1. 文件读取
这里有一些常用的公共参数, header=None
表示第一行不作为列名, index_col
表示把某一列或几列作为索引,索引的内容将会在第三章进行详述, usecols
表示读取列的集合,默认读取所有的列, parse_dates
表示需要转化为时间的列,关于时间序列的有关内容将在第十章讲解, nrows
表示读取的数据行数。上面这些参数在上述的三个函数里都可以使用。
txt
文件时,经常遇到分隔符非空格的情况, read_table
有一个分割参数 sep
,它使得用户可以自定义分割符号,进行 txt
数据的读取。例如,下面的读取的表以 ||||
为分割:
2. 数据写入
一般在数据写入中,最常用的操作是把 index
设置为 False
,特别当索引没有特殊意义的时候,这样的行为能把索引在保存的时候去除。
pandas
中没有定义 to_table
函数,但是 to_csv
可以保存为 txt
文件,并且允许自定义分隔符,常用制表符 \t
分割:
如果想要把表格快速转换为 markdown
和 latex
语言,可以使用 to_markdown
和 to_latex
函数,此处需要安装 tabulate
包。
二、基本数据结构
pandas
中具有两种基本的数据存储结构,存储一维 values
的 Series
和存储二维 values
的 DataFrame
,在这两种结构上定义了很多的属性和方法。
1. Series
Series
一般由四个部分组成,分别是序列的值 data
、索引 index
、存储类型 dtype
、序列的名字 name
。其中,索引也可以指定它的名字,默认为空。
pandas
中最重要的概念之一,它将在第三章中被详细地讨论。如果想要取出单个索引对应的值,可以通过 [index_item]
可以取出。
2. DataFrame
DataFrame
在 Series
的基础上增加了列索引,一个数据框可以由二维的 data
与行列索引来构造:
但一般而言,更多的时候会采用从列索引名到数据的映射来构造数据框,同时再加上行索引:
由于这种映射关系,在 DataFrame
中可以用 [col_name]
与 [col_list]
来取出相应的列与由多个列组成的表,结果分别为 Series
和 DataFrame
:
与 Series
类似,在数据框中同样可以取出相应的属性:
三、常用基本函数
为了进行举例说明,在接下来的部分和其余章节都将会使用一份 learn_pandas.csv
的虚拟数据集,它记录了四所学校学生的体测个人信息。
1. 汇总函数
head, tail
函数分别表示返回表或者序列的前 n
行和后 n
行,其中 n
默认为5:
info, describe
分别返回表的 信息概况 和表中 数值列对应的主要统计量 :
2. 特征统计函数
在 Series
和 DataFrame
上定义了许多统计函数,最常见的是 sum, mean, median, var, std, max, min
。例如,选出身高和体重列进行演示:
3. 唯一值函数
对序列使用 unique
和 nunique
可以分别得到其唯一值组成的列表和唯一值的个数:
value_counts
可以得到唯一值和其对应出现的频数:
如果想要观察多个列组合的唯一值,可以使用 drop_duplicates
。其中的关键参数是 keep
,默认值 first
表示每个组合保留第一次出现的所在行, last
表示保留最后一次出现的所在行, False
表示把所有重复组合所在的行剔除。
4. 替换函数
一般而言,替换操作是针对某一个列进行的,因此下面的例子都以 Series
举例。 pandas
中的替换函数可以归纳为三类:映射替换、逻辑替换、数值替换。其中映射替换包含 replace
方法、第八章中的 str.replace
方法以及第九章中的 cat.codes
方法,此处介绍 replace
的用法。
在 replace
中,可以通过字典构造,或者传入两个列表来进行替换:
另外, replace
还有一种特殊的方向替换,指定 method
参数为 ffill
则为用前面一个最近的未被替换的值进行替换, bfill
则使用后面最近的未被替换的值进行替换。从下面的例子可以看到,它们的结果是不同的:
where
和 mask
,这两个函数是完全对称的: where
函数在传入条件为 False
的对应行进行替换,而 mask
在传入条件为 True
的对应行进行替换,当不指定替换值时,替换为缺失值。
需要注意的是,传入的条件只需是与被调用的 Series
索引一致的布尔序列即可:
数值替换包含了 round, abs, clip
方法,它们分别表示按照给定精度四舍五入、取绝对值和截断:
5. 排序函数
排序共有两种方式,其一为值排序,其二为索引排序,对应的函数是 sort_values
和 sort_index
。
为了演示排序函数,下面先利用 set_index
方法把年级和姓名两列作为索引,多级索引的内容和索引设置的方法将在第三章进行详细讲解。
在排序中,经常遇到多列排序的问题,比如在体重相同的情况下,对身高进行排序,并且保持身高降序排列,体重升序排列:
索引排序的用法和值排序完全一致,只不过元素的值在索引中,此时需要指定索引层的名字或者层号,用参数 level
表示。另外,需要注意的是字符串的排列顺序由字母顺序决定。
6. apply方法
apply
方法常用于 DataFrame
的行迭代或者列迭代,它的 axis
含义与第2小节中的统计聚合函数一致, apply
的参数往往是一个以序列为输入的函数。例如对于 .mean()
,使用 apply
可以如下地写出:
同样的,可以利用 lambda
表达式使得书写简洁,这里的 x
就指代被调用的 df_demo
表中逐个输入的序列:
若指定 axis=1
,那么每次传入函数的就是行元素组成的 Series
,其结果与之前的逐行均值结果一致。
mad
函数返回的是一个序列中偏离该序列均值的绝对值大小的均值,例如序列1,3,7,10中,均值为5.25,每一个元素偏离的绝对值为4.25,2.25,1.75,4.75,这个偏离序列的均值为3.25。现在利用 apply
计算升高和体重的 mad
指标:
四、窗口对象
pandas
中有3类窗口,分别是滑动窗口 rolling
、扩张窗口 expanding
以及指数加权窗口 ewm
。需要说明的是,以日期偏置为窗口大小的滑动窗口将在第十章讨论,指数加权窗口见本章练习。
1. 滑窗对象
要使用滑窗函数,就必须先要对一个序列使用 .rolling
得到滑窗对象,其最重要的参数为窗口大小 window
。
在得到了滑窗对象后,能够使用相应的聚合函数进行计算,需要注意的是窗口包含当前行所在的元素,例如在第四个位置进行均值运算时,应当计算(2+3+4)/3,而不是(1+2+3)/3:
对于滑动相关系数或滑动协方差的计算,可以如下写出:此外,还支持使用 apply
传入自定义函数,其传入值是对应窗口的 Series
,例如上述的均值函数可以等效表示:
shift, diff, pct_change
是一组类滑窗函数,它们的公共参数为 periods=n
,默认为1,分别表示取向前第 n
个元素的值、与向前第 n
个元素做差(与 Numpy
中不同,后者表示 n
阶差分)、与向前第 n
个元素相比计算增长率。这里的 n
可以为负,表示反方向的类似操作。
将其视作类滑窗函数的原因是,它们的功能可以用窗口大小为 n+1
的 rolling
方法等价代替:
2. 扩张窗口
扩张窗口又称累计窗口,可以理解为一个动态长度的窗口,其窗口的大小就是从序列开始处到具体操作的对应位置,其使用的聚合函数会作用于这些逐步扩张的窗口上。具体地说,设序列为a1, a2, a3, a4,则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。
五、练习
Ex1:口袋妖怪数据集
现有一份口袋妖怪的数据集,下面进行一些背景说明:
# 代表全国图鉴编号,不同行存在相同数字则表示为该妖怪的不同状态
妖怪具有单属性和双属性两种,对于单属性的妖怪, Type 2 为缺失值
Total, HP, Attack, Defense, Sp. Atk, Sp. Def, Speed 分别代表种族值、体力、物攻、防御、特攻、特防、速度,其中种族值为后6项之和
-
对
HP, Attack, Defense, Sp. Atk, Sp. Def, Speed
进行加总,验证是否为Total
值.
2.对于 #
重复的妖怪只保留第一条记录,解决以下问题:
c.求尚未出现过的属性组合
3.按照下述要求,构造 Series
:
1.取出物攻,超过120的替换为 high
,不足50的替换为 low
,否则设为 mid
2.取出第一属性,分别用 replace
和 apply
替换所有字母为大写
3.求每个妖怪六项能力的离差,即所有能力中偏离中位数最大的值,添加到 df
并从大到小排序
原文地址:https://www.jb51.cc/wenti/3281328.html
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。