Python数据处理手册
关键词： Python
- Python数据处理手册
- 1引言
- 2Numpy基础数组和矢量计算
- 1 一种多维数组对象ndarray
- 2 运算函数
- 3 利用数组进行数据处理
- 4 数组的文件输入输出
- 5 线性代数
- 6 随机数生成
- pandas
- 1 Series
- 2 DataFrame
- 3 索引对象
- 4 重新索引
- 5 丢弃指定轴上的项
- 6 索引选取和过滤
- 7 算术运算和数据对齐
- 8 DataFrame和Series之间的运算
- 9 函数应用和映射
- 10 排序和排名
- 11 带有重复值的轴索引
- 12 汇总和计算描述统计
- 13 相关系数与协方差
- 14 唯一值值计数以及成员资格
- 15 处理缺失数据
1、引言
numpy和pandas的常用函数及方法。
2、Numpy基础：数组和矢量计算
2.1 一种多维数组对象ndarray
2.2 运算函数
- 通用函数（即ufunc）是一种对ndarray中的数据执行元素级运算的函数。
#数组开方运算函数
>>>arr = np.arange(4)
>>>arr
array([0, 1, 2, 3])
>>>np.sqrt(arr)
array([ 0. , 1. , 1.41421356, 1.73205081])- np.modf() #分别显示浮点整数的小数部分和整数部分
>>>np.modf(np.sqrt(arr))
(array([ 0. , 0. , 0.41421356, 0.73205081]),
array([ 0., 1., 1., 1.]))- 一元ufunc
• np.abs()、np.fabs() #计算整数、浮点数或复数的绝对值。对于非复数值，可以使用更快的fabs
np.sqrt() #计算各元素的平方根，相当于arr ** 0.5
np.square() #计算各元素的平方。相当于arr ** 2
np.exp() #计算各元素的指数
np.log()、np.log10()、np.log2()、np.log1p() #分别为自然对数（e）、底数为10、底数为2、log(1+x)
np.sign() #计算各元素的正负号：1（正数）、0（零）、-1（负数）
np.ceil() #计算各元素的ceiling值，即大于等于该值的最小整数
np.floor() #计算各元素的floor值，即小于等于该值的最大整数
np.rint() #将各元素值四舍五入到最接近的整数，保留dtype
np.modf() #将数组的小数和整数部分以两个独立数组的形式返回
np.isnan() #返回一个表示“哪些值是NaN（这不是一个数字）”的布尔数组
np.isfinite()、np.isinf() #分布返回一个表示“哪些元素是有穷的（非inf，非NaN）”或“哪些元素是无穷的”的布尔型数组
np.cos()、np.cosh()、np.sin()、np.sinh() #普通型和双曲型三角函数
np.tan()、np.tanh()、np.arcos()、np.arccosh()、np.arcsin()、np.arcsinh()、np.arctan()、np.arctanh() #反三角函数
np.logical_not() #计算各元素not x 的真值。相当于-arr- 二元ufunc
• np.add(arr1,arr2) #将数组中对应的元素相加
np.subtract() #从第一个数组中减去第二个数组中的元素
np.multiply() #数组对应元素相乘
np.divide()、np.floor_divide() #除法或向下圆整除法（丢弃余数）
np.power() #对第一个数组中的元素A，根据第二个数组中的相应元素B,计算AB” role=”presentation” style=”position: relative;”>ABAB
np.maximum()、np.fmax() #元素级的最大值计算。fmax将忽略NaN
np.minimum()、np.fmin() #元素级的最小值计算。fmin将忽略NaN
np.mod() #元素级的求模运算（除法的余数）
np.copysign() #将第二个数组中的值的符合复制给第一个数组中的值
np.greater()、np.greater_equal()、np.less()、np.less_equal()、np.logical_and()、np.logical_or()、np.logical_xor() #执行元素级的比较运算，最终产生布尔型数组，相当于>、>=、<、<=、==、!=2.3 利用数组进行数据处理
- np.where() #是三元表达式x if condition else y的矢量化版本。
#当c为True，取x；当c为False，取y
>>>x = np.array([1.1,1.2,1.3, 1.4, 1.5])
>>>y = np.array([2.1, 2.2, 2.3, 2.4, 2.5])
>>>c = np.array([True, False, True, True, False])
>>>result = np.where(c, x, y)
array([1.1, 2.2, 1.3, 1.4, 2.5])where通常用于根据另一个数组而产生一个新的数组。
传递给where的数组大小可以不相等，甚至可以是标量值。
- 数学和统计方法
获取正态分布的函数：np.random.randn(行数，列数)，参数只有一个时，生成的是一维数组。 - 基本数组统计方法
>>>arr = np.arange(9).reshape((3,3))
>>>arr
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])arr.sum() #对数组中全部或某轴向的元素求和。零长度的数组的sum为0
arr.mean() #算术平均数。零长度的数组的mean为NaN
arr.std()、arr.var() #分别为标准差和方差，自由度可调（默认为n）
arr.min()、arr.max() #最大值和最小值
arr.argmin()、arr.argmax() #分别为最大和最小元素的索引
arr.cumsum() #所有元素的累积和
arr.cumprod() #所有元素的累积积在上面这些方法中，布尔值会被强制转换为1（True）和0（False）
>>>(arr > 0).sum() #正数的数量
>>>8arr.any()、arr.all() #它们对布尔数组非常有用。any用于测试数组中是否存在一个或多个True，而all则检查数组中所有值是否都是True
>>>arr = np.array([False, False, True, False])
>>>arr.any()
True
>>>arr.all()
False- 排序
arr.sort() #同Python内置的列表类型一样 - 唯一化及其他的集合逻辑
np.unique(数组名) #用于找出数组中的唯一值并返回已排序的结果
>>>names = np.array(['Bob','Joe', 'Will', 'Bob','Joe', 'Will', 'Joe])
>>>np.unique(names)
array(['Bob','Joe','Will'])#该方法和set有些类似
数组的集合运算
np.unique(x) #计算x中的唯一元素，并返回有序结果
np.intersect1d(x,y) #计算x和y中的公共元素，并返回有序结果
np.union1d(x,y) #计算x和y的并集，并返回有序结果
np.in1d(x,y) #得到一个表示“x的元素是否包含于y”的布尔型数组
np.setdiff1d(x,y) #集合的差，即元素在x中且不在y中
np.setxor1d(x,y) #集合的对称差，即存在于一个数组中，但不同时存在于两个数组中的元素2.4 数组的文件输入输出
- Numpy能够读写磁盘上的文本数据、二进制数据。
- 将数组以二进制格式保存到磁盘。
- np.save()、np.load()是读写磁盘数组数据的两个主要函数。默认情况下，数组以未压缩的原始二进制格式保存在扩展名为.npy的文件中。
>>>arr = np.arange(10)
>>>np.save('an_array', arr) #将arr保存到磁盘。如果文件路径末尾没有扩展名.npy,则该扩展名会被自动加上
>>>np.load('an_array.npy') #读取磁盘数组- np.savez() #可以将多个数组保存到一个压缩文件中，将数组以关键字参数的形式传入即可。
>>>np.savez('array.npz', a = arr, b = arr)
>>>m = np.load('array.npz')
>>>m['a']
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])- 存取文本文件
从文件中加载文本是一个非常标准的任务。python中的文件读写函数格式很容易将新手搞晕，所以主要介绍pandas中的read_csv和read_table。有时也需要np.loadtxt或np.genfromtxt将数据加载到普通的NumPy数组中。
>>>arr = np.loadtxt('array.txt', delimiter = ',')
#np.savetxt() 执行的是相反的操作：将数组写到以某种分隔符隔开的文本文件中。genfromtxt跟loadtxt差不多，只不过它面向的是结构化数组和缺失数据处理。2.5 线性代数
NumPy中的矩阵乘法函数：np.dot(x,y)
>>>a = np.random.randn(3,3)
>>>b = np.random.randn(3,4)
>>>a
array([[ 0.79424789, 2.13225629],
[ 0.56193264, 0.28040479]])
>>>b
array([[ 2.77264694, -0.76840806, -0.92406786],
[ 0.99918608, 0.33742714, 1.04551225]])
>>>np.dot(a,b)
array([[ 4.33268977, 0.10917466, 1.49536114],
[ 1.83821738, -0.33717739, -0.22609725]])- 常用的numpy.linalg函数
• np.diag(arr) #以一维数组的形式返回方阵的对角线（或非对角线）元素，或将一维数组转换为方阵（非对角线元素为0）
np.dot(x,y) #矩阵乘法
np.trace() #计算对角线元素的和
np.linalg.det() #计算矩阵行列式
np.linalg.eig() #计算方阵的本特征和本特征向量
np.linalg.inv() #计算方阵的逆
np.linalg.pinv() #计算方阵的Moore-Penrose伪逆
np.linalg.qr() #计算QR分解
np.linalg.svd() #计算奇异值分解
np.linalg.solve(A,b) #解线性方程组Ax=b，其中A为一个方阵
np.linalg.lstsq() #计算Ax=b的最小二乘解2.6 随机数生成
numpy.random模块对python内置的random进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数。
>>>a = np.random.normal((size=(3,3))
#用size=(行数，列数),生成数组，不用size，仅生成一个值，其他函数也是如此
>>>a
array([[-0.96685449, 0.08163984, -0.22994784],
[-0.64561687, 0.77092965, 0.69356818],
[ 0.76825463, -1.68469753, 2.07854679]])- numpy.random函数
• np.random.seed() #确定随机数生成器的种子
np.random.permutation() #返回一个序列的随机排列或返回一个随机排列的范围
np.random.shuffle() #对一个序列就地随机排列
np.random.rand() #产生均匀分布的样本值
np.random.randint() #从给定的上下限范围内随机选取整数
np.random.randn() #产生正态分布（平均值为0，标准差为1）的样本值，类似于Matlab接口
np.random.binomial() #产生二项分布的样本值
np.random.normal() #产生正态（高斯）分布的样本值
np.random.beta() #产生Beta分布的样本值
np.random.chisquare() #产生卡方分布的样本值
np.random.gamma() #产生Gamma分布的样本值
np.random.uniform() #产生在（0,1）中均匀分布的样本值3 pandas
pandas是基于NumPy构建的，让以NumPy为中心的应用变得更加简单。
引入pandas方式：
from pandas import Series, DataFrame
import pandas as pd3.1 Series
- Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成。
- Series：索引在左，值在右边
仅由一组数据即可产生最简单的Series：
>>>obj = Series([4,7,-5,3])
>>>obj
0 4
1 7
2 -5
3 3
#通过values、index指定属性获取其数组表示形式和索引对象
>>>obj.values
array([4,7,-5,3])
>>>obj.index
Int64Index([0,1,2,3])>>>obj2 = Series([4,5,6,7],index = ['d','b','a','c']) #添加索引值, 索引可以通过赋值的方式就地修改obj2.index={}
>>>obj2
d 4
b 5
a 6
c 7
dtype: int64
>>>obj2['a'] #索引
6
>>>obj2[['a','b']] #索引
a 6
b 5- Series同样可以使用标量乘法、数学运算函数
- 如果数据别存放在一个python字典中，也可以直接通过这个字典来创建Series。
>>>dict = {'a':2,'b':3,'c':4}
>>>obj3 = Series(dict)
>>>obj3
a 2
b 3
c 4如果只传入一个字典，则结果Series中的索引就是原字典的键。
-
pd.isnull()、pd.notnull()可用于检测缺失数据
>>>pd.isnull(obj3) #也可以用obj3.isnull()
a False
b False
c False
>>>pd.notnull(obj3)
a True
b True
c True3.2 DataFrame
- DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）
>>>data = {'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],'year':[2000,2001,2002,2001,2002],'pop':[1.5,1.7,3.6,2.4,2.9]} #字典
>>>frame = DataFrame(data)
>>>frame
pop state year
0 1.5 Ohio 2000
1 1.7 Ohio 2001
2 3.6 Ohio 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002
#结果DataFrame会自动加上索引（跟Series一样），且全部列会被有序排列
#如果指定了列序列，则按指定的列排列(如果传入的列找不到，就会产生NaN值)
>>>DataFrame(data, columns = ['year','state','pop']
year state pop
0 2000 Ohio 1.5
1 2001 Ohio 1.7
2 2002 Ohio 3.6
3 2001 Nevada 2.4
4 2002 Nevada 2.9
#索引(DataFrame添加指定索引的方式同Series相同，参考3.1)
>>>frame.year
0 2000
1 2001
2 2002
3 2001
4 2002
Name: year, dtype: int64
#按行索引frame.ix[索引名或行列]
>>>frame.ix[2]
pop 3.6
state Ohio
year 2002
Name: 2, dtype: object
#如果设置了DataFrame的index和columns的name属性，则这些信息也会被显示出来
>>>frame.index.name = 'xuhao';frame.columns.name = 'state'
state pop state year
xuhao
0 1.5 Ohio 2000
1 1.7 Ohio 2001
2 3.6 Ohio 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002列可以通过赋值的方式进行修改。
将列表或数组赋值给某个列时，其长度必须跟DataFrame的长度相匹配。如果赋值的是一个Series，就会精确匹配DataFrame的索引，所有的空位都讲被填上缺失值。
- DataFrame构造器的数据
• 二维ndarray #数据矩阵，还可以传入行标和列标
由数组、列标或元组组成的字典 #每个序列会变成DataFrame的一列。所有序列的长度必须相同
NumPy的结构化/记录数组 #类似于“由数组组成的字典”
由Series组成的字典 #每个Series会成为一列。如果没有显式指定索引，则各Series的索引会被合并成结果的行索引
由字典组成的字典 #各内层字典会成为一列。键会被合并成结果的行索引，跟“由Series组成的字典”的情况一样
字典或Series的列表 #各项将会成为DataFrame的一行。字典键或Series索引的并集将会成为DataFrame的列标
由列表或元组组成的列表 #类似于“二维ndarray”
另一个DataFrame #该DataFrame的索引将会被沿用，除非显式指定了其他索引
NumPy的MaskedArray #类似于“二维ndarray”的情况，只是掩码值在结果DataFrame会变成NaN缺失值3.3 索引对象
- index()
>>>obj = Series(range(3), index = ['a','b','c'])
>>>index = obj.index
Index([u'a', u'b', u'c'], dtype='object')- pandas中主要的index对象
• index() #最泛化的index对象，将轴标签标示为一个由Python对象组成的NumPy数组
int64index() #针对整数的特殊index
Multiindex() #“层次化”索引对象，标示单个轴上的多层索引。可以看做由元组组成的数组
datetimeindex() #存储纳秒级时间戳（用NumPy的datetime64类型标示）
periodindex() #针对period数据（时间间隔）的特殊index- index的方法和属性
• append() #连接另一个index对象，产生一个新的index
diff() #计算差集，并得到一个index
intersection() #计算交集
union() #计算并集
isin() #计算一个指示各值是否都包含在参数集合中的布尔型数组
delete() #删除索引i处的元素，并得到新的index
drop() #删除传入的值，并得到新的index
insert() #将元素插入到索引i处，并得到新的index
is_moontonic() #当各元素均大于等于前一个元素时，返回True
is_quique() #当index没有重复值时，返回True
unique() #计算index中唯一值的数组3.4 重新索引
>>>obj = Series(range(3), index = ['a','b','c'])
>>>obj2 = obj.reindex(['a','b','c','d']) #调用该Series的reindex将会根据新新索引进行重排，如果某个索引值当前不存在，就引入缺失值
>>>obj2
a 0.0
b 1.0
c 2.0
d NaN
dtype: float64>>>obj3 = Series(['blue','purple','yellow'],index=[0,2,4])
>>>obj3.reindex(range(6),method = 'ffill') #对于时间序列这样的有序数据，重新索引时可能需要做一些插值处理。method选项即可达到此目的。
0 blue
1 blue
2 purple
3 purple
4 yellow
5 yellow
dtype: object- reindex的（插值）method选项
ffill或pad#前向填充（或搬运）值bfill或backfill#后向填充（或搬运）值
>>>frame = DataFrame(np.arange(9).reshape((3,3)),index = ['a','c','d'], columns = ['Oo','Tt','Cc'])
>>>frame
Oo Tt Cc
a 0 1 2
c 3 4 5
d 6 7 8
>>>frame2 = frame.reindex(['a','b','c','d']) #对于DataFrame，reindex可以修改（行）索引、列，或两个都修改。如果仅传入一个序列，则会重新索引行
Oo Tt Cc
a 0.0 1.0 2.0
b NaN NaN NaN
c 3.0 4.0 5.0
d 6.0 7.0 8.0
#使用columns关键字即可重新索引列
>>>states = ['Tt','Uu','Cc']
>>>frame.reindex(columns = states)
Tt Uu Cc
a 1 NaN 2
c 4 NaN 5
d 7 NaN 8
#同时对行和列进行重新索引，而插值则只能按行应用（即轴0）
>>>frame.reindex(index=['a','b','c','d'],method='ffill',columns=states)
Tt Uu Cc
a 1 NaN 2
b 1 NaN 2
c 4 NaN 5
d 7 NaN 8
#利用ix的标签索引功能，重新索引任务可以变得更简洁
>>>frame.ix[['a','b','c','d'],states]
Tt Uu Cc
a 1.0 NaN 2.0
b NaN NaN NaN
c 4.0 NaN 5.0
d 7.0 NaN 8.0- reindex函数的参数
• index 用作索引的新序列。既可以是index序列，也可以是其他序列型的Python数据结构。index会被完全使用，就像没有任何复制一样
method #插值（填充）方式
fill_value #在重新索引的过程中，需要引入缺失值时使用的替代值
limit #前向或后向填充时最大填充量
level #在Multiindex的指定级别上匹配简单索引，否则选取其子集
copy #默认为True，无论如何都复制；如果为False，则新旧相等就不复制3.5 丢弃指定轴上的项
丢弃某条轴上的一个或多个项很简单，只要有一个索引数组或列表即可。由于需要执行一些数据整理和集合逻辑，所以drop方法返回的是一个在指定轴上删除了指定值的新对象
>>>obj = Series(np.arange(5),index = ['a','b','c','d','e'])
>>>obj
a 0
b 1
c 2
d 3
e 4
dtype: int32
>>>new_obj = obj.drop('c')
a 0
b 1
d 3
e 4
dtype: int323.6 索引、选取和过滤
>>>obj = Series(np.arange(5),index = ['a','b','c','d','e'])
>>>obj
a 0
b 1
c 2
d 3
e 4
dtype: int32
>>>obj['b]
1.0
>>>obj['a','b']
a 0
b 1
>>>obj[2:4] #切片
c 2
d 3
>>>obj[obj<2]
a 0
b 1
>>>obj['b':'c']
b 1
c 2
>>>obj < 4 #布尔型索引
a True
b True
c True
d True
e False
dtype: bool #字段ix索引 >>>frame Oo Tt Cc a 0 1 2 c 3 4 5 d 6 7 8 >>>frame.ix[['a
','c
'],['Cc
','Oo
']] Cc Oo a 2 0 c 5 3 >>>frame.ix[['a
','c
'],[1,2]] Tt Cc a 1 2 c 4 5
- DataFrame的索引选项
• obj[val] #选取DataFrame的单个或一组列。在一些特殊情况下会比较便利：布尔型数组（过滤行）、切片（行切片）、布尔型DataFrame（根据条件设置值）
obj.ix[val] #选取DataFrame的单个行或一组行
obj.ix[:,val] #选取当个列或列子集
obj.ix[val1,val2] #同时选取行和列
reindex() #将一个或多个轴匹配到新索引
xs #根据标签选取单行或单列，并返回一个Series
icol、irow #根据整数位置选取单列或单行，并返回一个Series
get_value、set_value #根据行标签和列标签选取单个值3.7 算术运算和数据对齐
- 对不同的索引的对象进行算术运算，在相加时，如果存在不同的索引对，则结果的索引就是该索引对的并集。
>>>s1 = Series(np.arange(4),index = ['a','c','d','e'])
>>>s2 = Series(np.arange(5),index = ['a','c','e','f','g'])
>>>s1
a 0
c 1
d 2
e 3
dtype: int32
>>>s2
a 0
c 1
e 2
f 3
g 4
dtype: int32
>>>s1 + s2 #自动的数据对齐操作在不重叠的索引处引入了NaN值
a 0.0
c 2.0
d NaN
e 5.0
f NaN
g NaN
dtype: float64-
fill_value#在对不同索引的对象进行算术运算时，数据操作不重叠处填充一个特殊值。
>>>s1.add(s2,fill_value=0)
a 0.0
c 2.0
d 2.0
e 5.0
f 3.0
g 4.0
dtype: float64
>>>s1.reindex(index = s2.index, fill_value = 0) #在对Series和DataFrame重新索引时，也可以指定一个填充值
a 0
c 1
e 3
f 0
g 0
dtype: int32- 算术方法
• s1.add(s2) #用于加法的方法
s1.sub(s2) #用于减法的方法
s1.div(s2) #用于除法的方法
s1.mul(s2) #用于乘法的方法3.8 DataFrame和Series之间的运算
#二维数组与某行之差
>>>arr = np.arange(12.).reshape(3,4))
>>>arr
array([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
>>>arr[0]
array([ 0., 1., 2., 3.])
>>>arr - arr[0] #这就叫做广播（broadcasting）
array([[ 0., 0., 0., 0.],
[ 4., 4., 4., 4.],
[ 8., 8., 8., 8.]])#DataFrame和Series之间是算术运算将Series索引值默认匹配到DataFrame的列，然后沿着行一直向下广播
>>>frame = DataFrame(np.arange(12.).reshape((4,3)),columns = list('bde'), index = ['Uu','Oo','Tt','Or'])
>>>series = frame.ix[0]
>>>frame
b d e
Uu 0.0 1.0 2.0
Oo 3.0 4.0 5.0
Tt 6.0 7.0 8.0
Or 9.0 10.0 11.0
>>>series
b 0.0
d 1.0
e 2.0
Name: Uu, dtype: float64
>>>frame - series #如果索引找不到，则为NaN
b d e
Uu 0.0 0.0 0.0
Oo 3.0 3.0 3.0
Tt 6.0 6.0 6.0
Or 9.0 9.0 9.0
#行在列上广播(即与每列做运算)，则需用算术运算方法
>>>series2 = frame['d']
>>>series2
Uu 0.0
Oo 3.0
Tt 6.0
Or 9.0
Name: b, dtype: float64
>>>frame.sub(series2, axis=0)
b d e
Uu 0.0 1.0 2.0
Oo 0.0 1.0 2.0
Tt 0.0 1.0 2.0
Or 0.0 1.0 2.03.9 函数应用和映射
- NumPy的ufunc（元素级数组方法）也可用于操作pandas对象。
>>>frame = DataFrame(np.arange(12.).reshape((4,3)),columns = list('bde'), index = ['Uu','Oo','Tt','Or'])
>>>frame
b d e
Uu 0.0 1.0 2.0
Oo 3.0 4.0 5.0
Tt 6.0 7.0 8.0
Or 9.0 10.0 11.0
>>>np.abs(frame) #求绝对值
b d e
Uu 0.0 1.0 2.0
Oo 3.0 4.0 5.0
Tt 6.0 7.0 8.0
Or 9.0 10.0 11.0
>>>f = lambda x: x.max() - x.min()
>>>frame.appply(f) #将函数应用到各列所形成的一维数组，apply方法实现
b 9.0
d 9.0
e 9.0
dtype: float64
>>>frame.apply(f,axis=1) #应用到行
Uu 2.0
Oo 2.0
Tt 2.0
Or 2.0
dtype: float643.10 排序和排名
-
obj.sort_index()方法将返回一个已排序的新对象。
>>>obj = Series(np.arange(5),index = ['e','c','a','d','b'])
>>>obj
e 0
c 1
a 2
d 3
b 4
dtype: int32
>>>obj2 = obj.sort_index()
>>>obj2
a 2
b 4
c 1
d 3
e 0
dtype: int32
>>>obj2.sort_index(ascending = False) #降序
e 0
d 3
c 1
b 4
a 2
dtype: int32
>>>obj2.order() #按值排序。排序时，任何缺失值默认都会被会放到Series的末尾。
e 0
c 1
a 2
d 3
b 4
dtype: int32- 在DataFrame上，将一个或多个列的名字传递给by，即可对相应的列排序
>>>frame = DataFrame(np.arange(12.).reshape((4,3)),columns = list('bde'), index = ['Uu','Oo','Tt','Or'])
>>>frame
b d e
Uu 0.0 1.0 2.0
Oo 3.0 4.0 5.0
Tt 6.0 7.0 8.0
Or 9.0 10.0 11.0
>>>frame.sort_index(by = 'b',ascending=False) #按'b'列降序
b d e
Or 9.0 10.0 11.0
Tt 6.0 7.0 8.0
Oo 3.0 4.0 5.0
Uu 0.0 1.0 2.0- 排名
排名（ranking）跟排序关系密切，它会增设一个排名值（从1开始，一直到数组中有效数据的数量）。它跟numpy.argsort产生的间接排序索引差不多，只不过它可以根据某种规则破坏平级关系。
>>>obj2 = Series([7,-5,7,4,2,0,4])
>>>obj2.rank() #rank()是通过“为各组分配一个平均排名”的方式破坏平级关系的
0 6.5
1 1.0
2 6.5
3 4.5
4 3.0
5 2.0
6 4.5
dtype: float64
>>>obj2.rank(method = 'first') #在原数据中出现的顺序给出排名
0 6.0
1 1.0
2 7.0
3 4.0
4 3.0
5 2.0
6 5.0
dtype: float64- 排名时用于破坏平级关系的method选项
• method = ‘average’ #默认：在相等分组中，为各个值分配平均排名
method = ‘min’ #使用整个分组的最小排名
method = ‘max’ #使用整个分组的最大排名
method = ‘first’ #按值在原始数据中的出现顺序分配排名3.11 带有重复值的轴索引
- 索引值对应多个值
>>>obj = Series(np.arange(5),index = ['a','a','b','b','c'])
a 0
a 1
b 2
b 3
c 4
dtype: int32
>>>obj.index.is_unique #查询索引是否唯一
False
>>>obj['a'] #如果某个索引对应多个值，则返回一个Series，对应单个的，则返回一个标量值
a 0
a 1
>>>obj['c']
4
dtype: int32
#对DataFrame的行进行索引类似Series3.12 汇总和计算描述统计
>>>frame = DataFrame([[1,np.nan],[3,-2],[np.nan,np.nan],[5,1]], index = ['a','b','c','d'], columns = ['one','two'])
>>>frame
one two
a 1.0 NaN
b 3.0 -2.0
c NaN NaN
d 5.0 1.0
>>>frame.sum()
one 9.0
two -1.0
dtype: float64
>>>frame.mean(axis=1,skipna=False) #axis=1是按列，skipna默认为True，排除缺失值。skipan=False表示不排除缺失值
a NaN
b 0.5
c NaN
d 3.0
dtype: float64- 约简方法的选项
axis#默认=0按行，=1为按列skipna#排除缺失值，默认为Truelevel#如果轴是层次化索引的（即multilindex），则根据level分组约简
>>>frame.idxmax() #返回最大值的索引
one d
two d
dtype: object- 描述和汇总统计
• frame.count() #非NA值的数量
frame.describe() #针对Series或各DataFrame列计算汇总统计
frame.min()、frame.max() #计算最小值和最大值
frame.argmin()、frame.argmax() #计算能够获取到最小值和最大值的索引位置（整数）
frame.idxmin()、frame.idxmax() #计算最大值和最小值的索引值
frame.quantile() #计算样本的分位数（0到1）
frame.sum() #值的总和
frame.mean() #值的平均数
frame.median() #值的算术中位数（50%）
frame.mad() #根据平均值计算平均绝对离差
frame.var() #样本值的方差
frame.std() #样本值的标准差
frame.skew() #样本值的偏度（三阶矩）
frame.kurt() #样本值的峰度（四阶矩）
frame.cumsum() #样本值的累积和
frame.cummin()、frame.cummax() #样本值的累积最大值和累积最小值
frame.cumprod() #样本值的累积积
frame.diff() #计算一阶差分（对时间序列很有用）
frame.pct_change() #计算百分数变化3.13 相关系数与协方差
frame.corr() #相关系数
frame.cov() #协方差矩阵
3.14 唯一值、值计数以及成员资格
>>>obj2 = Series(['c','a','d','a','a','b','b','c','c'])
>>>uni = obj2.unique()
>>>uni
array(['c', 'a', 'd', 'b'], dtype=object)
>>>obj2.value_counts() #计算各个值出现的频率，默认降序排列
c 3
a 3
b 2
d 1
dtype: int64- 唯一值、值计数、成员资格方法
• obj2.isin() #计算一个表示“Series各值是否包含于传入的值序列中”的布尔型数组
obj2.unique() #计算Series中的唯一值数组，按发现的书序返回
obj2.value_counts() #返回一个Series，其索引为唯一值，其值为频率，按计数值降序排列3.15 处理缺失数据
>>>obj2 = Series(['c','a','d','a','a','b','b','c','c'])
>>>obj2.isnull()
0 False
1 False
2 False
3 False
4 False
5 False
6 False
7 False
8 False
dtype: bool- NA处理方法
• obj2.dropna() #根据各标签的值中是否存在缺失数据对轴标签进行过滤，可通过阈值调节对缺失值的容忍度（默认丢弃任何含有缺失值的行）
obj2.fillna() #用指定值或插值方法（如ffill或bfill）填充缺失数据
obj2.isnull() #返回一个含有布尔值的对象，这些布尔值表示哪些值是缺失值NA，该对象的类型与源类型一样
obj2.notnull() #isnull的否定式- 滤除缺失数据
>>>frame = DataFrame([[1,np.nan],[3,-2],[np.nan,np.nan],[5,1]], index = ['a','b','c','d'], columns = ['one','two'])
>>>frame
one two
a 1.0 NaN
b 3.0 -2.0
c NaN NaN
d 5.0 1.0
>>>frame2 = frame.dropna() #默认丢弃全部缺失值的行
one two
b 3.0 -2.0
d 5.0 1.0
>>>frame3 = frame.dropna(how = 'all') #丢弃全为NA的行，参数添加axis=1可按列丢弃
one two
a 1.0 NaN
b 3.0 -2.0
d 5.0 1.0- 填充缺失数据
>>>frame = DataFrame([[1,np.nan],[3,-2],[np.nan,np.nan],[5,1]], index = ['a','b','c','d'], columns = ['one','two'])
>>>frame
one two
a 1.0 NaN
b 3.0 -2.0
c NaN NaN
d 5.0 1.0
>>>frame.fillna(0)
one two
a 1.0 0.0
b 3.0 -2.0
c 0.0 0.0
d 5.0 1.0参考文献《Python数据分析》
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
