python数据分析之pandas包

参考链接： Python | 使用Pandas进行数据分析

相关系数和协方差唯一值值计数及成员资格处理缺失数据层次化索引数据透视生成重排分级次序根据级别汇总统计列索引转为行索引读取文件导出文件数据库风格的DataFrame合并pandas知识体系图 

Pandas是一个开源的Python数据分析库。pandas具有强大的数据分析功能，这不仅体现在其数据分析功能的完备性，更体现在其对于大数据运算的速度，它可以将几百MB数据以高效的向量化格式加载到内存，在短时间内完成1亿次浮点计算。纽约大学柯朗研究所博士后Chris Stucchio在文章《别老扯什么Hadoop了，你的数据根本不够大》中指出：只有在超过5TB数据量的规模下，Hadoop才是一个合理的技术选择。可见，在数据量为几百MB的情况下，用pandas进行处理无疑是一个明智的选择。 

值得一提的是，pandas能够轻松完成SQL、MySQL等数据库中的对数据库的查找或表连接等功能，对于大量数据，只需耐心花些时间完成上传数据工作，其后的数据处理速度完全不亚于数据库的处理速度，而且能够实现更高的灵活性。 

Pandas把结构化数据分为了三类：  1. Series  1维序列，可视作为没有column名的、只有一个column的DataFrame；  2. DataFrame  同Spark SQL中的DataFrame一样，其概念来自于R语言，为多column并schema化的2维结构化数据，可视作为Series的容器（container）；  3. Panel  为3维的结构化数据，可视作为DataFrame的容器。 

下面我们将通过Python中的pandas包完成常见的数据分析任务： 

相关系数和协方差 

import pandas.io.data as web

from pandas import DataFrame,Series

import pandas as pd

import numpy as np

all_data = {}

for tricker in ['AAPL','IBM','MSFT','GOOG']:

    all_data[tricker] = web.get_data_yahoo(tricker,'1/1/2000','1/1/2010')

price = DataFrame({tic:data['Adj Close']

                        for tic,data in all_data.iteritems()})

volume = DataFrame({tic:data['Volume']

                        for tic,data in all_data.iteritems()})

#价格的百分比变化

returns = price.pct_change()

print returns.tail()

#计算相关系数和协方差

returns.MSFT.corr(returns.IBM)

returns.MSFT.cov(returns.IBM)

returns.corr()

returns.cov()

returns.corrwith(returns.IBM)

#计算price和volume之间的相关系数

returns.corrwith(volume) 

唯一值、值计数及成员资格 

obj = Series(['c','a','d','a','a','b','c','v','g'])

uniques = obj.unique()

uniques

obj.value_counts()

pd.value_counts(obj.values,sort=False)

mask = obj.isin(['b','c'])

mask

obj[mask] 

处理缺失数据 

string_data = Series(['a','c','a','d','a','a','b','c',np.nan,'a','b','c','v','g'])

string_data.isnull()

#python内置的None也会被当作缺失值处理

string_data[0] = None

string_data.isnull()

#series对象过滤掉缺失数据

string_data.dropna()

#or

string_data[string_data.notnull()]

#DataFrame对象过滤掉缺失数据

data = DataFrame([[np.nan,2,3],[np.nan,4,5],[4,5,6],[np.nan,np.nan,np.nan]])

#过滤含有nan的行

data

data.dropna()

#过滤全为nan的行

data.dropna(how='all')

#时间序列数据

df = DataFrame(np.random.randn(7,3))

df.ix[:4,1] = np.nan

df.ix[:2,2] = np.nan

df

df.dropna(thresh=2)

'''填充缺失数据'''

df.fillna(0)

df.fillna({1:0.5,3:-1,2:0.1})

#fillna默认返回新对象，但也可以对现有对象进行就地修改

_ = df.fillna({1:0.5},inplace=True)

df

#对reindex有效的插值方法也可以用于fillna

df.fillna(method='ffill')

#限制可以连续填充的最大数量

df.fillna(method='ffill',limit=2)

#用平均值或中值进行插值

data.fillna(data.mean()) 

层次化索引 

#Series数据层次化索引

data1 = Series(np.random.randn(10),

               index=[['a','a','a','b','b','b','c','c','d','d'],

                      [1,2,3,1,2,3,1,2,2,3]])

data1

data1.index

data1['b']

data1['b':'d']

data1.ix[['b','d']]

data1[:,2] 

数据透视生成 

data1.unstack()

#unstack的逆运算是stack()

data1.unstack().stack()

#DataFrame分层索引

frame = DataFrame(np.arange(12).reshape((4,3)),

                  index = [['a','a','b','b'],[1,2,1,2]],

                  columns = [['ohio','ohio','colorado'],

                             ['green','red','green']])

frame

#给索引命名

frame.index.names = ['key1','key2']

#给轴标签命名

frame.columns.names = ['state','color']

frame

#分组

frame['ohio'] 

重排分级次序 

frame.swaplevel('key1','key2')

#交换排序级别

frame.sortlevel(1)

frame.swaplevel(0,1).sortlevel(0) 

根据级别汇总统计 

#行汇总

frame.sum(level='key2')

#列汇总

frame.sum(level='color',axis=1)

'''使用DataFrame的列'''

frame1 = DataFrame({'a':range(7),

                    'b':range(7,0,-1),

                    'c':['one','one','one','two','two','two','two'],

                    'd':[0,1,2,0,1,2,3]}) 

列索引转为行索引 

frame2 = frame1.set_index(['c','d'])

frame2

frame2 = frame1.set_index(['c','d'],drop=False)

frame2

#set_index 的逆运算 reset_index

frame2.reset_index()

import numpy as np

import pandas as pd

from pandas import DataFrame,Series 

读取文件 

#读取文本格式的数据

pd.read_csv('',nrows=1)

#读取带分隔符的数据，如txt等，sep或delimiter为分隔符或正则表达式，Sep默认分隔符为空格，而delimiter默认分隔符为逗号

pd.table('',sep=' ') 

#使用pandas默认列名

pd.read_csv('',header=None)

#自定义列名

pd.read_csv('',names=['a','b','c'])

#指定某一列为索引

pd.read_csv('',names=names,index_col='a') 

导出文件 

#为空字符串标记为NULL

data.to_csv('',na_rep='NULL') 

数据库风格的DataFrame合并 

df1 = DataFrame({'key':['b','b','a','c','a','a','b'],

                 'data1':range(7)})

df2 = DataFrame({'key':['a','b','d'],

                 'data1':range(3)})

#将df2中的数据对应到df1上，如果没有则删掉

pd.merge(df1,df2,on='key')

#如果键不同，则分别进行指定

pd.merge(df1,df2,left_on='key1',right_on='key2')

#外链接

df1

df2

pd.merge(df1,df2,on='key',how='outer')

pd.merge(df1,df2,on='key',how='left')

pd.merge(df1,df2,on='key',how='inner')

#多键合并

left = DataFrame({'key1':['foo','foo','bar'],

                  'key2':['one','two','one'],

                  'lval':[1,2,3]})

right = DataFrame({'key1':['foo','foo','bar','bar'],

                  'key2':['one','one','one','two'],

                  'lval':[4,5,6,7]})

left

right

pd.merge(left,right,on=['key1','key2'],how='outer')

#注意，在进行一列连接时，DataFrame对象中的索引会被丢弃掉

pd.merge(left,right,on='key1')

#suffixes附加到左右两个DataFrame对象的重叠列名上的字符串

pd.merge(left,right,on='key1')

pd.merge(left,right,on='key1',suffixes=('_left','_right'))

#how默认为innner，可选inner,outer,left,right

#有时候DataFrame中的连接键位于其索引中，此时用left_index=True以说明索引键应被用作连接键

left1 = DataFrame({'key':['a','b','s','a','b','a','b'],

                    'value1':[1,2,3,1,2,3,1]})

right1 = DataFrame({'vallue2':[4,5]},index=['a','b'])

pd.merge(left1,right1,left_on='key',right_index=True)

pd.merge(left1,right1,left_on='key',right_index=True,how='outer')

#对层次化索引的数据

lefth = DataFrame({'key1':['ohio','ohio','ohio','nevada','nevada'],

                   'key2':[2000,2001,2002,2001,2002],

                    'data':np.arange(5.)})

righth = DataFrame(np.arange(12).reshape((6,2)),

                   index=[['nevada','nevada','ohio','ohio','ohio','ohio'],

                          [2001,2000,2000,2000,2001,2002]],

                    columns=['event1','event2'])

lefth

righth

pd.merge(lefth,righth,left_on=['key1','key2'],right_index=True)

pd.merge(lefth,righth,left_on=['key1','key2'],right_index=True,how='outer')

#同时使用合并双方的索引也没问题

left2 = DataFrame({'ohio':[1,4,2,6,4,7,8],

                   'nevada':[2,4,5,2,6,6,4]},

                    index=['a','s','c','a','b','c','c'])

right2 = DataFrame({'Missouri':[10,11,35],

                   'alabama':[45,34,56]},

                    index=['c','a','e'])

pd.merge(left2,right2,left_index=True,right_index=True)

pd.merge(left2,right2,left_index=True,right_index=True,how='outer')

#外连接也可以写成

left2.join(right2,how='outer')

#join方法也支持DataFrame的索引跟调用者DataFrame某个列之间的连接

left1.join(right1,on='key')

#索引合并也可以传入另一个DataFrame

#another和right2的行数相等

left2.join([right2,another])

#注意，在进行左链接时，右表的用来链接的键应唯一，否则链接后的表数据条数会多于原来的左表 

pandas知识体系图 

  注：本文来源于《用Python进行数据分析》学习笔记，如有错漏，恳请指正~