目录

  • 创建数据
  • 数据查看
  • 数据选取
    • 使用[]选取数据
    • 通过标签选取数据
    • 通过位置选取数据
    • 使用布尔索引
    • 修改数据
  • 缺失值处理
    • reindex
    • 删除缺失值
    • 填充缺失值
  • 常用操作
    • 统计
    • Apply函数
    • value_counts()
    • 字符串方法
  • 数据合并
    • Concat
    • Join
    • Append
  • 数据分组
  • 数据重塑
    • 数据堆叠
    • 数据透视表
  • 时间序列
  • 灵活的使用分类数据
  • 数据可视化
  • 导入导出数据
  • 获得帮助

首先导入Python数据处理中常用的三个库

如果没有可以分别执行下方代码框安装

#安装pandas
!pip install pandas
#安装numpy
!pip install numpy
#安装matplotlib
!pip install matoplotlib
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

创建数据

使用pd.Series创建Series对象

s = pd.Series([1,3,5,np.nan,6,8])
s
0    1.0
1    3.0
2    5.0
3    NaN
4    6.0
5    8.0
dtype: float64

通过numpy的array数据来创建DataFrame对象

dates = pd.date_range('20130101', periods=6)
dates
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))
df
  A B C D
2013-01-01 -0.469364 -1.389291 0.844032 0.042866
2013-01-02 0.986576 -0.689543 -0.383265 -1.104932
2013-01-03 -0.192426 1.740765 0.730479 -1.320781
2013-01-04 0.047348 -1.952303 -0.691544 -1.403883
2013-01-05 0.233021 0.619112 0.628579 -0.802585
2013-01-06 0.493946 0.848247 1.633055 -0.740562

通过字典创建DataFrame对象

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' })
df2
  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 
df2.dtypes
A           float64
B    datetime64[ns]
C           float32
D             int32
E          category
F            object
dtype: object
dir(df2)
['A',
 'B',
 'C',
 'D',
 'E',
 'F',
 'T',
 '_AXIS_ALIASES',
 '_AXIS_IALIASES',
 '_AXIS_LEN',
 '_AXIS_NAMES',
 '_AXIS_NUMBERS',
 '_AXIS_ORDERS',
 '_AXIS_REVERSED',
······
 'unstack',
 'update',
 'values',
 'var',
 'where',
 'xs']

数据查看

基本方法，务必掌握，更多相关查看数据的方法可以参与官方文档[1] 

下面分别是查看数据的顶部和尾部的方法

df.head()
  A B C D
2013-01-01 -0.469364 -1.389291 0.844032 0.042866
2013-01-02 0.986576 -0.689543 -0.383265 -1.104932
2013-01-03 -0.192426 1.740765 0.730479 -1.320781
2013-01-04 0.047348 -1.952303 -0.691544 -1.403883
2013-01-05 0.233021 0.619112 0.628579 -0.802585 
df.tail(3)
  A B C D
2013-01-04 0.047348 -1.952303 -0.691544 -1.403883
2013-01-05 0.233021 0.619112 0.628579 -0.802585
2013-01-06 0.493946 0.848247 1.633055 -0.740562

查看DataFrame对象的索引，列名，数据信息

df.index
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')
df.columns
Index(['A', 'B', 'C', 'D'], dtype='object')
df.values
array([[-0.46936354, -1.38929068,  0.84403157,  0.04286594],
       [ 0.98657633, -0.68954348, -0.38326456, -1.10493201],
       [-0.19242554,  1.74076522,  0.73047859, -1.32078058],
       [ 0.04734752, -1.95230265, -0.6915437 , -1.40388308],
       [ 0.23302102,  0.61911183,  0.628579  , -0.80258543],
       [ 0.49394583,  0.84824737,  1.633055  , -0.74056229]])

描述性统计

df.describe()
  A B C D
count 6.000000 6.000000 6.000000 6.000000
mean 0.183184 -0.137169 0.460223 -0.888313
std 0.515722 1.430893 0.855835 0.528401
min -0.469364 -1.952303 -0.691544 -1.403883
25% -0.132482 -1.214354 -0.130304 -1.266818
50% 0.140184 -0.035216 0.679529 -0.953759
75% 0.428715 0.790963 0.815643 -0.756068
max 0.986576 1.740765 1.633055 0.042866

数据转置

df.T
  2013-01-01 00:00:00 2013-01-02 00:00:00 2013-01-03 00:00:00 2013-01-04 00:00:00 2013-01-05 00:00:00 2013-01-06 00:00:00
A -0.469364 0.986576 -0.192426 0.047348 0.233021 0.493946
B -1.389291 -0.689543 1.740765 -1.952303 0.619112 0.848247
C 0.844032 -0.383265 0.730479 -0.691544 0.628579 1.633055
D 0.042866 -1.104932 -1.320781 -1.403883 -0.802585 -0.740562

根据列名排序

df.sort_index(axis=1, ascending=False)
  D C B A
2013-01-01 0.042866 0.844032 -1.389291 -0.469364
2013-01-02 -1.104932 -0.383265 -0.689543 0.986576
2013-01-03 -1.320781 0.730479 1.740765 -0.192426
2013-01-04 -1.403883 -0.691544 -1.952303 0.047348
2013-01-05 -0.802585 0.628579 0.619112 0.233021
2013-01-06 -0.740562 1.633055 0.848247 0.493946

根据B列数值排序

df.sort_values(by='B')
  A B C D
2013-01-04 0.047348 -1.952303 -0.691544 -1.403883
2013-01-01 -0.469364 -1.389291 0.844032 0.042866
2013-01-02 0.986576 -0.689543 -0.383265 -1.104932
2013-01-05 0.233021 0.619112 0.628579 -0.802585
2013-01-06 0.493946 0.848247 1.633055 -0.740562
2013-01-03 -0.192426 1.740765 0.730479 -1.320781

数据选取

官方建议使用优化的熊猫数据访问方法.at，.iat，.loc和.iloc，部分较早的pandas版本可以使用.ix

这些选取函数的使用需要熟练掌握

使用[]选取数据

选取单列数据，等效于df.A:

df['A']
2013-01-01   -0.469364
2013-01-02    0.986576
2013-01-03   -0.192426
2013-01-04    0.047348
2013-01-05    0.233021
2013-01-06    0.493946
Freq: D, Name: A, dtype: float64

按行选取数据，使用[]

df[0:3]
  A B C D
2013-01-01 -0.469364 -1.389291 0.844032 0.042866
2013-01-02 0.986576 -0.689543 -0.383265 -1.104932
2013-01-03 -0.192426 1.740765 0.730479 -1.320781 
df['20130102':'20130104']
  A B C D
2013-01-02 0.986576 -0.689543 -0.383265 -1.104932
2013-01-03 -0.192426 1.740765 0.730479 -1.320781
2013-01-04 0.047348 -1.952303 -0.691544 -1.403883

通过标签选取数据

df.loc[dates[0]]
A   -0.469364
B   -1.389291
C    0.844032
D    0.042866
Name: 2013-01-01 00:00:00, dtype: float64
df.loc[:,['A','B']]
  A B
2013-01-01 -0.469364 -1.389291
2013-01-02 0.986576 -0.689543
2013-01-03 -0.192426 1.740765
2013-01-04 0.047348 -1.952303
2013-01-05 0.233021 0.619112
2013-01-06 0.493946 0.848247 
df.loc['20130102':'20130104',['A','B']]
  A B
2013-01-02 0.986576 -0.689543
2013-01-03 -0.192426 1.740765
2013-01-04 0.047348 -1.952303 
df.loc['20130102',['A','B']]
A    0.986576
B   -0.689543
Name: 2013-01-02 00:00:00, dtype: float64
df.loc[dates[0],'A']
-0.46936353804430075
df.at[dates[0],'A']
-0.46936353804430075

通过位置选取数据

df.iloc[3]
A    0.047348
B   -1.952303
C   -0.691544
D   -1.403883
Name: 2013-01-04 00:00:00, dtype: float64
df.iloc[3:5, 0:2]
  A B
2013-01-04 0.047348 -1.952303
2013-01-05 0.233021 0.619112 
df.iloc[[1,2,4],[0,2]]
  A C
2013-01-02 0.986576 -0.383265
2013-01-03 -0.192426 0.730479
2013-01-05 0.233021 0.628579 
df.iloc[1:3]
  A B C D
2013-01-02 0.986576 -0.689543 -0.383265 -1.104932
2013-01-03 -0.192426 1.740765 0.730479 -1.320781 
df.iloc[:, 1:3]
  B C
2013-01-01 -1.389291 0.844032
2013-01-02 -0.689543 -0.383265
2013-01-03 1.740765 0.730479
2013-01-04 -1.952303 -0.691544
2013-01-05 0.619112 0.628579
2013-01-06 0.848247 1.633055 
df.iloc[1, 1]
-0.689543482094678
df.iat[1, 1]
-0.689543482094678

使用布尔索引

df[df.A>0]
  A B C D
2013-01-02 0.986576 -0.689543 -0.383265 -1.104932
2013-01-04 0.047348 -1.952303 -0.691544 -1.403883
2013-01-05 0.233021 0.619112 0.628579 -0.802585
2013-01-06 0.493946 0.848247 1.633055 -0.740562 
df[df>0]
  A B C D
2013-01-01 NaN NaN 0.844032 0.042866
2013-01-02 0.986576 NaN NaN NaN
2013-01-03 NaN 1.740765 0.730479 NaN
2013-01-04 0.047348 NaN NaN NaN
2013-01-05 0.233021 0.619112 0.628579 NaN
2013-01-06 0.493946 0.848247 1.633055 NaN 
df2 = df.copy()
df2['E'] = ['one', 'one','two','three','four','three']
df2
  A B C D E
2013-01-01 -0.469364 -1.389291 0.844032 0.042866 one
2013-01-02 0.986576 -0.689543 -0.383265 -1.104932 one
2013-01-03 -0.192426 1.740765 0.730479 -1.320781 two
2013-01-04 0.047348 -1.952303 -0.691544 -1.403883 three
2013-01-05 0.233021 0.619112 0.628579 -0.802585 four
2013-01-06 0.493946 0.848247 1.633055 -0.740562 three 
df2[df2['E'].isin(['two','four'])]
  A B C D E
2013-01-03 -0.192426 1.740765 0.730479 -1.320781 two
2013-01-05 0.233021 0.619112 0.628579 -0.802585 four

修改数据

添加新列并自动按索引对齐数据

s1 = pd.Series([1,2,3,4,5,6], index=pd.date_range('20130102', periods=6))
s1
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
df['F'] = s1
df.at[dates[0], 'A'] = 0
df.iat[0, 1] = 0
df.loc[:, 'D'] = np.array([5] * len(df)) 
df
  A B C D F
2013-01-01 0.000000 0.000000 0.844032 5 NaN
2013-01-02 0.986576 -0.689543 -0.383265 5 1.0
2013-01-03 -0.192426 1.740765 0.730479 5 2.0
2013-01-04 0.047348 -1.952303 -0.691544 5 3.0
2013-01-05 0.233021 0.619112 0.628579 5 4.0
2013-01-06 0.493946 0.848247 1.633055 5 5.0 
df2 = df.copy()
df2[df2 > 0] = -df2
df2
  A B C D F
2013-01-01 0.000000 0.000000 -0.844032 -5 NaN
2013-01-02 -0.986576 -0.689543 -0.383265 -5 -1.0
2013-01-03 -0.192426 -1.740765 -0.730479 -5 -2.0
2013-01-04 -0.047348 -1.952303 -0.691544 -5 -3.0
2013-01-05 -0.233021 -0.619112 -0.628579 -5 -4.0
2013-01-06 -0.493946 -0.848247 -1.633055 -5 -5.0

缺失值处理

缺失值处理是Pandas数据处理的一部分，以下仅展示了部分操作

reindex

Pandas中使用np.nan来表示缺失值，可以使用reindex更改/添加/删除指定轴上的索引

df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ['E'])
df1.loc[dates[0]:dates[1],'E'] = 1
df1
  A B C D F E
2013-01-01 0.000000 0.000000 0.844032 5 NaN 1.0
2013-01-02 0.986576 -0.689543 -0.383265 5 1.0 1.0
2013-01-03 -0.192426 1.740765 0.730479 5 2.0 NaN
2013-01-04 0.047348 -1.952303 -0.691544 5 3.0 NaN

删除缺失值

舍弃含有NaN的行

df1.dropna(how='any')
  A B C D F E
2013-01-02 0.986576 -0.689543 -0.383265 5 1.0 1.0

填充缺失值

填充缺失数据

df1.fillna(value=5)
  A B C D F E
2013-01-01 0.000000 0.000000 0.844032 5 5.0 1.0
2013-01-02 0.986576 -0.689543 -0.383265 5 1.0 1.0
2013-01-03 -0.192426 1.740765 0.730479 5 2.0 5.0
2013-01-04 0.047348 -1.952303 -0.691544 5 3.0 5.0 
pd.isnull(df1)
  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

 

统计

在进行统计操作时需要排除缺失值！

「描述性统计????」

纵向求均值

df.mean()
A    0.261411
B    0.094380
C    0.460223
D    5.000000
F    3.000000
dtype: float64

横向求均值

df.mean(1)
2013-01-01    1.461008
2013-01-02    1.182754
2013-01-03    1.855764
2013-01-04    1.080700
2013-01-05    2.096142
2013-01-06    2.595050
Freq: D, dtype: float64
s = pd.Series([1,3,5,np.nan,6,8], index=dates).shift(2)
s
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
df.sub(s, axis='index')
  A B C D F
2013-01-01 NaN NaN NaN NaN NaN
2013-01-02 NaN NaN NaN NaN NaN
2013-01-03 -1.192426 0.740765 -0.269521 4.0 1.0
2013-01-04 -2.952652 -4.952303 -3.691544 2.0 0.0
2013-01-05 -4.766979 -4.380888 -4.371421 0.0 -1.0
2013-01-06 NaN NaN NaN NaN NaN

Apply函数

df.apply(np.cumsum)
  A B C D F
2013-01-01 0.000000 0.000000 0.844032 5 NaN
2013-01-02 0.986576 -0.689543 0.460767 10 1.0
2013-01-03 0.794151 1.051222 1.191246 15 3.0
2013-01-04 0.841498 -0.901081 0.499702 20 6.0
2013-01-05 1.074519 -0.281969 1.128281 25 10.0
2013-01-06 1.568465 0.566278 2.761336 30 15.0 
df.apply(lambda x: x.max() - x.min())
A    1.179002
B    3.693068
C    2.324599
D    0.000000
F    4.000000
dtype: float64

value_counts()

文档中为Histogramming，但示例就是.value_counts()的使用

s = pd.Series(np.random.randint(0, 7, size=10))
s
0    6
1    1
2    4
3    6
4    3
5    2
6    3
7    5
8    2
9    2
dtype: int64
s.value_counts()
2    3
6    2
3    2
5    1
4    1
1    1
dtype: int64

字符串方法

s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 'CABA', 'dog', 'cat'])
s.str.lower()
0       a
1       b
2       c
3    aaba
4    baca
5     NaN
6    caba
7     dog
8     cat
dtype: object

 

Concat

在连接/合并类型操作的情况下，pandas提供了各种功能，可以轻松地将Series和DataFrame对象与各种用于索引和关系代数功能的集合逻辑组合在一起。

df = pd.DataFrame(np.random.randn(10, 4))
df
  0 1 2 3
0 0.413620 -1.114527 0.322678 1.207744
1 -1.812499 -1.338866 0.611622 0.445057
2 0.365098 0.177919 0.823212 1.529158
3 -0.803774 -1.422255 1.411392 0.400721
4 0.732753 1.413181 -0.338617 0.088442
5 -0.509033 -1.237311 1.021978 -0.596258
6 0.841053 -0.404684 1.528639 -0.273577
7 0.966884 -2.142516 1.041670 0.109264
8 2.231267 2.011625 0.601062 0.533928
9 -0.134641 0.165157 -1.236827 1.681187 
pieces = [df[:3], df[3:6], df[7:]]
pd.concat(pieces)
  0 1 2 3
0 0.413620 -1.114527 0.322678 1.207744
1 -1.812499 -1.338866 0.611622 0.445057
2 0.365098 0.177919 0.823212 1.529158
3 -0.803774 -1.422255 1.411392 0.400721
4 0.732753 1.413181 -0.338617 0.088442
5 -0.509033 -1.237311 1.021978 -0.596258
7 0.966884 -2.142516 1.041670 0.109264
8 2.231267 2.011625 0.601062 0.533928
9 -0.134641 0.165157 -1.236827 1.681187

「注意」

将列添加到DataFrame相对较快。

但是，添加一行需要一个副本，并且可能浪费时间

我们建议将预构建的记录列表传递给DataFrame构造函数，而不是通过迭代地将记录追加到其来构建DataFrame

Join

left = pd.DataFrame({'key': ['foo', 'foo'], 'lval': [1, 2]})
right = pd.DataFrame({'key': ['foo', 'foo'], 'rval': [4, 5]})
left
  key lval
0 foo 1
1 foo 2 
right
  key rval
0 foo 4
1 foo 5 
pd.merge(left, right, on='key')
  key lval rval
0 foo 1 4
1 foo 1 5
2 foo 2 4
3 foo 2 5

Append

df = pd.DataFrame(np.random.randn(8, 4), columns=['A','B','C','D'])
df
  A B C D
0 -0.142659 -0.941171 -0.186519 -0.811977
1 0.584561 0.177886 -0.190396 0.664233
2 -1.807829 0.268193 0.683990 0.477042
3 -1.474986 -1.098600 -0.038280 2.087236
4 1.906703 0.678425 -0.090156 -0.444430
5 0.329748 1.110306 0.713732 -0.714841
6 1.218329 -0.376264 0.389029 -1.526025
7 0.423347 1.821127 -1.795346 -0.795738 
s = df.iloc[3]
df.append(s, ignore_index=True)
  A B C D
0 -0.142659 -0.941171 -0.186519 -0.811977
1 0.584561 0.177886 -0.190396 0.664233
2 -1.807829 0.268193 0.683990 0.477042
3 -1.474986 -1.098600 -0.038280 2.087236
4 1.906703 0.678425 -0.090156 -0.444430
5 0.329748 1.110306 0.713732 -0.714841
6 1.218329 -0.376264 0.389029 -1.526025
7 0.423347 1.821127 -1.795346 -0.795738
8 -1.474986 -1.098600 -0.038280 2.087236

数据分组

「数据分组」是指涉及以下一个或多个步骤的过程：

  • 根据某些条件将数据分成几组

  • 对每个组进行独立的操作

  • 对结果进行合并

更多操作可以查阅官方文档[2] 

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)})
df
  A B C D
0 foo one -1.145254 0.974305
1 bar one 1.195757 -0.187145
2 foo two -0.699446 0.248682
3 bar three -0.587003 -0.200543
4 foo two 2.046185 -1.377637
5 bar two 0.444696 -0.880975
6 foo one 0.057713 -1.275762
7 foo three 0.272196 0.016167 
df.groupby('A').sum()
  C D
A    
bar 1.053451 -1.268663
foo 0.531394 -1.414245 
df.groupby(['A', 'B']).sum()
    C D
A B    
bar one 1.195757 -0.187145
three -0.587003 -0.200543
two 0.444696 -0.880975
foo one -1.087541 -0.301457
three 0.272196 0.016167
two 1.346739 -1.128956

数据重塑

详细教程请参阅官方文档[3]中「分层索引和重塑」部分。

数据堆叠

可以进行数据压缩

tuples = list(zip(*[['bar', 'bar', 'baz', 'baz',
                     'foo', 'foo', 'qux', 'qux'],
                   ['one', 'two', 'one', 'two',
                    'one', 'two', 'one', 'two']]))
index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])
df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=['A', 'B'])
df2 = df[:4]
df2
    A B
first second    
bar one -0.625492 2.471493
two 0.934708 1.595349
baz one 0.686079 0.279957
two 0.039190 -0.534317 
stacked = df2.stack()
stacked
first  second
bar    one     A   -0.625492
               B    2.471493
       two     A    0.934708
               B    1.595349
baz    one     A    0.686079
               B    0.279957
       two     A    0.039190
               B   -0.534317
dtype: float64

stack()的反向操作是unstack()，默认情况下，它会将最后一层数据进行unstack():

stacked.unstack()
    A B
first second    
bar one -0.625492 2.471493
two 0.934708 1.595349
baz one 0.686079 0.279957
two 0.039190 -0.534317 
stacked.unstack(1)
  second one two
first      
bar A -0.625492 0.934708
B 2.471493 1.595349
baz A 0.686079 0.039190
B 0.279957 -0.534317 
stacked.unstack(0)
  first bar baz
second      
one A -0.625492 0.686079
B 2.471493 0.279957
two A 0.934708 0.039190
B 1.595349 -0.534317

数据透视表

Pandas中实现数据透视表很简单，但是相比之下并没有Excel灵活

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)})
df
  A B C D E
0 one A foo -0.072719 -0.034173
1 one B foo 1.262336 -0.907695
2 two C foo 0.093161 -1.516473
3 three A bar 0.190056 0.481209
4 one B bar 1.319855 0.255924
5 one C bar 0.374758 -0.019331
6 two A foo -1.019282 0.673759
7 three B foo -1.526206 -0.521203
8 one C foo 1.600168 1.632461
9 one A bar -2.410462 -0.271305
10 two B bar 0.387701 -1.039195
11 three C bar -1.367669 -1.760517 
df.pivot_table(values='D', index=['A', 'B'], columns='C')
  C bar foo
A B    
one A -2.410462 -0.072719
B 1.319855 1.262336
C 0.374758 1.600168
three A 0.190056 NaN
B NaN -1.526206
C -1.367669 NaN
two A NaN -1.019282
B 0.387701 NaN
C NaN 0.093161

时间序列

对于在频率转换期间执行重采样操作(例如，将秒数据转换为5分钟数据)，pandas具有简单、强大和高效的功能。这在金融应用中非常常见，但不仅限于此。参见官方文档[4]中「时间序列」部分。

时区表示

rng = pd.date_range('1/1/2012', periods=100, freq='S')
ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)
ts.resample('5Min').sum()
2012-01-01    27339
Freq: 5T, dtype: int64
rng = pd.date_range('3/6/2012 00:00', periods=5, freq='D')
ts = pd.Series(np.random.randn(len(rng)), rng)
ts
2012-03-06   -0.118691
2012-03-07   -1.424038
2012-03-08    0.377441
2012-03-09   -1.116195
2012-03-10    1.180595
Freq: D, dtype: float64
ts_utc = ts.tz_localize('UTC')
ts_utc
2012-03-06 00:00:00+00:00   -0.118691
2012-03-07 00:00:00+00:00   -1.424038
2012-03-08 00:00:00+00:00    0.377441
2012-03-09 00:00:00+00:00   -1.116195
2012-03-10 00:00:00+00:00    1.180595
Freq: D, dtype: float64

时区转换

ts_utc.tz_convert('US/Eastern')
2012-03-05 19:00:00-05:00   -0.118691
2012-03-06 19:00:00-05:00   -1.424038
2012-03-07 19:00:00-05:00    0.377441
2012-03-08 19:00:00-05:00   -1.116195
2012-03-09 19:00:00-05:00    1.180595
Freq: D, dtype: float64

在时间跨度表示之间进行转换

rng = pd.date_range('1/1/2012', periods=5, freq='M')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
ts
2012-01-31    1.138201
2012-02-29    0.677539
2012-03-31    0.272933
2012-04-30   -0.238112
2012-05-31   -1.122162
Freq: M, dtype: float64
ps = ts.to_period()
ps
2012-01    1.138201
2012-02    0.677539
2012-03    0.272933
2012-04   -0.238112
2012-05   -1.122162
Freq: M, dtype: float64
ps.to_timestamp()
2012-01-01    1.138201
2012-02-01    0.677539
2012-03-01    0.272933
2012-04-01   -0.238112
2012-05-01   -1.122162
Freq: MS, dtype: float64

在周期和时间戳之间转换可以使用一些方便的算术函数。

在以下示例中，我们将以11月结束的年度的季度频率转换为季度结束后的月末的上午9点：

prng = pd.period_range('1990Q1', '2000Q4', freq='Q-NOV')
ts = pd.Series(np.random.randn(len(prng)), prng)
ts.index = (prng.asfreq('M', 'e') + 1).asfreq('H', 's') + 9
ts.head()
1990-03-01 09:00   -1.555191
1990-06-01 09:00    1.535344
1990-09-01 09:00   -0.092187
1990-12-01 09:00    1.285081
1991-03-01 09:00    1.130063
Freq: H, dtype: float64

事实上，常用有关时间序列的操作远超过上方的官方示例，简单来说与日期有关的操作从创建到转换pandas都能很好的完成！

灵活的使用分类数据

Pandas可以在一个DataFrame中包含分类数据。有关完整文档，请参阅分类介绍和API文档。

df = pd.DataFrame({"id":[1,2,3,4,5,6], "raw_grade":['a', 'b', 'b', 'a', 'a', 'e']})
df['grade'] = df['raw_grade'].astype("category")
df['grade']
0    a
1    b
2    b
3    a
4    a
5    e
Name: grade, dtype: category
Categories (3, object): [a, b, e]

将类别重命名为更有意义的名称(Series.cat.categories())

df["grade"].cat.categories = ["very good", "good", "very bad"]

重新排序类别，并同时添加缺少的类别(在有缺失的情况下，string .cat()下的方法返回一个新的系列)。

df["grade"] = df["grade"].cat.set_categories(["very bad", "bad", "medium", "good", "very good"])
df["grade"]
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]
df.sort_values(by='grade')
  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 
df.groupby("grade").size()
grade
very bad     1
bad          0
medium       0
good         2
very good    3
dtype: int64

数据可视化

 

ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))
ts.head()
2000-01-01   -1.946554
2000-01-02   -0.354670
2000-01-03    0.361473
2000-01-04   -0.109408
2000-01-05    0.877671
Freq: D, dtype: float64
ts = ts.cumsum() #累加

在Pandas中可以使用.plot()直接绘图，支持多种图形和自定义选项点击可以查阅官方文档[5]

ts.plot()
十分钟快速了解Pandas的常用操作！_Pandas
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index,
                  columns=['A', 'B', 'C', 'D']) 
df = df.cumsum()

使用plt绘图，具体参数设置可以查阅matplotlib官方文档

plt.figure(); df.plot(); plt.legend(loc='best')
十分钟快速了解Pandas的常用操作！_Pandas_02

导入导出数据

「将数据写入csv，如果有中文需要注意编码」

df.to_csv('foo.csv')

从csv中读取数据

pd.read_csv('foo.csv').head()
  Unnamed: 0 A B C D
0 2000-01-01 -0.640246 -1.846295 -0.181754 0.981574
1 2000-01-02 -1.580720 -2.382281 -0.745580 0.175213
2 2000-01-03 -2.745502 -1.809188 -0.371424 -0.724011
3 2000-01-04 -2.576642 -1.287329 -0.615925 -1.154665
4 2000-01-05 -2.442921 -0.481561 -0.283864 0.068934

将数据导出为hdf格式

df.to_hdf('foo.h5','df')

从hdf文件中读取数据前五行

pd.read_hdf('foo.h5','df').head()
  A B C D
2000-01-01 -0.640246 -1.846295 -0.181754 0.981574
2000-01-02 -1.580720 -2.382281 -0.745580 0.175213
2000-01-03 -2.745502 -1.809188 -0.371424 -0.724011
2000-01-04 -2.576642 -1.287329 -0.615925 -1.154665
2000-01-05 -2.442921 -0.481561 -0.283864 0.068934

将数据保存为xlsx格式

df.to_excel('foo.xlsx', sheet_name='Sheet1')

从xlsx格式中按照指定要求读取sheet1中数据

pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA']).head()
  A B C D
2000-01-01 -0.640246 -1.846295 -0.181754 0.981574
2000-01-02 -1.580720 -2.382281 -0.745580 0.175213
2000-01-03 -2.745502 -1.809188 -0.371424 -0.724011
2000-01-04 -2.576642 -1.287329 -0.615925 -1.154665
2000-01-05 -2.442921 -0.481561 -0.283864 0.068934

获得帮助

如果你在使用Pandas的过程中遇到了错误，就像下面一样：

>>> if pd.Series([False, T`mrue, False]):
...     print("I was true")
Traceback
    ...
ValueError: The truth value of an array is ambiguous. Use a.empty, a.any() or a.all().

可以查阅官方文档来了解该如何解决！

参考资料

[1]

https://pandas.pydata.org/pandas-docs/stable/user_guide/basics.html#basics

[2]

https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html#groupby

[3]

https://pandas.pydata.org/pandas-docs/stable/user_guide/advanced.html#advanced-hierarchical

[4]

https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#timeseries

[5]

https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html#plotting

 

-END-

十分钟快速了解Pandas的常用操作！_Pandas_03