1.100230
dtype: float64
对于已经压缩了的（stacked）DataFrame和Series（有多层索引），stack()逆向操作是unstack().这个操作默认会解压最后一层索引（即上面新增的索引）,传入的参数为-1，也可以指定解压第几层索引：
In [102]: stacked.unstack()
Out[102]:
A B
first second
bar one 0.029399 -0.542108
two 0.282696 -0.087302
baz one -1.575170 1.771208
two 0.816482 1.100230
In [103]: stacked.unstack(1)
Out[103]:
second one two
first
bar A 0.029399 0.282696
B -0.542108 -0.087302
baz A -1.575170 0.816482
B 1.771208 1.100230
In [104]: stacked.unstack(0)
Out[104]:
first bar baz
second
one A 0.029399 -1.575170
B -0.542108 1.771208
two A 0.282696 0.816482
B -0.087302 1.100230
3.2.8.2 透视表(Pivot Tables)
请看透视表部分。
In [105]: df = pd.DataFrame({'A': ['one', 'one', 'two', 'three'] * 3,
.....: 'B': ['A', 'B', 'C'] * 4,
.....: 'C': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
.....: 'D': np.random.randn(12),
.....: 'E': np.random.randn(12)})
In [106]: df
Out[106]:
A B C D E
0 one A foo 1.418757 -0.179666
1 one B foo -1.879024 1.291836
2 two C foo 0.536826 -0.009614
3 three A bar 1.006160 0.392149
4 one B bar -0.029716 0.264599
5 one C bar -1.146178 -0.057409
6 two A foo 0.100900 -1.425638
7 three B foo -1.035018 1.024098
8 one C foo 0.314665 -0.106062
9 one A bar -0.773723 1.824375
10 two B bar -1.170653 0.595974
11 three C bar 0.648740 1.167115
对这个数据进行透视非常容易：
In [107]: pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C'])
Out[107]:
C bar foo
A B
one A -0.773723 1.418757
B -0.029716 -1.879024
C -1.146178 0.314665
three A 1.006160 NaN
B NaN -1.035018
C 0.648740 NaN
two A NaN 0.100900
B -1.170653 NaN
C NaN 0.536826
3.2.9 时间序列(Time Series)
对于频率转换中的重新采样操作，比如把按秒记的数据转化为按5分钟记的数据，pandas非常简便、强大和高效。这在金融应用以及其他领域中很常见。请看时间序列部分.
In [108]: rng = pd.date_range('1/1/2012', periods=100, freq='S')
In [109]: ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)
In [110]: ts.resample('5Min').sum()
Out[110]:
2012-01-01 25083
Freq: 5T, dtype: int64
表示时区：
In [111]: rng = pd.date_range('3/6/2012 00:00', periods=5, freq='D')
In [112]: ts = pd.Series(np.random.randn(len(rng)), rng)
In [113]: ts
Out[113]:
2012-03-06 0.464000
2012-03-07 0.227371
2012-03-08 -0.496922
2012-03-09 0.306389
2012-03-10 -2.290613
Freq: D, dtype: float64
In [114]: ts_utc = ts.tz_localize('UTC')
In [115]: ts_utc
Out[115]:
2012-03-06 00:00:00+00:00 0.464000
2012-03-07 00:00:00+00:00 0.227371
2012-03-08 00:00:00+00:00 -0.496922
2012-03-09 00:00:00+00:00 0.306389
2012-03-10 00:00:00+00:00 -2.290613
Freq: D, dtype: float64
转换到其他时区：
In [116]: ts_utc.tz_convert('US/Eastern')
Out[116]:
2012-03-05 19:00:00-05:00 0.464000
2012-03-06 19:00:00-05:00 0.227371
2012-03-07 19:00:00-05:00 -0.496922
2012-03-08 19:00:00-05:00 0.306389
2012-03-09 19:00:00-05:00 -2.290613
Freq: D, dtype: float64
在不同时间跨度之间转换：
In [117]: rng = pd.date_range('1/1/2012', periods=5, freq='M')
In [118]: ts = pd.Series(np.random.randn(len(rng)), index=rng)
In [119]: ts
Out[119]:
2012-01-31 -1.134623
2012-02-29 -1.561819
2012-03-31 -0.260838
2012-04-30 0.281957
2012-05-31 1.523962
Freq: M, dtype: float64
In [120]: ps = ts.to_period()
In [121]: ps
Out[121]:
2012-01 -1.134623
2012-02 -1.561819
2012-03 -0.260838
2012-04 0.281957
2012-05 1.523962
Freq: M, dtype: float64
In [122]: ps.to_timestamp()
Out[122]:
2012-01-01 -1.134623
2012-02-01 -1.561819
2012-03-01 -0.260838
2012-04-01 0.281957
2012-05-01 1.523962
Freq: MS, dtype: float64
在时段和时间戳之间转换可以使用一些便利的算术函数。在下面的例子中，我们将年度结束于11月的季度频率转换为季度结束后的月末的上午9点：
In [123]: prng = pd.period_range('1990Q1', '2000Q4', freq='Q-NOV')
In [124]: ts = pd.Series(np.random.randn(len(prng)), prng)
In [125]: ts.index = (prng.asfreq('M', 'e') + 1).asfreq('H', 's') + 9
In [126]: ts.head()
Out[126]:
1990-03-01 09:00 -0.902937
1990-06-01 09:00 0.068159
1990-09-01 09:00 -0.057873
1990-12-01 09:00 -0.368204
1991-03-01 09:00 -1.144073
Freq: H, dtype: float64
3.2.10 型类(Categoricals)
pandas可以在DataFrame中包含型类(Categoricals)数据。
在全文文档中，请看型类介绍和API文档。
In [127]: df = pd.DataFrame({"id": [1, 2, 3, 4, 5, 6],
.....: "raw_grade": ['a', 'b', 'b', 'a', 'a', 'e']})
译注：我们来看一下"raw_grade"列的信息。注意dtype是“object”。
In[15]:df["raw_grade"]
Out[15]:
0 a
1 b
2 b
3 a
4 a
5 e
Name: raw_grade, dtype: object
把原始分数转换为型类数据：
In [128]: df["grade"] = df["raw_grade"].astype("category")
In [129]: df["grade"]
Out[129]:
0 a
1 b
2 b
3 a
4 a
5 e
Name: grade, dtype: category
Categories (3, object): [a, b, e]
可以看到dtype变了。category类可以理解为分类，对一列来说，只有有限的几个可能的类，比如性别、血型、国籍等等。category类能够节省内存，方便统计建模。详情请看型类介绍.
可以给型类赋予更合理的名字，而且可以原地修改Series.cat.categories。
In [130]: df["grade"].cat.categories = ["very good", "good", "very bad"]
对型类重新排序，同时会增添一些缺失的数据。（Series.cat下的方法默认返回新的Series对象。）
In [131]: df["grade"] = df["grade"].cat.set_categories(["very bad", "bad", "medium", "good", "very good"])
In [132]: df["grade"]
Out[132]:
0 very good
1 good
2 good
3 very good
4 very good
5 very bad
Name: grade, dtype: category
Categories (5, object): [very bad, bad, medium, good, very good]
排序时按照型类的逻辑(logic)顺序排序，而不是文字(lexical)顺序。
In [133]: df.sort_values(by="grade")
Out[133]:
id raw_grade grade
5 6 e very bad
1 2 b good
2 3 b good
0 1 a very good
3 4 a very good
4 5 a very good
上面的例子中，按照文字(lexical)顺序，good应该在very bad之前。
以category类型的列为条件进行排序，计数为0的类也会展示出来。
In [134]: df.groupby("grade").size()
Out[134]:
grade
very bad 1
bad 0
medium 0
good 2
very good 3
dtype: int64
3.2.11 可视化(Plotting)
请看可视化文档.
In [135]: ts = pd.Series(np.random.randn(1000),
.....: index=pd.date_range('1/1/2000', periods=1000))
In [136]: ts = ts.cumsum()
In [137]: ts.plot()
Out[137]: <matplotlib.axes._subplots.AxesSubplot at 0x7f7a2fc08240>
series_plot_basic.png
在DataFrame中，plot()方法可以很便捷地将带标记的列展示出来。
In [138]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index,
.....: columns=['A', 'B', 'C', 'D'])
In [139]: df = df.cumsum()
In [140]: plt.figure()
Out[140]: <Figure size 640x480 with 0 Axes>
In [141]: df.plot()
Out[141]: <matplotlib.axes._subplots.AxesSubplot at 0x7f7a2bf762b0>
In [142]: plt.legend(loc='best')
Out[142]: <matplotlib.legend.Legend at 0x7f7a2beac748>
frame_plot_basic.png
3.2.12 数据输入/输出
3.2.12.1 CSV
In [143]: df.to_csv('foo.csv')
In [144]: pd.read_csv('foo.csv')
Out[144]:
Unnamed: 0 A B C D
0 2000-01-01 0.266457 -0.399641 -0.219582 1.186860
1 2000-01-02 -1.170732 -0.345873 1.653061 -0.282953
2 2000-01-03 -1.734933 0.530468 2.060811 -0.515536
3 2000-01-04 -1.555121 1.452620 0.239859 -1.156896
4 2000-01-05 0.578117 0.511371 0.103552 -2.428202
5 2000-01-06 0.478344 0.449933 -0.741620 -1.962409
6 2000-01-07 1.235339 -0.091757 -1.543861 -1.084753
.. ... ... ... ... ...
993 2002-09-20 -10.628548 -9.153563 -7.883146 28.313940
994 2002-09-21 -10.390377 -8.727491 -6.399645 30.914107
995 2002-09-22 -8.985362 -8.485624 -4.669462 31.367740
996 2002-09-23 -9.558560 -8.781216 -4.499815 30.518439
997 2002-09-24 -9.902058 -9.340490 -4.386639 30.105593
998 2002-09-25 -10.216020 -9.480682 -3.933802 29.758560
999 2002-09-26 -11.856774 -10.671012 -3.216025 29.369368
[1000 rows x 5 columns]
3.2.12.2 HDF5
导入导出HDF文件。
写入。
In [145]: df.to_hdf('foo.h5', 'df')
读取。
In [146]: pd.read_hdf('foo.h5', 'df')
Out[146]:
A B C D
2000-01-01 0.266457 -0.399641 -0.219582 1.186860
2000-01-02 -1.170732 -0.345873 1.653061 -0.282953
2000-01-03 -1.734933 0.530468 2.060811 -0.515536
2000-01-04 -1.555121 1.452620 0.239859 -1.156896
2000-01-05 0.578117 0.511371 0.103552 -2.428202
2000-01-06 0.478344 0.449933 -0.741620 -1.962409
2000-01-07 1.235339 -0.091757 -1.543861 -1.084753
... ... ... ... ...
2002-09-20 -10.628548 -9.153563 -7.883146 28.313940
2002-09-21 -10.390377 -8.727491 -6.399645 30.914107
2002-09-22 -8.985362 -8.485624 -4.669462 31.367740
2002-09-23 -9.558560 -8.781216 -4.499815 30.518439
2002-09-24 -9.902058 -9.340490 -4.386639 30.105593
2002-09-25 -10.216020 -9.480682 -3.933802 29.758560
2002-09-26 -11.856774 -10.671012 -3.216025 29.369368
[1000 rows x 4 columns]
3.2.12.3 Excel
导入导出微软Excel文件。
写入。
In [147]: df.to_excel('foo.xlsx', sheet_name='Sheet1')
读取。
In [148]: pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA'])
Out[148]:
Unnamed: 0 A B C D
0 2000-01-01 0.266457 -0.399641 -0.219582 1.186860
1 2000-01-02 -1.170732 -0.345873 1.653061 -0.282953
2 2000-01-03 -1.734933 0.530468 2.060811 -0.515536
3 2000-01-04 -1.555121 1.452620 0.239859 -1.156896
4 2000-01-05 0.578117 0.511371 0.103552 -2.428202
5 2000-01-06 0.478344 0.449933 -0.741620 -1.962409
6 2000-01-07 1.235339 -0.091757 -1.543861 -1.084753
.. ... ... ... ... ...
993 2002-09-20 -10.628548 -9.153563 -7.883146 28.313940
994 2002-09-21 -10.390377 -8.727491 -6.399645 30.914107
995 2002-09-22 -8.985362 -8.485624 -4.669462 31.367740
996 2002-09-23 -9.558560 -8.781216 -4.499815 30.518439
997 2002-09-24 -9.902058 -9.340490 -4.386639 30.105593
998 2002-09-25 -10.216020 -9.480682 -3.933802 29.758560
999 2002-09-26 -11.856774 -10.671012 -3.216025 29.369368
[1000 rows x 5 columns]
3.2.13 陷阱(Gotchas)
在使用pandas时可能会出现以下异常(exception)：
>>> if pd.Series([False, True, False]):
... print("I was true")
Traceback
...
ValueError: The truth value of an array is ambiguous. Use a.empty, a.any() or a.all().
