利用Python进行数据分析 第5章 pandas入门（2）

5.2 基本功能

（1）重新索引 - 方法reindex

方法reindex是pandas对象地一个重要方法，其作用是：创建一个新对象，它地数据符合新地索引。

如，对下面的Series数据按新索引进行重排：

根据新索引重排后的结果如下，当某个索引值不存在，就会在原来的基础上引入缺失值NaN：

利用reindex的method选项，实现插值处理。尤其对于时间序列这样的有序数据，会经常用到该选项。

如，使用 ffill 实现 前向值 填充：

利用DataFrame，reindex修改（行）索引和列。（只传递一个序列时，会重新索引结果的行）：

利用columns关键字，对列进行重新索引：

reindex 函数的参数：

（2）丢弃指定轴上的项 - 方法 .drop

丢弃某条轴上的一个或多个项，只要由一个索引数组或列表即可。

drop方法，返回的时一个在指定轴上删除了指定值的对象：

对于Series：

对于DataFrame（可删除任意轴上的索引值）：

先创建如下DataFrame例子：

用标签序列调用drop，会从行标签（axis 0）删除值：

通过传递axis=1或axis='columns'可删除列的值：

Ps：如果想就地修改对象，可使用inplace参数（谨慎使用inplace，该参数会彻底删除被删除的数据！）：

　　

（3）索引、选取和过滤

Series索引，其索引值可以是整数（单个、多个，或整数切片），也可以是具体的单个、多个index值，也可以是布尔类型条件。

1）创建Series示例：

具体的例子如下：

Ps：利用标签的切片运算与普通的Python切片运算不同，其末端是包含的！

　　

用切片可对Series的相应部分进行设置：

2）DataFrame示例

对DataFrame进行索引获取一个或多个列（问题：如何用类似切片的方式获取多个列？？？）：

特殊Case：

　　a）通过切片或布尔型数组选取数据：

　　

　　b）通过布尔型DataFrame进行索引：（这样的DataFrame语法语NumPy二维数组语法非常相似）

　　

（4）用loc和iloc进行选取

引入特殊的标签运算符 loc 和 iloc，用于对DataFrame的行的标签索引。其中，使用轴标签（loc）索引，使用整数索引（iloc），从DataFrame选择行和列的子集。

1）通过标签选择一行和多列

2）用 iloc 和整数进行选取

注：最外层为行标签，往后为列标签

3） loc 和 iloc函数都适用于一个标签或多个标签的切片

注：loc函数的轴标签索引，不同于Python的列表，[:'Utah', 'two'] 包含最后一个轴标签 'Utah'；

　　loc 和 iloc运算符分布处理严格基于标签和整数的索引！！！

4）对于DataFrame选取和重新组合数据的方法总结：

（5）整数索引

（6）算术运算和数据对齐

pandas最重要的一个功能：可以对不同索引的对象进行算术运算。比如，在将对象相加时，如果存在不同的索引对，则结果的索引就是该索引对的并集。（跟数据库的join相似）

对于Series：

对于DataFrame：对齐操作会同时发生在行和列上

将它们相加后返回一个新的DataFrame，其索引和列为原来两个DataFrame的并集：

（7）在算术方法中填充值

在对不同索引的对象进行算术运算时，可在当一个对象中某个标签在另一个对象中找不到时，填充一个特殊值，比如0。则，此时可用add方法，使用如下df1的add方法，传入df2以及一个fill_value参数：

与此类似，在对Series或DataFrame重新索引时，也可以指定一个填充值：

Ps：Series和DataFrame的算术方法入下表（他们每个都有一个副本，以字母r开头，它会翻转参数）：

1 / df1 等价于 df1.rdiv(1)

（8）DataFrame和Series之间的运算

DateFrame和Series之间的算术运算，在默认情况下，会将Series的索引匹配到DataFrame的列，然后沿着行一直向下广播（broadcasting）-附录A中详解：

Ps：

　　1）如果某个索引在DataFrame的列或Series的索引中找不到，则参与运算的两个对象就会被重新索引以形成并集。

　　

　　2）如果需要匹配行，且在列上广播，则必须使用算术运算方法（下例中传入的轴，就是希望匹配的轴）

　　

（9）函数应用和映射

Numpy的ufuncs（元素级数组方法）也可用于操作pandas对象：

另一个常见操作，将函数应用到由各列或行所形成的一维数组上。DataFrame的apply方法即可实现此功能：

该函数f，计算了一个Series的最大值和最小值的差，在data的每列都执行了一次。结果是一个Series，使用data的列作为索引。

　　如果传递axis=‘columns’到apply，这个函数会在每行执行：

　　

　　Ps：许多最为常见的数组统计功能都被实现成DataFrame的方法（如sum和mean），因此无需使用apply方法。

传递到apply的函数不是必须返回一个标量，还可以返回由多个值组成的Series：

元素级的Python函数也可用。如，想得到data中各个浮点值得格式化字符串，使用applymap即可：

（10）排序和排名 - .sort_index( )、.sort_values( )、.rank( )

根据条件对数据集排序，是一种重要的内置运算。

使用sort_index方法，可对行或列索引进行排序（按字典顺序），将返回一个已排序的新对象。

1）对Series索引排序

　　Ps：

　　a）若要按值对Series进行排序，可使用sort_values方法：

　　

　　b）在排序时，任何缺失值默认都会被放到Series末尾

　　

2）对DataFrame （可根据任意一个轴上索引进行排序）

　　Ps：

　　a）默认是按升序排序的，也可按降序排序

　　

　　b）当排序一个DataFrame时，可根据一个或多个列中的值进行排序。将一个或多个列的名字传递给sort_values的 by 选项即可达到目的。

　　

 3）排名 - rank

排名，会从1开始一直到数组中有效数据的数量。默认情况下，rank是通过“为各组分配一个平均排名”的方式破坏平级关系的。

也可根据值在原数据中出现的顺序给出排名：

也可按降序进行排名：

DataFrame可以在行或列上计算排名：

　　Ps：下表列出了所有用于破坏平级关系的method选项。

　　

（11）带有重复标签的轴索引

尽管许多pandas函数都要求标签唯一，但这并非强制性的。

1）对于Series。如下，带有重复索引值的Series：

索引的is_unique属性可用于检测它的值是否是唯一的：

对带有重复值的索引，如果某个索引对应多个值，则返回一个Series；对应单个值，则返回一个标量值：

2）对于DataFrame的行进行索引，也一样

5.3 汇总和计算描述统计

pandas对象用于一组常用的数学和统计方法，大部分都属于约简和汇总统计，用于从Series中提取单个值（如sum和mean），或从DataFrame的行或列中提取一个Series。

看一个简单的DataFrame：

调用DataFrame的sum方法将会返回一个含有列的和的Series：

传入axis=‘Columns’ 或 axis=1，将会按行进行求和运算：

Ps：NA值会自动被排除，除非整个切片（这里指的是行或列）都是NA。通过skipna选项可以禁用该功能：

　　

常用的约简方法：

有的方法（如idxmin和idxmax）返回的是间接统计（比如达到最小值或最大值的索引）：

有的方法则是累计型的：

还有一种方法，既不是约简型，也不是累计型。比如，describe，用于一次性产生多个汇总统计：

对于非数值型数据，desribe将会产生另外一种汇总统计：

下表列出所有与描述统计相关的方法：

（1）相关系数和协方差

有的汇总统计（如相关系数协方差）是通过参数对计算出来的。

接下来的示例，将会使用到pandas-datareader包。

pandas-datareader包是一个远程获取金融数据的Python工具，通过它可以方便获得下面公司和机构的数据：

Yahoo! Finance // 雅虎金融；

Google Finance // 谷歌金融

Enigma // Enigma是一个公共数据搜索的提供商

St.Louis FED (FRED) // 圣路易斯联邦储备银行

Kenneth French’s data library // 肯尼斯弗兰奇资料库

World Bank // 世界银行

OECD // 经合组织

Eurostat // 欧盟统计局

Thrift Savings Plan // 美国联邦政府管理离退休的组织

Oanda currency historical rate  //外汇经纪商

Nasdaq Trader symbol definitions //纳斯达克

　　由于Yahoo！2017年被收购，已经无法获取书中案例数据，且近期无VPN，暂时先不学习该部分。 

（2）唯一值、值计数以及成员资格

下面介绍一类方法，用于从一维Series的值中抽取信息。

1）unique函数，可得到Series中的唯一值数组：

Ps：返回的唯一值是未排序的。可对结果再次进行排序（uniques.sort()）

2）value_counts函数，用于计算一个Series中各值出现的频率：

Ps：为了便于查看，结果Series是按值频率降序排列的。

　　values_counts还是一个顶级pandas方法，可用于任何数组或序列：

　　

3）isin用于判断矢量化集合的成员资格，可用于过滤Series中或DataFrame中数据的子集：

4）Index.get_indexer方法与isin类似，它可以给出一个索引数组，从可能包含重复值的数组到另一个不同值得数组：

下期预告：讨论用pandas读取（或加载）和写入数据集的工具。

之后，更深入地研究使用pandas进行数据清洗、规整、分析和可视化工具