python数据分析之（3）pandas

pandas的安装可以参见前面的博文，http://blog.csdn.net/piaoxuezhong/article/details/54023951
pandas 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包
类似于 Numpy 的核心是 ndarray，pandas 也是围绕着 Series 和 DataFrame 两个核心数据结构展开的。Series 和 DataFrame 分别对应于一维的序列和二维的表结构。pandas 约定俗成的导入方法如下：

>>> from pandas import Series,DataFrame
>>> import pandas as pd

1.Series

Series 可以看做一个定长的有序字典。基本任意的一维数据都可以用来构造 Series 对象：

>>> s=Series([1,2,'abc'])
>>> s
0      1
1      2
2    abc
dtype: object

Series 对象包含两个主要的属性：index 和 values，分别为上例中左右两列。因为传给构造器的是一个列表，所以 index 的值是从 0 起递增的整数，如果传入的是一个类字典的键值对结构，就会生成 index-value 对应的 Series；或者在初始化的时候以关键字参数显式指定一个 index 对象：

>>> s=Series(data=[1,2,'abc'],index=['no1','no2','no3'])
>>> s
no1      1
no2      2
no3    abc
dtype: object
>>> s.index
Index([no1, no2, no3], dtype=object)
>>> s.values
array([1, 2, abc], dtype=object)

Series 对象的元素会严格依照给出的 index 构建，如果 data 参数是有键值对的，那么只有 index 中含有的键会被使用；如果 data 中缺少响应的键，即使给出 NaN 值，这个键也会被添加。Series 的 index 和 values 的元素之间虽然存在对应关系，但这与字典的映射不同。index 和 values 实际仍为互相独立的 ndarray 数组。Series 这种使用键值对的数据结构最大的好处在于，Series 间进行算术运算时，index 会自动对齐。
另外，Series 对象和它的 index 都含有一个 name 属性：

>>> s.name='series_s'
>>> s.index.name='s\' index'
>>> s
s' index
no1           1
no2           2
no3         abc
Name: series_s, dtype: object

2.DataFrame

DataFrame 是一个表格型的数据结构，它含有一组有序的列（类似于 index），每列可以是不同的值类型（不像 ndarray 只能有一个 dtype）。基本上可以把 DataFrame 看成是共享同一个 index 的 Series 的集合。DataFrame 的构造方法与 Series 类似，只不过可以同时接受多条一维数据源，每一条都会成为单独的一列：

>>> data={'name':['fcq','jj','wym','xrr'],\'year':[1989,1989,1989,1988],\'m/f':['m','f','f','f']}
>>> data
{'m/f': ['m', 'f', 'f', 'f'], 'name': ['fcq', 'jj', 'wym', 'xrr'], 'year': [1989, 1989, 1989, 1988]}
>>> df=DataFrame(data)
>>> dfm/f name  year
0   m  fcq  1989
1   f   jj  1989
2   f  wym  1989
3   f  xrr  1988

虽然参数 data 看起来是个字典，但字典的键并非充当 DataFrame 的 index 的角色，而是 Series 的 “name” 属性。这里生成的 index 仍是 “0123”。较完整的 DataFrame 构造器参数为：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：

>>> df=DataFrame(data,index=['no1','no2','no3','no4'])
>>> dfm/f name  year
no1   m  fcq  1989
no2   f   jj  1989
no3   f  wym  1989
no4   f  xrr  1988

>>> df.columns
Index([m/f, name, year], dtype=object)
>>> df.index
Index([no1, no2, no3, no4], dtype=object)

3.对象属性

3.1查找索引

查找某个值在数组中的索引，类似于 Python 内建的 list.index(value) 方法。可以通过布尔索引来实现。比如我们想在一个 Series 中寻找到 ‘f’：

>>> from pandas import Series,DataFrame
>>> import pandas as pd
>>> s=Series(list('I am fcq~'))
>>> s
0    I
1
2    a
3    m
4
5    f
6    c
7    q
8    ~
dtype: object
>>> s[s='f']
SyntaxError: invalid syntax
>>> s[s=='f']
5    f
dtype: object

3.2重新索引

Series 对象的重新索引通过reindex(index=None,**kwargs) 方法实现。**kwargs 中常用的参数有：method=None,fill_value=np.NaN：

>>> s2=Series([88,99,89,90],index=['ENG','CHE','PHY','CPT'])
>>> a=['ENG','CPT','CHE','PHY','MATH']
>>> s2.reindex(a)
ENG     88
CPT     90
CHE     99
PHY     89
MATH   NaN
dtype: float64
>>> s2.reindex(a,fill_value=0)
ENG     88
CPT     90
CHE     99
PHY     89
MATH     0
dtype: int64

3.3排序和排名

Series 的 sort_index(ascending=True) 方法可以对 index 进行排序操作，ascending 参数用于控制升序或降序，默认为升序。
若要按值对 Series 进行排序，当使用 .order(na_last=True, ascending=True, kind='mergesort') 方法，任何缺失值默认都会被放到 Series 的末尾。在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一个轴向的选择参数与一个 by 参数，by 参数的作用是针对某一（些）列进行排序（不能对行使用 by 参数）：

>>> s2.sort_index(ascending=True)
CHE    99
CPT    90
ENG    88
PHY    89
dtype: int64

排名（Series.rank(method='average', ascending=True)）的作用与排序的不同之处在于，他会把对象的 values 替换成名次（从 1 到 n）。这时唯一的问题在于如何处理平级项，方法里的 method 参数就是起这个作用的，他有四个值可选：average, min, max, first。

>>> s3=Series([3,2,0,3],index=list('abcd'))
>>> s3
a    3
b    2
c    0
d    3
dtype: int64
>>> s3.rank()
a    3.5
b    2.0
c    1.0
d    3.5
dtype: float64
>>> s3.rank(method='max')
a    4
b    2
c    1
d    4
dtype: float64
>>> s3.rank(method='min')
a    3
b    2
c    1
d    3
dtype: float64
>>> s3.rank(method='first')
a    3
b    2
c    1
d    4
dtype: float64

3.4统计方法

pandas 对象有一些统计方法，它们大部分都属于约简和汇总统计，用于从 Series 中提取单个值，或从 DataFrame 的行或列中提取一个 Series。比如 DataFrame.mean(axis=0,skipna=True) 方法，当数据集中存在 NA 值时，这些值会被简单跳过，除非整个切片（行或列）全是 NA，如果不想这样，则可以通过 skipna=False 来禁用此功能：

>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],'year':[2000,2001,2002,2001,2002],'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df=DataFrame(data)
>>> dfpop   state  year
0  1.5   Ohino  2000
1  1.7   Ohino  2001
2  3.6   Ohino  2002
3  2.4  Nevada  2001
4  2.9  Nevada  2002
>>> df.mean()
pop        2.42
year    2001.20
dtype: float64
>>> df.mean(axis=1)
0    1000.75
1    1001.35
2    1002.80
3    1001.70
4    1002.45
dtype: float64

其他常用的统计方法有：
count	非 NA 值的数量
describe	针对 Series 或 DF 的列计算汇总统计
min , max	最小值和最大值
argmin , argmax	最小值和最大值的索引位置（整数）
idxmin , idxmax	最小值和最大值的索引值
quantile	样本分位数（0 到 1）
sum	求和
mean	均值
median	中位数
mad	根据均值计算平均绝对离差
var	方差
std	标准差
skew	样本值的偏度（三阶矩）
kurt	样本值的峰度（四阶矩）
cumsum	样本值的累计和
cummin , cummax	样本值的累计最大值和累计最小值
cumprod	样本值的累计积
diff	计算一阶差分（对时间序列很有用）
pct_change	计算百分数变化

参考：

http://www.open-open.com/lib/view/open1402477162868.html

https://my.oschina.net/lionets/blog/277847

http://www.cnblogs.com/skying555/p/5914391.html