Python pandas & numpy 笔记

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

记性不好，多记录些常用的东西,真·持续更新中：：
先列出一些常用的网址:

参考了的莫烦python
pandas DOC
numpy DOC
matplotlib 常用

习惯上我们如此导入:

import pandas as pd import numpy as np import maplotlib.pyplot as plt

pandas 篇

pd.Series是一种一维的数组结构，可以列表形式初始化，得到的Series的index默认∈[0,n)

s = pd.Series([1, 3, 5, np.nan, 6, 8])

pandas的index、columns用list初始化，具体内容用矩阵初始化DataFrame：

pd.date_range('20160101',periods=6) df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=['a','b','c','d'])dates = pd.date_range('20190101', periods=6) df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))

查看数据：

# 查看前n行后n行 df.head(n) df.tail(n) # 查看快速统计摘要，注意describe也是一个df df.describe() # 转置按轴排序(0x1y)，按列'B'的值排序 df.T df.sort_index(axis=1, ascending=False) df.sort_values(by='B')

选择数据

# 选择独列 [0,3)行 [0,3)列 df['A'] df[0:3] df.iloc[;, [0, 1, 2]] # 选择A B列还可以： df.loc[:, ['A', 'B']] # 获取dates[0]行的'A'列 df.loc[dates[0], 'A'] # loc前面加i表示利用数字而非名称来操作，比如取第3列 df.iloc[3] # 比如取[3, 5)行的[0, 2)列: df.iloc[3:5, 0:2] # 行与列的切片: df.iloc[1:3, :] 和 df.iloc[:, 1:3] # 布尔索引 A列>0者， E列元素为'two' 或者 'four' 者 df[df.A > 0] 和 df[df['E'].isin(['two', 'four'])] # 利用numpy 设置一组值 df.loc[:, 'D'] = np.array([5] * len(df)) # 利用where对某些值进行处理，比如大于0的取反 df[df>0] = -df # 缺失数据的操作 df.dropna(how='any') 或者 df.fillna(value=5) # 在不同轴上进行统计，mean是均值，一样0x1y df.mean() 或者 df.mean(1) # 数据应用于数据，例如累加，或者是lamda表达式 df.apply(np.cumsum) 或 df.apply(lambda x: x.max() - x.min()) # 排序数据df.sort_values(by='columnsName')# 单独设置某一列的属性df[['ISP']] = df[['ISP']].astype(int)

合并操作

# 如果是df组成的List，直接可以concat pieces = [df1, df2, df3] # ig..index 决定是否要重置index pd.concat(pieces, ignore_index=True)，注意要列同质 # SQL风格的merge 类似于Join连接 pd.merge(left, right, on='key') # 尾随hh 是往后面添加，用appen，注意参数ignore_index=True才会重排index df1.append(df2, ignore_index=True)###### Grouping操作和 Pivot 表 df.groupby('A') 或者多个的话 df.groupby(['A', 'B']) pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C'])

处理丢失数据

# 直接去掉nan所在的行or列，干脆利落 df.dropna( axis=0, # 行0列1 how='any' # any但凡有nan就弃，all必须全nan才弃 ) # 填充 df.fillna(value=0) # 判断是否有缺失数据，返回一个T/F的df df.isnull() # 判断是否有NaN，有就返回True np.any(df.isnull()) == True

数据导入导出系列

import pandas as pd # 读写csv，header决定是否有colums列说明 data = pd.read_csv('xxx.csv', header=None) # sep是数据分隔的标记，默认是逗号 # index是否保留索引默认保留 df.to_csv('xxx.csv', index=False, header=False, sep='?') # 其它有用的参数有： # na_rep="NA" 空值替换，默认是空格 # fload_format="%.2f" 数据保留2位小数 # 保留某些列而已 columns=['name', 'sex'] # 保存到pickle data.to_pickle('xxx.pickle')

numpy 篇

# 创建数组 a = np.array([1,2,4]) # 指定数据类型 dtype a = np.array([1,2,3]), dtype=np.float) # 创建初始化好的x行y列的数组，如全0，全1等 np.zeros((x,y), dtype=np.int) 和 np.ones((x,y)), np.empty((x,y)) # 创建连续数组arange，1到100,步长为2 np.arange(1, 100, 2) # reshape改变数据形状，注意要匹配得上 np.arange(15).reshape(3,5) # linspace创建线形数据 [1,100]分成50份 np.linspace(1, 100, 50)

至于运算：

# 加减乘除都是点对点的，直接写就ok，比如 a-b 或者 a * b等 # 矩阵元素要乘方，用**，比如b^2 b**2 # 对数据进行逻辑判断，返回的是一个对应各个元素的True False组成的array b < 3 # 矩阵点乘，随机矩阵，求sum min max a.dot(b) 或者 np.dot(a, b) np.random.random((2,4)) a.sum() 或 a.min() 或 a.max

Numpy array 合并

# 假设有np.array([1,1,1])和np.array([2,2,2]) np.vstack((A,B)) # [[1,1,1] [2,2,2]] vertival stack np.hstack((A,B)) $ [1,1,1,2,2,2] horizontal stack # array的转置，因为他不是矩阵，所以： print(A[np.newaxis,;]) #[[1 1 1]] print(A[np.newaxis,;].shape) # (1,3) print(A[:,np.newaxis]) """ [[1] [1] [1]]""" print(A[:,np.newaxis].shape) # concatenate 函数会更统一一些，axis取0是成列，1成行 C.np.concatenate((A,B,B,A), axis=0) D.np.concatenate((A,B,B,A), axis=1)

numpy的分割

A = np.arange(12).reshape(3,4)) # 3行4列 np.split(A, 2, axis=1) # 2行 np.split(A, 3, axis=3) # 3列 np.array_split(A, 3, axis=1) # 3行，不等量分割即不均匀 # 方便地且对应地，有vsplit和hsplit # v竖h横比如vsplit等于split(..., axis=0) np.vsplit(A,3)

画图篇

# 随机生成1000个数据 data = pd.Series(np.random.randn(1000),index=np.arange(1000)) # 为了方便观看效果, 我们累加这个数据 data.cumsum() # pandas 数据可以直接观看其可视化形式 data.plot() plt.show()# Dataframe里，一列一条线，4条： data = pd.DataFrame( np.random.randn(1000,4), index=np.arange(1000), columns=list("ABCD")) data.cumsum() data.plot() plt.show()# 对于经常需要画的dataframe的其他绘图形式：df.plot(kind='bar') # 柱状图df.plot(kind='barh') # 横柱状图df.plot(kind='bar', stacked=True) # 柱状图堆叠df.plot(kind='area') # 如果想画的是df前10行的,行为x轴的变化:for i in len(df): df.iloc[i].plot(label=str(i))plt.legend()plt.show()

具体的画图小技巧可以查这里
pandas除了plot，还有散点图scatter,柱状图bar，直方图hist，箱线图box，密度图kde，二维填充图area等。

说一下散点图scatter，最重要的就是指定x和y

ax=data.plot.scatter(x='A',y='B',color='DarkBlue',label='Class1') # 将之下这个 data 画在上一个 ax 上面 data.plot.scatter(x='A',y='C',color='LightGreen',label='Class2',ax=ax) plt.show()