前言

pandas：是一個數據分析包，靈活處理缺失值、類SQL操作，能處理多種類型的數據。
DataFrame：表格型的數據結構，含有一組有序的列，每列的值的類型不同。可以看做是Series組成的字典（key為列名，value為Series）
Series:類map的數據結構，區別是左邊是一個index值，右邊是value值。

1、DF常用的兩種創建方式

兩種方式：通過numpy和字典創建

方式一：通過np來生成

#生成時間序列
dates = pd.date_range('20160101', periods=6)
#index相當于索引參考數據庫中的索引，即行。生成DataFrame的第一種方式：通過np來生成
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=['A','B','C','D'])#方法1.1、通過數組創建
arr = [0, 1, 2, 3, 4]
df = pd.Series(arr) # 如果不指定索引，則默認從 0 開始

方式二：通過字典來生成

#生成DataFrame的第二種方式：通過字典生成
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'})

2、pandas常用的屬性及方法

df2.dtypes
df.index：索引即行
df.columns：列
df.T：轉置
df.describe()：描述df的一些常用的數學值即均值、方差等。基于列來統計的
df.sort_index(axis=1, ascending=False)：按行排序
df.sort_values(by=‘B’)：按某一列進行排序

3、Pandas Select(數據選擇)

#df['A']與df.A選擇列是等效的
print(df['A'], df.A)#選中列名#選擇行也是等效的。注意[0:3)是左閉(包含)右開（開除）
print(df[0:3], df['20130102':'20130104'])#選中行號

選擇數據的四種方法：
方法一：#通過lab（列或行標簽）來選擇數據

# select by label: loc
print(df.loc[:,["A","B"]])
#方法二
print(df[["A", "C"]])

方法二：#通過位置來選擇數據

# select by position: iloc
#前三行數據
print(df.iloc[0:3])
# 方法二
#df.head(3)

方法三：混合選擇

#結合前面兩種選擇數據的方法：即按標簽和位置選擇數據
# mixed selection: ix
#第1-3行、A和C列的數據
print(df.ix[:3, ['A', 'C']])

方法四：#通過判斷選擇部分數據

# Boolean indexing
#選擇df中A列表大于0的所有的行數據
print(df[df["A"] > 0])

4、Pandas Set_values設置值

設置值的操作直接把選擇值的操作移植過來添加想要設置的值即可
特別注意的一點是：添加數據的時候直接聲明要添加的數據的標簽和值即可

#添加數據
df['F'] = np.nan

5、Pandas Nan處理缺失值

pandas處理缺失值的三種方法：

方法一：剔除缺失值所在的行或列

#剔除df中有Nan的行(也可單獨對某一列進行處理)
print(df.dropna(axis=0, how='any')) 
# how={'any', 'all'}：any有一個Nan即剔除；all全部為Nan即剔除。

方法二：填充Nan值

#將Nan值填充為0
print(df.fillna(value=0))

方法三：顯示Nan值的位置，做進一步處理

#顯示出pd的A列中值是否為Nan；是為True否為False
print(df["A"].isnull())
#進一步處理
#判斷pd中是否有nan，有的話返回True，沒有的話返回False。any：只要包含一個true則返回true
print(np.any(pd.isnull(df))==True)

6、Pandas導入導出數據

讀取、保存數據的方法：

# read from
data = pd.read_csv('student.csv')
# save to
data.to_pickle('student.pickle')

7、pandas合并操作（重點）

1、concat

#將三個df進行合并，按行合并，ignore_index：忽略三個df之前的索引
res = pd.concat([df1, df2, df3], axis=0, ignore_index=True)

#參考SQL的join操作：outer join
res = pd.concat([df1, df2], axis=1, join='outer')#inner join：理解為將兩個df的index作為連接條件進行join，所以只保留的2和3
res = pd.concat([df1, df2], axis=1, join='inner')#默認向下追加數據
res = df1.append(df2, ignore_index=True)

concat：不需要指定對應的鏈接條件，按軸進行合并！
merge：必須指定對應的鏈接條件即鏈接的字段！

2、merge(更常用的操作)

知道merge的核心思想也就是SQL的join操作
注意以下幾點：
1、注意連接條件：一個或多個key；還可以通過對比index來連接
2、注意連接方式：[‘left’, ‘right’, ‘outer’, ‘inner’]

# merging two df by key/keys. (may be used in database)
res = pd.merge(left, right, on='key')
# consider two keys
# default for how='inner'：即取共用的key
# how = ['left', 'right', 'outer', 'inner']
res = pd.merge(left, right, on=['key1', 'key2'], how='inner') 
# indicator：將join的具體信息顯示出來即怎么進行merge。
res = pd.merge(df1, df2, on='col1', how='outer', indicator=True)
#通過對比index來進行join操作
# left_index and right_index
res = pd.merge(left, right, left_index=True, right_index=True, how='outer')

其他Demo

1、從某行讀取數據

（heard=None：列名為None;=0則代表列名為第0行數據），并篩選出其中的幾列數據并自定義列名

all_user_data = pd.read_csv("tf_bank_cus.csv",header=None,skiprows=int(record_number_row),encoding="utf-8")
all_user_data=all_user_data[[1,3,4,10,14,24]]
all_user_data.columns=['applyno','customername','certid','paydate','partnercode','contactno']

2、判斷某列是否含有某值

pause_call_number_row_index = all_user_data[all_user_data['contactno'].isin([pause_call_number])]
#df[df['列名'].isin([相應的值])]返回值為一整行的數據。通過index獲得索引值

3、練手的Demo

**基本操作**import numpy as npdata = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']df = pd.DataFrame(data, index=labels)1、計算每個不同種類animal的age的平均數
df.groupby('animal')['age'].mean()
2、計算df中每個種類animal的數量
df['animal'].value_counts()
3、先按age降序排列，后按visits升序排列
df.sort_values(by=['age', 'visits'], ascending=[False, True])
4、將priority列中的yes, no替換為布爾值True, False
df['priority'] = df['priority'].map({'yes': True, 'no': False})
5、將animal列中的snake替換為python
df['animal'] = df['animal'].replace('snake', 'python')6、對每種animal的每種不同數量visits，計算平均age，即，返回一個表格，行是aniaml種類，列是visits數量，表格值是行動物種類列訪客數量的平均年齡
df.pivot_table(index='animal', columns='visits', values='age', aggfunc='mean')**進階操作**7、有一列整數列A的DatraFrame，刪除數值重復的行
#判斷是否有重復項
用duplicated()函數判斷  
#有重復項，則可以用drop_duplicates()移除重復項
df1 = df.drop_duplicates(subset='A')
print(df1)8、一個全數值DatraFrame，每個數字減去該行的平均數
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df1 = df.sub(df.mean(axis=1), axis=0)
print(df1)9、一個有5列的DataFrame，求哪一列的和最小
df = pd.DataFrame(np.random.random(size=(5, 5)), columns=list('abcde'))
print(df)
df.sum().idxmin()10、給定DataFrame，求A列每個值的前3大的B的和
df = pd.DataFrame({'A': list('aaabbcaabcccbbc'), 'B': [12,345,3,1,45,14,4,52,54,23,235,21,57,3,87]})
print(df)
df1 = df.groupby('A')['B'].nlargest(3).sum(level=0)
print(df1)11、給定DataFrame，有列A, B，A的值在1-100（含），對A列每10步長，求對應的B的和
df = pd.DataFrame({'A': [1,2,11,11,33,34,35,40,79,99], 'B': [1,2,11,11,33,34,35,40,79,99]})
print(df)
df1 = df.groupby(pd.cut(df['A'], np.arange(0, 101, 10)))['B'].sum()
print(df1)12、給定DataFrame，計算每個元素至左邊最近的0（或者至開頭）的距離，生成新列y
df = pd.DataFrame({'X': [7, 2, 0, 3, 4, 2, 5, 0, 3, 4]})izero = np.r_[-1, (df['X'] == 0).to_numpy().nonzero()[0]] # 標記0的位置
idx = np.arange(len(df))
df['Y'] = idx - izero[np.searchsorted(izero - 1, idx) - 1]
print(df)# 方法二
# x = (df['X'] != 0).cumsum()
# y = x != x.shift()
# df['Y'] = y.groupby((y != y.shift()).cumsum()).cumsum()# 方法三
# df['Y'] = df.groupby((df['X'] == 0).cumsum()).cumcount()
#first_zero_idx = (df['X'] == 0).idxmax()
# df['Y'].iloc[0:first_zero_idx] += 113、一個全數值的DataFrame，返回最大3值的坐標
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df.unstack().sort_values()[-3:].index.tolist()14、給定DataFrame，將負值代替為同組的平均值
df = pd.DataFrame({'grps': list('aaabbcaabcccbbc'), 'vals': [-12,345,3,1,45,14,4,-52,54,23,-235,21,57,3,87]})
print(df)def replace(group):mask = group<0group[mask] = group[~mask].mean()return groupdf['vals'] = df.groupby(['grps'])['vals'].transform(replace)
print(df)15、計算3位滑動窗口的平均值，忽略NAN
df = pd.DataFrame({'group': list('aabbabbbabab'),'value': [1, 2, 3, np.nan, 2, 3, np.nan, 1, 7, 3, np.nan, 8]})
print(df)g1 = df.groupby(['group'])['value']
g2 = df.fillna(0).groupby(['group'])['value'] s = g2.rolling(3, min_periods=1).sum() / g1.rolling(3, min_periods=1).count()s.reset_index(level=0, drop=True).sort_index()**Series 和 Datetime索引**16、創建Series s，將2015所有工作日作為隨機值的索引
dti = pd.date_range(start='2015-01-01', end='2015-12-31', freq='B') 
s = pd.Series(np.random.rand(len(dti)), index=dti)
s.head(10)17、所有禮拜三的值求和
s[s.index.weekday == 2].sum() 
18、求每個自然月的平均數
s.resample('M').mean()
19、每連續4個月為一組，求最大值所在的日期
s.groupby(pd.Grouper(freq='4M')).idxmax()
20、創建2015-2016每月第三個星期四的序列
pd.date_range('2015-01-01', '2016-12-31', freq='WOM-3THU')**數據清洗**df = pd.DataFrame({'From_To': ['LoNDon_paris', 'MAdrid_miLAN', 'londON_StockhOlm', 'Budapest_PaRis', 'Brussels_londOn'],'FlightNumber': [10045, np.nan, 10065, np.nan, 10085],'RecentDelays': [[23, 47], [], [24, 43, 87], [13], [67, 32]],'Airline': ['KLM(!)', '<Air France> (12)', '(British Airways. )', '12. Air France', '"Swiss Air"']})
df
21、FlightNumber列中有些值缺失了，他們本來應該是每一行增加10，填充缺失的數值，并且令數據類型為整數
df['FlightNumber'] = df['FlightNumber'].interpolate().astype(int)
df
22、將From_To列從_分開，分成From, To兩列，并刪除原始列
temp = df.From_To.str.split('_', expand=True)
temp.columns = ['From', 'To']
df = df.join(temp)
df = df.drop('From_To', axis=1)
df
23、將From, To大小寫統一
df['From'] = df['From'].str.capitalize()
df['To'] = df['To'].str.capitalize()
df
24、Airline列，有一些多余的標點符號，需要提取出正確的航司名稱。舉例：'(British Airways. )' 應該改為 'British Airways'.
df['Airline'] = df['Airline'].str.extract('([a-zA-Z\s]+)', expand=False).str.strip()
df
25、Airline列，數據被以列表的形式錄入，但是我們希望每個數字被錄入成單獨一列，delay_1, delay_2, …沒有的用NAN替代。
delays = df['RecentDelays'].apply(pd.Series)
delays.columns = ['delay_{}'.format(n) for n in range(1, len(delays.columns)+1)]
df = df.drop('RecentDelays', axis=1).join(delays)df**層次化索引**26、用 letters = ['A', 'B', 'C'] 和 numbers = list(range(10))的組合作為系列隨機值的層次化索引
letters = ['A', 'B', 'C']
numbers = list(range(4))mi = pd.MultiIndex.from_product([letters, numbers])
s = pd.Series(np.random.rand(12), index=mi)
s
27、檢查s是否是字典順序排序的
s.index.is_lexsorted()
# 方法二
# s.index.lexsort_depth == s.index.nlevels
28、選擇二級索引為1, 3的行
s.loc[:, [1, 3]]
29、對s進行切片操作，取一級索引從頭至B，二級索引從2開始到最后
s.loc[pd.IndexSlice[:'B', 2:]]
# 方法二
# s.loc[slice(None, 'B'), slice(2, None)]
30、計算每個一級索引的和（A, B, C每一個的和）
s.sum(level=0)
#方法二
#s.unstack().sum(axis=0)
31、交換索引等級，新的Series是字典順序嗎？不是的話請排序
new_s = s.swaplevel(0, 1)
print(new_s)
print(new_s.index.is_lexsorted())
new_s = new_s.sort_index()
print(new_s)