参考开源组织datawhale的文章:https://datawhalechina.github.io/joyful-pandas/build/html/%E7%9B%AE%E5%BD%95/ch2.html
第二章pandas基础
在开始学习前，请保证pandas的版本号不低于如下所示的版本，否则请重新升级！请确认已经安装了这三个包，其中xlrd版本不得超过。xlrd, xlwt, openpyxl2.0.0
一，文件的读取和写入
1.文件读取
pandas可以读取的文件格式有很多，这里主要介绍读取文件。csv, excel, txt
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表示把某些列或几列作为索引，索引的内容将会在第三章进行替换，usecols表示读取列的集合，替换为所有的列，parse_dates表示需要转换为时间的列，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。上面的这些参数在上述的三个函数里都可以使用。
读取在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：
上面的结果可见不是理想的，这时可以使用sep，同时需要指定引擎为python：
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中具有两个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.系列
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，替换为空。
对于这些属性，可以通过.的方式来获取：
利用.shape可以获取序列的长度：
2.数据帧
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]来收回相应的列与由多个列组成的表，结果分别为Series和和DataFrame：
与Series类似，在数据之上同样可以收回相应的属性：
通过.T可以把DataFrame进行转置：
三，常用基本函数
为了进行说明，在随后的部分和其余章节都将使用复制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。
上述列名依次代表学校，年级，姓名，性别，身高，体重，是否为转系生，体测场次，测试时间，1000米成绩，本章轻松使用其中的前七列。
1.汇总函数
head, tail分别函数表示报道查看表或者序列的前n行后状语从句：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。例如，选出身高和体重列进行演示：sum, mean, median, var, std, max, min
此外，需要介绍的是这三个函数，它们分别返回的是分数值，非缺失值个数，替代对应的索引：quantile, count, idxmax
上面这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数axis，而是为0代表逐列聚合，如果设置为1则表示逐行聚合：
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，替换值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。
此外，duplicated和drop_duplicates的功能类似，但前者返回了是否为唯一值的布尔列表，其keep参数与相同一致。其返回的序列，把重复元素设置True，否则为False。drop_duplicates等价于把duplicated为True的对应行剔除。
4.替换函数
一般而言，替换操作是针对某人一个列进行的，因此下面的示例都以替换Series。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，或者加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则为用一个最近的替换替换的值进行bfill替换，则使用后面最近的替换替换的值进行替换。从下面的例子可以看到，它们的结果是不同的：
逻辑替换包括了where和mask，这两个函数是完全对称的：where函数在替换条件为False的对应行进行mask替换，而在替换条件为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，预期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：round, abs, clip
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方法把年级和名字两列作为索引，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。
对身高进行排序，默认参数ascending=True为升序：
在排序中，经常遇到多列排序的问题，某些在体重相同的情况下，对身高进行排序，并保持身高降序排列，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，需要注意的是的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表达式合理书写简洁，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，那么每次预期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。
这里再举一个例子：mad函数返回的是是一个序列中替换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5.25，每一个元素替换的绝对值4.25,2.25 ，1.75,4.75，这个替代序列的均值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，窗口显示扩张expanding以及指数加权窗口显示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.窗滑对象
要使用滑窗函数，就必须先要对一个序列使用得到.rolling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，适当计算（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预设的自定义函数，其初始值是对应窗口的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，分别表示朝向前第一个n元素的值，与向前第一个n元素做差（与Numpy中不同，表示n分层差分），与向向第前n个元素相比计算增长率资料。的这里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.扩展窗口
扩展窗口又称递增窗口，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特定操作的对应位置，其使用的聚合函数会作用于这些逐步扩展的窗口上。 ，设置序列为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]。
网友评论