Pandas
Pandas的主要功能
- 具备对其功能的数据结构DataFrame、Series
- 集成时间序列功能
- 提供丰富的数学运算和操作
- 灵活处理缺失数据
Series
Series介绍：Series是一种类似于一维数组的对象，由一组数据和一组与之相关的数据标签（索引）组成，比较像列表和字典的结合体
Series创建方式：
# 普通创建pd.Series([1,2,3,4])# 带索引创建pd.Series([1,2,3,4],index=['a','b','c','d']) #但是我们依旧可以通过[0]来访问到数据，有两种访问方法，并没有被真正覆盖掉# 使用字典创建pd.Series({'a':1,'b':2})Series使用特性
| Series支持array特性 | Series支持字典特性 |
|---|---|
| 从ndarray创建Series:Series(arr) | 从字典创建Series,Series(dic) |
| 与标量运算sr*2 | in运算:’a’ in str |
| 两个Series运算：sr1+sr2 | 键索引:s[‘a’]、s[[‘a’、’b’]] |
| 索引：sr[0],s[[1,2,4]] | |
| 切片：sr[0:2] | |
| 通用函数：np.abs(sr) | |
| 布尔值过滤：sr[sr>0] |
01-常用函数
# 获取索引值sr.index# 获取值sr.values# 根据标签花式索引sr[['a','b']]# 根据标签切片sr['a','b']Sr整数索引问题
在对Series进行切片处理时，可能会出现整数访问的问题
import pandas as pdimport numpy as npsr = pd.Series(np.arange(20))sr2 = sr[10:].copy()sr2[10] # 可以正常访问sr2[0] # 无法正常访问# 如何解决整数索引的问题# 通过标签选择 [[1,13,14],[10,11,12]]sr2.loc[10] #结果为1# 通过下标选择src.iloc[10] #选择失败，下标越界src.iloc[0] #结果为102-数据对齐
在Series中，是按照索引对齐的，两个Series对象是按照索引对齐然后计算的。
sr1 = pd.Series([11,12,13],['a','c','d'])sr2 = pd.Series([14,15,21],['c','a','d'])sr1 + sr2# 如果一个索引有，另外一个索引没有，那么就会出现NaN的结果# 缺失值处理sr1.add(sr2,fill_value=0)运行结果如下
a 26c 26d 34dtype: int64DataFrame
DataFrame：DataFrame是一个表格型数据结构，含有一组有序的列.DataFrame可以被看作是Series组成的字典，并且共用一个索引。
创建DataFrame:
先创建一个基础的DataFrame
test1 = pd.DataFrame({'one':[1,2,3],'two':[4,5,6]},index=['a','b','c'])test1# 或者也可以用以下格式，体现Pandas将字典转化为dataframeimport pandas as pddata = {"name":["yahoo","google","facebook"],"marks":[200,400,800],"price":[9,3,7]}dataframe1 = pd.DataFrame(data,index=['one','two','three'])dataframe1创建出的DataFrame对象如下
以及如下:
再通过Series创建一个DataFrame
test2 = pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3,4],index=['a','b','c','d'])})创建出的DataFrame对象如下
DataFrame读取CSV文件
# 读取csv文件df = pd.read_csv('test.csv')# 保存csv文件df.to_csv("文件名.csv")01-常用属性
DataFrame常用属性
| 属性值 | 属性作用 |
|---|---|
| index | 获取索引 |
| T | 转置 |
| columns | 获取列索引 |
| values | 获取值索引 |
| describe() | 获取快速统计 |
02-索引与切片
# 根据索引名索引df['列']['行'] #注意顺序不能反了# 通过标签形式访问df.loc['行','列']# 通过标签方式访问某几行df.loc[['a','c'],:]03-数据对齐
DataFrame行列在进行数据对齐的时候，其行索引和列索引分别对齐
04-缺失值处理
DataFrame在处理缺失值的时候与Series有相像的地方，但是在使用dropna()时候，会删除这一行。
所以我们需要一个函数，当这一行全为NaN时候，我们再删除它
# 当一行全为缺失值时，进行删除test2.dropna(how='all')# 当一行只要有一个缺失值时，删除test2.dropna(how='any')# 当一列只要有一个缺失值是，删除test2.dropna(axis=1,how='any') #默认axis=0,按行删除，修改axis=1,按列删除05-常用函数
# 对列(行)求平均值 mean(axis=0,skipna=False)df.mean() #默认按照列求缺失数据df.mean(axis=1) #按照行求缺失数据# 对列(行)求和df.sum() #默认按照列求缺失数据df.sum(axis=1) #按照行求缺失数据# 对列(行)索引排序，有NAN的部分不参与排序，放到最后df.sort_values(by='列名') #按照某列升序排列df.sort_values(by='列名',ascending=False) #按照某列降序排列df.sort_values(by='行名',axis=1) #按照某行升序排列df.sort_values(by='行名',axis=1,ascending=False) #按照某行降序排列# 按某一列(行)索引排序df.sort_index() #按照行索引升序排序df.sort_index(ascending=False) #按照列索引降序排序时间序列01-时间对象
- Python标准库处理时间对象：datetime
- 灵活处理时间对象：dateutil
- 成组处理时间对象：pandas:pd.to_datetime()
时间对象转换代码
# 初步的时间对象转换import datetimedatetime.datetime.strptime('2023-02-06','%Y-%m-%d')# 忽略格式，自动转换dateutil.parser.parse('2020-02-01')dateutil.parser.parse('2020-JAN-01')dateutil.parser.parse('03/04/2023')# pands转换方式pd.to_datetime(['2001-01-02','2020-Feb-03'])# 输出结果如下pd.to_datetime(['2001-01-02','2020-Feb-03'])02-生成时间范围
# 默认生成一段时间的时间序列pd.date_range('2010-01-01','2010-05-01')# 选择起始节点，按天数生成pd.date_range('2010-01-01',periods=60)# 选择起始节点，按小时数生成pd.date_range('2023-02-01',periods=60,freq='H')# 选择起始节点，输出工作日pd.date_range('2023-02-01',periods=60,freq='B') #生成的是时间戳# 时间范围转化为字符串tm[0].to_pydatetime()03-时间序列
时间序列：以时间对象为索引的Series或DataFrame,datatime对象作为索引时是存储在DatetimeIndex对象中的
时间序列的特殊功能：
- 传入年或年月作为切片方式
- 传入日期范围作为切片方式
- 丰富的函数支持:resample()、truncate()
# 以B模式生成时间序列sr = pd.Series(np.arange(100),index=pd.date_range('2023-01-01',periods=100,freq='B'))sr# 取时间序列中的值 返回结果为99sr['2023-04-10']# 取时间序列之后的值sr['2023-01-01':]# 取时间序列一段范围的值# 返回结果为99根据时间戳求每周的和
sr.resample('W').sum()求和结果如下:
根据时间戳求每月的和
sr.resample('M').sum()
文件操作01-CSV文件读取
Pandas文件读取主要参数
| 参数名 | 参数作用 |
|---|---|
| sep | 指定分隔符， 可用正则表达式比如’s+’ |
| header=None | 指定文件无列名 |
| name | 指定列名 |
| index_col | 指定某列作为索引 |
| skip_row | 指定跳过某些行 |
| na_values | 指定某些字符串表示缺失值 |
| parse_dates | 指定某些列是否被解析为日期，类型为布尔值或者里欸包 |
# 读取csv文件，将时间列作为索引(注意此时为字符串)pd.read_csv('test.csv',index_col='date')# 将时间字符串转为时间序列pd.read_csv('test.csv',index_col='date',parse_dates=True) #将能表示为时间序列的数据表示为时间序列# 指定某列为时间序列pd.read_csv('test.csv',index_col='date',parse_dates='date')# 当没有列名，全是数据的时候，可以自动生成header，默认0,1,2...pd.read_csv('test.csv',header=None)# 当没有列名，全是数据的时候，可以使用列表赋值headerpd.read_csv('test.csv',header=None,names=['abcdefg']02-CSV文件保存
Pandas文件保存主要参数
| 参数名 | 参数作用 |
|---|---|
| sep | 指定文件分隔符 |
| na_rep | 指定缺失值转换的字符串,默认空字符串 |
| header=False | 不输出列名的一行 |
| index=False | 不输出索引的一行 |
| cols | 输出指定的列 |
实战操作01-读取股票数据
get_price():可以得到股票数据，语法格式如下:
get_price(security,start_date=None,end_date=None,frequency='daily',fields=None,skip_paused=False,fq='pre',count=None)get_price()函数可以按天或者按分钟读取数据,各项参数含义如下：
- security:一只股票代码或一只股票代码的list
- start_date:开始时间，与参数count二选一，不可同时使用。需要注意的是，如果参数count和start_date都没有设置，则start_date生效值为:’2015-01-01′
- end_date:结束时间，默认值是’2015-12-31′,
- frequency:单位时间长度，几天或几分钟，默认为daily.也可以是minute、Xd、Xm.X表示几的意思
- fileds:字符串list,选择要获取行情的数据，默认为None。参数Fields支持SecurityUnitDate中所有的数据 ，包含
- open close low high volume money factor high_limit low_limit avg pre_close paused
- skip_pasued:是否跳过不交易日期
- fq:复权选项。参数值设为pre，表示前复权，为默认设置。参数权设为None，表示不复权，返回实际价格，参数值设为post，表示后复权