03-Pandas详解

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 pd
import numpy as np
sr = 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1

02-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    26
c    26
d    34
dtype: int64

DataFrame

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dataframe
import pandas as pd
data = {"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 datetime
datetime.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99
sr['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header
pd.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