系統(tǒng)性的學(xué)會 Pandas, 看這一篇就夠了!

作者：Ma Sizhou

https://blog.csdn.net/weixin_45901519/article/details/112980822

1、Pandas數(shù)據(jù)結(jié)構(gòu)

• 2008年WesMcKinney開發(fā)出的庫
• 專門用于數(shù)據(jù)挖掘的開源python庫
• 以Numpy為基礎(chǔ)，借力Numpy模塊在計算方面性能高的優(yōu)勢
• 基于matplotlib，能夠簡便的畫圖
• 獨特的數(shù)據(jù)結(jié)構(gòu)

1.1 為什么使用Pandas

Numpy已經(jīng)能夠幫助我們處理數(shù)據(jù)，能夠結(jié)合matplotlib解決部分?jǐn)?shù)據(jù)展示等問題，那么pandas學(xué)習(xí)的目的在什么地方呢？

• （1）增強(qiáng)圖表可讀性

  • 在numpy當(dāng)中創(chuàng)建學(xué)生成績表樣式：

  • 返回結(jié)果：

array([[92,?55,?78,?50,?50],
???????[71,?76,?50,?48,?96],
???????[45,?84,?78,?51,?68],
???????[81,?91,?56,?54,?76],
???????[86,?66,?77,?67,?95],
???????[46,?86,?56,?61,?99],
???????[46,?95,?44,?46,?56],
???????[80,?50,?45,?65,?57],
???????[41,?93,?90,?41,?97],
???????[65,?83,?57,?57,?40]])

如果數(shù)據(jù)展示為這樣，可讀性就會更友好：

• （2）便捷的數(shù)據(jù)處理能力
  
• （3）讀取文件方便
• （4）封裝了Matplotlib、Numpy的畫圖和計算

1.2 Pandas數(shù)據(jù)結(jié)構(gòu)

Pandas中一共有三種數(shù)據(jù)結(jié)構(gòu)，分別為：Series、DataFrame和MultiIndex（老版本中叫Panel ）。

其中Series是一維數(shù)據(jù)結(jié)構(gòu)，DataFrame是二維的表格型數(shù)據(jù)結(jié)構(gòu)，MultiIndex是三維的數(shù)據(jù)結(jié)構(gòu)。

1.2.1 Series

Series是一個類似于一維數(shù)組的數(shù)據(jù)結(jié)構(gòu)，它能夠保存任何類型的數(shù)據(jù)，比如整數(shù)、字符串、浮點數(shù)等，主要由一組數(shù)據(jù)和與之相關(guān)的索引兩部分構(gòu)成。

（1）Series的創(chuàng)建

#?導(dǎo)入pandas
import?pandas?as?pd

pd.Series(data=None,?index=None,?dtype=None)

• 參數(shù)：
  • data：傳入的數(shù)據(jù)，可以是ndarray、list等
  • index：索引，必須是唯一的，且與數(shù)據(jù)的長度相等。如果沒有傳入索引參數(shù)，則默認(rèn)會自動創(chuàng)建一個從0-N的整數(shù)索引。
  • dtype：數(shù)據(jù)的類型

通過已有數(shù)據(jù)創(chuàng)建:

• （1）指定內(nèi)容，默認(rèn)索引：

pd.Series(np.arange(10))

#?運行結(jié)果
0????0
1????1
2????2
3????3
4????4
5????5
6????6
7????7
8????8
9????9
dtype:?int64

• （2）指定索引：

pd.Series([6.7,5.6,3,10,2],?index=[1,2,3,4,5])

#?運行結(jié)果
1?????6.7
2?????5.6
3?????3.0
4????10.0
5?????2.0
dtype:?float64

• （3）通過字典數(shù)據(jù)創(chuàng)建

color_count?=?pd.Series({'red':100,?'blue':200,?'green':?500,?'yellow':1000})
color_count

#?運行結(jié)果
blue???????200
green??????500
red????????100
yellow????1000
dtype:?int64

（2）Series的屬性

為了更方便地操作Series對象中的索引和數(shù)據(jù)，Series中提供了兩個屬性index和values：

• index：

color_count?=?pd.Series({'red':100,?'blue':200,?'green':?500,?'yellow':1000})

color_count.index

#?結(jié)果
Index(['blue',?'green',?'red',?'yellow'],?dtype='object')

• values：

color_count.values

#?結(jié)果
array([?200,??500,??100,?1000])

也可以使用索引來獲取數(shù)據(jù)：

color_count[2]

#?結(jié)果
100

1.2.2 DataFrame

DataFrame是一個類似于二維數(shù)組或表格(如excel)的對象，既有行索引，又有列索引：

• 行索引，表明不同行，橫向索引，叫index，0軸，axis=0
• 列索引，表名不同列，縱向索引，叫columns，1軸，axis=1
  

（1）DataFrame的創(chuàng)建

#?導(dǎo)入pandas
import?pandas?as?pd

pd.DataFrame(data=None,?index=None,?columns=None)

• 參數(shù)：

  • index：行標(biāo)簽。如果沒有傳入索引參數(shù)，則默認(rèn)會自動創(chuàng)建一個從0-N的整數(shù)索引。
  • columns：列標(biāo)簽。如果沒有傳入索引參數(shù)，則默認(rèn)會自動創(chuàng)建一個從0-N的整數(shù)索引。

• 通過已有數(shù)據(jù)創(chuàng)建

舉例一：

pd.DataFrame(np.random.randn(2,3))

結(jié)果：

舉例二：創(chuàng)建學(xué)生成績表

使用np創(chuàng)建的數(shù)組顯示方式，比較兩者的區(qū)別。

#?生成10名同學(xué)，5門功課的數(shù)據(jù)
score?=?np.random.randint(40,?100,?(10,?5))#均勻分布

#?結(jié)果
array([[92,?55,?78,?50,?50],
???????[71,?76,?50,?48,?96],
???????[45,?84,?78,?51,?68],
???????[81,?91,?56,?54,?76],
???????[86,?66,?77,?67,?95],
???????[46,?86,?56,?61,?99],
???????[46,?95,?44,?46,?56],
???????[80,?50,?45,?65,?57],
???????[41,?93,?90,?41,?97],
???????[65,?83,?57,?57,?40]])

但是這樣的數(shù)據(jù)形式很難看到存儲的是什么的樣的數(shù)據(jù)，可讀性比較差??！

問題：如何讓數(shù)據(jù)更有意義的顯示？

#?使用Pandas中的數(shù)據(jù)結(jié)構(gòu)
score_df?=?pd.DataFrame(score)

結(jié)果：

給分?jǐn)?shù)數(shù)據(jù)增加行列索引,顯示效果更佳：

• 增加行、列索引：

#?構(gòu)造行索引序列
subjects?=?["語文",?"數(shù)學(xué)",?"英語",?"政治",?"體育"]

#?構(gòu)造列索引序列
stu?=?['同學(xué)'?+?str(i)?for?i?in?range(score_df.shape[0])]

#?添加行索引
data?=?pd.DataFrame(score,?columns=subjects,?index=stu)

結(jié)果：

（2）DataFrame的屬性

• （1）shape

data.shape

#?結(jié)果
(10,?5)

• （2）index

DataFrame的行索引列表

data.index

#?結(jié)果
Index(['同學(xué)0',?'同學(xué)1',?'同學(xué)2',?'同學(xué)3',?'同學(xué)4',?'同學(xué)5',?'同學(xué)6',?'同學(xué)7',?'同學(xué)8',?'同學(xué)9'],?dtype='object')

• （3）columns

DataFrame的列索引列表

data.columns

#?結(jié)果
Index(['語文',?'數(shù)學(xué)',?'英語',?'政治',?'體育'],?dtype='object')

• （4）values

直接獲取其中array的值

array([[54,?82,?62,?81,?47],
???????[50,?58,?73,?72,?48],
???????[88,?89,?49,?99,?83],
???????[79,?81,?69,?45,?87],
???????[87,?64,?62,?74,?85],
???????[68,?56,?58,?77,?53],
???????[77,?49,?82,?48,?82],
???????[96,?49,?67,?94,?71],
???????[98,?77,?44,?99,?41],
???????[71,?52,?74,?90,?44]])

• （5）T

轉(zhuǎn)置

data.T

結(jié)果：

• （6）head(5)：顯示前5行內(nèi)容

如果不補(bǔ)充參數(shù)，默認(rèn)5行。填入?yún)?shù)N則顯示前N行

data.head(5)

結(jié)果：

• （7）tail(5):顯示后5行內(nèi)容

如果不補(bǔ)充參數(shù)，默認(rèn)5行。填入?yún)?shù)N則顯示后N行

data.tail(5)

結(jié)果：

（3）DatatFrame索引的設(shè)置

現(xiàn)在要將下圖的行索引改變，變成下下圖所示樣子，怎么做呢？

• (1)修改行列索引值

stu?=?["學(xué)同學(xué)_"?+?str(i)?for?i?in?range(score_df.shape[0])]

#?必須整體全部修改
data.index?=?stu

注意：以下修改方式是錯誤的，說明不能單獨修改

#?錯誤修改方式，不能單個修改
data.index[3]?=?'學(xué)生_3'

• （2）重設(shè)索引

  • 設(shè)置新的下標(biāo)索引
  • drop:默認(rèn)為False，不刪除原來索引，如果為True,刪除原來的索引值
  • reset_index(drop=False)

#?重置索引,drop=False
data.reset_index()

結(jié)果：

#?重置索引,drop=True
data.reset_index()

結(jié)果：

• （3）以某列值設(shè)置為新的索引
• set_index(keys, drop=True)
  • keys : 列索引名成或者列索引名稱的列表
  • drop : boolean, default True.當(dāng)做新的索引，刪除原來的列

設(shè)置新索引案例：

1、創(chuàng)建

df?=?pd.DataFrame({'month':?[1,?4,?7,?10],
????????????????????'year':?[2012,?2014,?2013,?2014],
????????????????????'sale':[55,?40,?84,?31]})

???month??sale??year
0??1??????55????2012
1??4??????40????2014
2??7??????84????2013
3??10?????31????2014

2、以月份設(shè)置新的索引

df.set_index('month')
???????sale??year
month
1??????55????2012
4??????40????2014
7??????84????2013
10?????31????2014

3、設(shè)置多個索引，以年和月份

df?=?df.set_index(['year',?'month'])
df
????????????sale
year??month
2012??1?????55
2014??4?????40
2013??7?????84
2014??10????31

注：通過剛才的設(shè)置，這樣DataFrame就變成了一個具有MultiIndex的DataFrame。

1.2.3 MultiIndex與Panel

（1）MultiIndex

MultiIndex是三維的數(shù)據(jù)結(jié)構(gòu);

多級索引（也稱層次化索引）是pandas的重要功能，可以在Series、DataFrame對象上擁有2個以及2個以上的索引。

• （1）multiIndex的特性

打印剛才的df的行索引結(jié)果

df
????????????sale
year??month
2012??1?????55
2014??4?????40
2013??7?????84
2014??10????31

df.index

MultiIndex(levels=[[2012,?2013,?2014],?[1,?4,?7,?10]],
???????????labels=[[0,?2,?1,?2],?[0,?1,?2,?3]],
???????????names=['year',?'month'])

多級或分層索引對象。

• index屬性
  • names:levels的名稱
  • levels：每個level的元組值

df.index.names
#?FrozenList(['year',?'month'])

df.index.levels
#?FrozenList([[2012,?2013,?2014],?[1,?4,?7,?10]])

• （2）multiIndex的創(chuàng)建

arrays?=?[[1,?1,?2,?2],?['red',?'blue',?'red',?'blue']]
pd.MultiIndex.from_arrays(arrays,?names=('number',?'color'))

#?結(jié)果
MultiIndex(levels=[[1,?2],?['blue',?'red']],
???????????codes=[[0,?0,?1,?1],?[1,?0,?1,?0]],
???????????names=['number',?'color'])

（2）Panel

• （1）panel的創(chuàng)建

  • 作用：存儲3維數(shù)組的Panel結(jié)構(gòu)

  • 參數(shù)：

  • data : ndarray或者dataframe

  • items : 索引或類似數(shù)組的對象，axis=0

  • major_axis : 索引或類似數(shù)組的對象，axis=1

  • minor_axis : 索引或類似數(shù)組的對象，axis=2

  • class pandas.Panel(data=None, items=None, major_axis=None, minor_axis=None)

p?=?pd.Panel(data=np.arange(24).reshape(4,3,2),
?????????????????items=list('ABCD'),
?????????????????major_axis=pd.date_range('20130101',?periods=3),
?????????????????minor_axis=['first',?'second'])

#?結(jié)果
<class?'pandas.core.panel.Panel'>
Dimensions:?4?(items)?x?3?(major_axis)?x?2?(minor_axis)
Items?axis:?A?to?D
Major_axis?axis:?2013-01-01?00:00:00?to?2013-01-03?00:00:00
Minor_axis?axis:?first?to?second

• （2）查看panel數(shù)據(jù)

p[:,:,"first"]
p["B",:,:]

注：Pandas從版本0.20.0開始棄用：推薦的用于表示3D數(shù)據(jù)的方法是通過DataFrame上的MultiIndex方法。

2、基本數(shù)據(jù)操作

為了更好的理解這些基本操作，我們將讀取一個真實的股票數(shù)據(jù)。關(guān)于文件操作，后面在介紹，這里只先用一下API。

#?讀取文件
data?=?pd.read_csv("./data/stock_day.csv")

#?刪除一些列，讓數(shù)據(jù)更簡單些，再去做后面的操作
data?=?data.drop(["ma5","ma10","ma20","v_ma5","v_ma10","v_ma20"],?axis=1)

2.1 索引操作

Numpy當(dāng)中我們已經(jīng)講過使用索引選取序列和切片選擇，pandas也支持類似的操作，也可以直接使用列名、行名稱，甚至組合使用。

2.2.1 直接使用行列索引(先列后行)

獲取’2018-02-27’這天的’open’的結(jié)果：

#?直接使用行列索引名字的方式（先列后行）
data['open']['2018-02-27']
23.53

#?不支持的操作
#?錯誤
data['2018-02-27']['open']
#?錯誤
data[:1,?:2]

2.2.2 結(jié)合loc或者iloc使用索引

獲取從’2018-02-27’到’2018-02-22’，'open’的結(jié)果：

#?使用loc:只能指定行列索引的名字
data.loc['2018-02-27':'2018-02-22',?'open']

2018-02-27????23.53
2018-02-26????22.80
2018-02-23????22.88
Name:?open,?dtype:?float64

#?使用iloc可以通過索引的下標(biāo)去獲取
#?獲取前3天數(shù)據(jù),前5列的結(jié)果
data.iloc[:3,?:5]

????????????open????high????close????low
2018-02-27????23.53????25.88????24.16????23.53
2018-02-26????22.80????23.78????23.53????22.80
2018-02-23????22.88????23.37????22.82????22.71

2.2.3 使用ix組合索引（混合索引:下標(biāo)和名稱）

獲取行第1天到第4天，[‘open’, ‘close’, ‘high’, ‘low’]這個四個指標(biāo)的結(jié)果：

#?使用ix進(jìn)行下表和名稱組合做引
data.ix[0:4,?['open',?'close',?'high',?'low']]

#?推薦使用loc和iloc來獲取的方式
data.loc[data.index[0:4],?['open',?'close',?'high',?'low']]
data.iloc[0:4,?data.columns.get_indexer(['open',?'close',?'high',?'low'])]

????????????open????close????high????low
2018-02-27????23.53????24.16????25.88????23.53
2018-02-26????22.80????23.53????23.78????22.80
2018-02-23????22.88????22.82????23.37????22.71
2018-02-22????22.25????22.28????22.76????22.02

2.2 賦值操作

對DataFrame當(dāng)中的close列進(jìn)行重新賦值為1。

#?直接修改原來的值
data['close']?=?1?#?這一列都變成1
#?或者
data.close?=?1

2.3 排序

排序有兩種形式，一種對于索引進(jìn)行排序，一種對于內(nèi)容進(jìn)行排序:

2.3.1 DataFrame排序

• （1）使用df.sort_values(by=, ascending=)
  • by：指定排序參考的鍵
  • ascending:默認(rèn)升序
  • ascending=False:降序
  • ascending=True:升序
  • 單個鍵或者多個鍵進(jìn)行排序,
  • 參數(shù)：

如下：

例一：

#?按照開盤價大小進(jìn)行排序?,?使用ascending指定按照大小排序
data.sort_values(by="open",?ascending=True).head()

結(jié)果：

例二：

#?按照多個鍵進(jìn)行排序
data.sort_values(by=['open',?'high'])

結(jié)果：

• （2）使用df.sort_index(ascending=)給索引進(jìn)行排序

這個股票的日期索引原來是從大到小，現(xiàn)在重新排序，從小到大:

#?對索引進(jìn)行排序
data.sort_index()

結(jié)果：

2.3.2 Series排序

• （1）使用series.sort_values(ascending=True)進(jìn)行排序

series排序時，只有一列，不需要參數(shù)

data['p_change'].sort_values(ascending=True).head()

2015-09-01???-10.03
2015-09-14???-10.02
2016-01-11???-10.02
2015-07-15???-10.02
2015-08-26???-10.01
Name:?p_change,?dtype:?float64

• （2）使用series.sort_index()進(jìn)行排序

與df一致

#?對索引進(jìn)行排序
data['p_change'].sort_index().head()

2015-03-02????2.62
2015-03-03????1.44
2015-03-04????1.57
2015-03-05????2.02
2015-03-06????8.51
Name:?p_change,?dtype:?float64

2.4 總結(jié)

3、DataFrame運算

3.1 算術(shù)運算

• （1）add(other)

比如進(jìn)行數(shù)學(xué)運算加上具體的一個數(shù)字

data['open'].head().add(1)

2018-02-27????24.53
2018-02-26????23.80
2018-02-23????23.88
2018-02-22????23.25
2018-02-14????22.49
Name:?open,?dtype:?float64

• （2）sub(other)

整個列減一個數(shù)

data.open.head().sub(2)

2018-02-27????21.53
2018-02-26????20.80
2018-02-23????20.88
2018-02-22????20.25
2018-02-14????19.49
Name:?open,?dtype:?float64

3.2 邏輯運算

3.2.1 邏輯運算符號

• 例如篩選data[“open”] > 23的日期數(shù)據(jù)
  • data[“open”] > 23返回邏輯結(jié)果

data["open"]?>?23

2018-02-27?????True
2018-02-26????False
2018-02-23????False
2018-02-22????False
2018-02-14????False

#?邏輯判斷的結(jié)果可以作為篩選的依據(jù)
data[data["open"]?>?23].head()

結(jié)果：

• 完成多個邏輯判斷：

data[(data["open"]?>?23)?&?(data["open"]?<?24)].head()

3.2.2 邏輯運算函數(shù)

• （1）query(expr)
  • expr:查詢字符串

通過query使得剛才的過程更加方便簡單，下面是使用的例子：

data.query("open<24?&?open>23").head()

結(jié)果：

• （2）isin(values)

例如判斷’open’是否為23.53和23.85：

#?可以指定值進(jìn)行一個判斷，從而進(jìn)行篩選操作
data[data["open"].isin([23.53,?23.85])]

3.2.3 統(tǒng)計運算

（1）describe

綜合分析: 能夠直接得出很多統(tǒng)計結(jié)果,count, mean, std, min, max 等

#?計算平均值、標(biāo)準(zhǔn)差、最大值、最小值
data.describe()

（2）統(tǒng)計函數(shù)

看一下min(最小值), max(最大值), mean(平均值), median(中位數(shù)), var(方差), std(標(biāo)準(zhǔn)差),mode(眾數(shù))是怎么操作的:

對于單個函數(shù)去進(jìn)行統(tǒng)計的時候，坐標(biāo)軸還是按照默認(rèn)列“columns” (axis=0, default)，如果要對行“index” 需要指定(axis=1)。

• （1）max()、min()

#?使用統(tǒng)計函數(shù)：0?代表列求結(jié)果， 1 代表行求統(tǒng)計結(jié)果
data.max(axis=0)?#?最大值

open???????????????????34.99
high???????????????????36.35
close??????????????????35.21
low????????????????????34.01
volume?????????????501915.41
price_change????????????3.03
p_change???????????????10.03
turnover???????????????12.56
my_price_change?????????3.41
dtype:?float64

• （2）std()、var()

#?方差
data.var(axis=0)

open???????????????1.545255e+01
high???????????????1.662665e+01
close??????????????1.554572e+01
low????????????????1.437902e+01
volume?????????????5.458124e+09
price_change???????8.072595e-01
p_change???????????1.664394e+01
turnover???????????4.323800e+00
my_price_change????6.409037e-01
dtype:?float64

#?標(biāo)準(zhǔn)差
data.std(axis=0)

open???????????????????3.930973
high???????????????????4.077578
close??????????????????3.942806
low????????????????????3.791968
volume?????????????73879.119354
price_change???????????0.898476
p_change???????????????4.079698
turnover???????????????2.079375
my_price_change????????0.800565
dtype:?float64

• （3）median()：中位數(shù)

中位數(shù)為將數(shù)據(jù)從小到大排列，在最中間的那個數(shù)為中位數(shù)。如果沒有中間數(shù)，取中間兩個數(shù)的平均值。

data.median(axis=0)

open???????????????21.44
high???????????????21.97
close??????????????10.00
low????????????????20.98
volume??????????83175.93
price_change????????0.05
p_change????????????0.26
turnover????????????2.50
dtype:?float64

• （4）idxmax()、idxmin()

#?求出最大值的位置
data.idxmax(axis=0)

open???????????????2015-06-15
high???????????????2015-06-10
close??????????????2015-06-12
low????????????????2015-06-12
volume?????????????2017-10-26
price_change???????2015-06-09
p_change???????????2015-08-28
turnover???????????2017-10-26
my_price_change????2015-07-10
dtype:?object


#?求出最小值的位置
data.idxmin(axis=0)

open???????????????2015-03-02
high???????????????2015-03-02
close??????????????2015-09-02
low????????????????2015-03-02
volume?????????????2016-07-06
price_change???????2015-06-15
p_change???????????2015-09-01
turnover???????????2016-07-06
my_price_change????2015-06-15
dtype:?object

（3）累計統(tǒng)計函數(shù)

那么這些累計統(tǒng)計函數(shù)怎么用？

以上這些函數(shù)可以對series和dataframe操作，這里我們按照時間的從前往后來進(jìn)行累計

• 排序

#?排序之后，進(jìn)行累計求和
data?=?data.sort_index()

• 對p_change進(jìn)行求和

stock_rise?=?data['p_change']

stock_rise.cumsum()

2015-03-02??????2.62
2015-03-03??????4.06
2015-03-04??????5.63
2015-03-05??????7.65
2015-03-06?????16.16
2015-03-09?????16.37
2015-03-10?????18.75
2015-03-11?????16.36
2015-03-12?????15.03
2015-03-13?????17.58
2015-03-16?????20.34
2015-03-17?????22.42
2015-03-18?????23.28
2015-03-19?????23.74
2015-03-20?????23.48
2015-03-23?????23.74

那么如何讓這個連續(xù)求和的結(jié)果更好的顯示呢？

如果要使用plot函數(shù)，需要導(dǎo)入matplotlib.下面是繪圖代碼：

import?matplotlib.pyplot?as?plt
#?plot顯示圖形,?plot方法集成了直方圖、條形圖、餅圖、折線圖
stock_rise.cumsum().plot()
#?需要調(diào)用show，才能顯示出結(jié)果
plt.show()

結(jié)果：

關(guān)于plot，稍后會介紹API的選擇。

（4）自定義運算

• apply(func, axis=0)
  • func:自定義函數(shù)
  • axis=0:默認(rèn)是列，axis=1為行進(jìn)行運算
• 定義一個對列，最大值-最小值的函數(shù)

下面看個例子：

data[['open',?'close']].apply(lambda?x:?x.max()?-?x.min(),?axis=0)

open?????22.74
close????22.85
dtype:?float64

特定需求需要用這個。

4、Pandas畫圖

4.1 pandas.DataFrame.plot

• DataFrame.plot(kind='line')

  • ‘line’ : 折線圖
  • ‘bar’ : 條形圖
  • ‘barh’ : 橫放的條形圖
  • ‘hist’ : 直方圖
  • ‘pie’ : 餅圖
  • ‘scatter’ : 散點圖
  • kind : str，需要繪制圖形的種類

關(guān)于“barh”的解釋：
http://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.barh.html

更多細(xì)節(jié)：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html?highlight=plot#pandas.DataFrame.plot

看個例子：

import?matplotlib.pyplot?as?plt
#?plot顯示圖形,?plot方法集成了直方圖、條形圖、餅圖、折線圖
stock_rise.cumsum().plot(kind="line")
#?需要調(diào)用show，才能顯示出結(jié)果
plt.show()

結(jié)果：

4.2 pandas.Series.plot

更多細(xì)節(jié)：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.plot.html?highlight=plot#pandas.Series.plot

注：使用的時候查看。

5、文件讀取與存儲

我們的數(shù)據(jù)大部分存在于文件當(dāng)中，所以pandas會支持復(fù)雜的IO操作，pandas的API支持眾多的文件格式，如CSV、SQL、XLS、JSON、HDF5。

注：最常用的HDF5和CSV文件

接下來重點看一下，應(yīng)用CSV方式、HDF方式和json方式實現(xiàn)文件的讀取和存儲。

5.1 CSV

5.1.1 read_csv

• pandas.read_csv(filepath_or_buffer, sep =',', usecols )

  • filepath_or_buffer:文件路徑
  • sep :分隔符，默認(rèn)用","隔開
  • usecols:指定讀取的列名，列表形式

舉例：讀取之前的股票的數(shù)據(jù)：

#?讀取文件,并且指定只獲取'open',?'close'指標(biāo)
data?=?pd.read_csv("./data/stock_day.csv",?usecols=['open',?'close'])

????????????open????close
2018-02-27????23.53????24.16
2018-02-26????22.80????23.53
2018-02-23????22.88????22.82
2018-02-22????22.25????22.28
2018-02-14????21.49????21.92

5.1.2 to_csv

• DataFrame.to_csv(path_or_buf=None, sep=', ’, columns=None, header=True, index=True, mode='w', encoding=None)

  • path_or_buf :文件路徑
  • sep :分隔符，默認(rèn)用","隔開
  • columns :選擇需要的列索引
  • header :boolean or list of string, default True,是否寫進(jìn)列索引值
  • index:是否寫進(jìn)行索引
  • mode:‘w’：重寫, ‘a(chǎn)’ 追加

舉例：保存讀取出來的股票數(shù)據(jù)
保存’open’列的數(shù)據(jù)，然后讀取查看結(jié)果：

#?選取10行數(shù)據(jù)保存,便于觀察數(shù)據(jù)
data[:10].to_csv("./data/test.csv",?columns=['open'])

#?讀取，查看結(jié)果
pd.read_csv("./data/test.csv")

?????Unnamed:?0????open
0????2018-02-27????23.53
1????2018-02-26????22.80
2????2018-02-23????22.88
3????2018-02-22????22.25
4????2018-02-14????21.49
5????2018-02-13????21.40
6????2018-02-12????20.70
7????2018-02-09????21.20
8????2018-02-08????21.79
9????2018-02-07????22.69

會發(fā)現(xiàn)將索引存入到文件當(dāng)中，變成單獨的一列數(shù)據(jù)。如果需要刪除，可以指定index參數(shù),刪除原來的文件，重新保存一次。

下面例子把index指定為False，那么保存的時候就不會保存行索引了：

#?index:存儲不會將索引值變成一列數(shù)據(jù)
data[:10].to_csv("./data/test.csv",?columns=['open'],?index=False)

當(dāng)然我們也可以這么做，就是把索引保存到文件中，讀取的時候變成了一列，那么可以把這個列再變成索引，如下：

#?把Unnamed:?0這一列，變成行索引
open.set_index(["Unnamed:?0"])

#?把索引名字變成index
open.index.name?=?"index"

5.2 HDF5

5.2.1 read_hdf與to_hdf

HDF5文件的讀取和存儲需要指定一個鍵，值為要存儲的DataFrame

• （1）pandas.read_hdf(path_or_buf，key =None，** kwargs)

  • path_or_buffer:文件路徑
  • key:讀取的鍵
  • return:Theselected object

• （2）DataFrame.to_hdf(path_or_buf, key, **kwargs)

5.2.2 案例

• 讀取文件

day_close?=?pd.read_hdf("./data/day_close.h5")

如果讀取的時候出現(xiàn)以下錯誤

需要安裝安裝tables模塊避免不能讀取HDF5文件

pip?install?tables

• 存儲文件

day_close.to_hdf("./data/test.h5",?key="day_close")

再次讀取的時候, 需要指定鍵的名字

new_close?=?pd.read_hdf("./data/test.h5",?key="day_close")

注意：優(yōu)先選擇使用HDF5文件存儲

• HDF5在存儲的時候支持壓縮，使用的方式是blosc，這個是速度最快的也是pandas默認(rèn)支持的
• 使用壓縮可以提磁盤利用率，節(jié)省空間
• HDF5還是跨平臺的，可以輕松遷移到hadoop 上面

5.3 JSON

JSON是我們常用的一種數(shù)據(jù)交換格式，在前后端的交互經(jīng)常用到，也會在存儲的時候選擇這種格式。所以我們需要知道Pandas如何進(jìn)行讀取和存儲JSON格式。

5.3.1 read_json

• pandas.read_json(path_or_buf=None, orient=None, typ='frame', lines=False)

  • 按照每行讀取json對象
  • （1）‘split’ : dict like {index -> [index], columns -> [columns], data -> [values]}
  • （2）‘records’ : list like [{column -> value}, … , {column -> value}]
  • （3）‘index’ : dict like {index -> {column -> value}}
  • （4）‘columns’ : dict like {column -> {index -> value}},默認(rèn)該格式
  • （5）‘values’ : just the values array
  • split 將索引總結(jié)到索引，列名到列名，數(shù)據(jù)到數(shù)據(jù)。將三部分都分開了
  • records 以columns：values的形式輸出
  • index 以index：{columns：values}…的形式輸出
  • colums 以columns:{index:values}的形式輸出
  • values 直接輸出值
  • path_or_buf : 路徑
  • orient : string,以什么樣的格式顯示.下面是5種格式：
  • lines : boolean, default False
  • typ : default ‘frame’， 指定轉(zhuǎn)換成的對象類型series或者dataframe

案例：

• 數(shù)據(jù)介紹：

這里使用一個新聞標(biāo)題諷刺數(shù)據(jù)集，格式為json。is_sarcastic：1諷刺的，否則為0；headline：新聞報道的標(biāo)題；article_link：鏈接到原始新聞文章。存儲格式為：

{"article_link":?"https://www.huffingtonpost.com/entry/versace-black-code_us_5861fbefe4b0de3a08f600d5",?"headline":?"former?versace?store?clerk?sues?over?secret?'black?code'?for?minority?shoppers",?"is_sarcastic":?0}
{"article_link":?"https://www.huffingtonpost.com/entry/roseanne-revival-review_us_5ab3a497e4b054d118e04365",?"headline":?"the?'roseanne'?revival?catches?up?to?our?thorny?political?mood,?for?better?and?worse",?"is_sarcastic":?0}

• 讀取

orient指定存儲的json格式，lines指定按照行去變成一個樣本：

json_read?=?pd.read_json("./data/Sarcasm_Headlines_Dataset.json",?orient="records",?lines=True)

結(jié)果為：

5.3.2 to_json

• DataFrame.to_json(path_or_buf=None, orient=None, lines=False)
  • 將Pandas 對象存儲為json格式
  • path_or_buf=None：文件地址
  • orient:存儲的json形式，{‘split’,’records’,’index’,’columns’,’values’}
  • lines:一個對象存儲為一行

案例：

• 存儲文件

#?不指定lines=Treu，則保存成一行
json_read.to_json("./data/test.json",?orient='records')

結(jié)果：

[{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former?versace?store?clerk?sues?over?secret?'black?code'?for?minority?shoppers","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the?'roseanne'?revival?catches?up?to?our?thorny?political?mood,?for?better?and?worse","is_sarcastic":0},{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom?starting?to?fear?son's?web?series?closest?thing?she?will?have?to?grandchild","is_sarcastic":1},{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner?just?wants?wife?to?listen,?not?come?up?with?alternative?debt-reduction?ideas","is_sarcastic":1},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k.?rowling?wishes?snape?happy?birthday?in?the?most?magical?way","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/advancing-the-worlds-women_b_6810038.html","headline":"advancing?the?world's?women","is_sarcastic":0},....]

• 修改lines參數(shù)為True

#?指定lines=True，則多行存儲
json_read.to_json("./data/test.json",?orient='records',?lines=True)

結(jié)果：

{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former?versace?store?clerk?sues?over?secret?'black?code'?for?minority?shoppers","is_sarcastic":0}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the?'roseanne'?revival?catches?up?to?our?thorny?political?mood,?for?better?and?worse","is_sarcastic":0}
{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom?starting?to?fear?son's?web?series?closest?thing?she?will?have?to?grandchild","is_sarcastic":1}
{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner?just?wants?wife?to?listen,?not?come?up?with?alternative?debt-reduction?ideas","is_sarcastic":1}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k.?rowling?wishes?snape?happy?birthday?in?the?most?magical?way","is_sarcastic":0}...

6、高級處理-缺失值處理

在pandas中，缺失值使用NaN來標(biāo)記，如下圖所示：

6.1 如何處理nan

按如下步驟進(jìn)行：

• （1）獲取缺失值的標(biāo)記方式(NaN或者其他標(biāo)記方式)

• （2）如果缺失值的標(biāo)記方式是NaN

  • 1、刪除存在缺失值的:dropna(axis='rows')
    注：不會修改原數(shù)據(jù)，需要接受返回值

  • 2、替換缺失值:fillna(value, inplace=True)

  • value:替換成的值
  • inplace:True:會修改原數(shù)據(jù)，F(xiàn)alse:不替換修改原數(shù)據(jù)，生成新的對象
  • pd.isnull(df),
  • pd.notnull(df)

  • 判斷數(shù)據(jù)中是否包含NaN：

  • 存在缺失值nan:

• （3）如果缺失值沒有使用NaN標(biāo)記，比如使用"？"

  • 先替換‘?’為np.nan，然后繼續(xù)處理

步驟就是上面的這樣，下面通過例子來看看怎么使用pandas處理的：

6.2 電影數(shù)據(jù)的缺失值處理

• 電影數(shù)據(jù)文件獲取

#?讀取電影數(shù)據(jù)
movie?=?pd.read_csv("./data/IMDB-Movie-Data.csv")

6.2.1 判斷缺失值是否存在

• （1）pd.notnull()

#?判斷是否是缺失值，是則返回False
pd.notnull(movie)

#?結(jié)果：
Rank????Title????Genre????Description????Director????Actors????Year????Runtime?(Minutes)????Rating????Votes????Revenue?(Millions)????Metascore
0????True????True????True????True????True????True????True????True????True????True????True????True
1????True????True????True????True????True????True????True????True????True????True????True????True
2????True????True????True????True????True????True????True????True????True????True????True????True
3????True????True????True????True????True????True????True????True????True????True????True????True
4????True????True????True????True????True????True????True????True????True????True????True????True
5????True????True????True????True????True????True????True????True????True????True????True????True
6????True????True????True????True????True????True????True????True????True????True????True????True
7????True????True????True????True????True????True????True????True????True????True????False????True

但是上面這樣顯然不好觀察，我們可以借助np.all()來返回是否有缺失值。np.all()只要有一個就返回False，下面看例子：

np.all(pd.notnull(movie))

#?返回
False

• （2）pd.isnull()

  這個和上面的正好相反，判斷是否是缺失值，是則返回True。

#?判斷是否是缺失值，是則返回True
pd.isnull(movie).head()

#?結(jié)果：
?Rank?Title?Genre?Description?Director?Actors?Year?Runtime?(Minutes)?Rating?Votes?Revenue?(Millions)?Metascore
0?False?False?False?False?False?False?False?False?False?False?False?False
1?False?False?False?False?False?False?False?False?False?False?False?False
2?False?False?False?False?False?False?False?False?False?False?False?False
3?False?False?False?False?False?False?False?False?False?False?False?False
4?False?False?False?False?False?False?False?False?False?False?False?False

這個也不好觀察，我們利用np.any() 來判斷是否有缺失值，若有則返回True，下面看例子：

np.any(pd.isnull(movie))
#?返回
True

6.2.2 存在缺失值nan,并且是np.nan

• 1、刪除

pandas刪除缺失值，使用dropna的前提是，缺失值的類型必須是np.nan

#?不修改原數(shù)據(jù)
movie.dropna()

#?可以定義新的變量接受或者用原來的變量名
data?=?movie.dropna()

• 2、替換缺失值

#?替換存在缺失值的樣本的兩列
#?替換填充平均值，中位數(shù)
movie['Revenue?(Millions)'].fillna(movie['Revenue?(Millions)'].mean(),?inplace=True)

替換所有缺失值：

#?這個循環(huán)，每次取出一列數(shù)據(jù)，然后用均值來填充
for?i?in?movie.columns:
????if?np.all(pd.notnull(movie[i]))?==?False:
????????print(i)
????????movie[i].fillna(movie[i].mean(),?inplace=True)

6.2.3 不是缺失值nan，有默認(rèn)標(biāo)記的

直接看例子：

數(shù)據(jù)是這樣的：

#?讀入數(shù)據(jù)
wis?=?pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")

以上數(shù)據(jù)在讀取時，可能會報如下錯誤：

URLError:?<urlopen?error?[SSL:?CERTIFICATE_VERIFY_FAILED]?certificate?verify?failed?(_ssl.c:833)>

解決辦法：

#?全局取消證書驗證
import?ssl
ssl._create_default_https_context?=?ssl._create_unverified_context

處理思路分析：

• 1、先替換‘?’為np.nan
  • to_replace:替換前的值
  • value:替換后的值
  • df.replace(to_replace=, value=)

#?把一些其它值標(biāo)記的缺失值，替換成np.nan
wis?=?wis.replace(to_replace='?',?value=np.nan)

• 2、再進(jìn)行缺失值的處理

#?刪除
wis?=?wis.dropna()

• 3、驗證：

np.all(pd.notnull(wis))
#?返回True，說明沒有了缺失值

#?或者

np.any(pd.isnull(wis))
#?返回False，說明沒有了缺失值

7、高級處理-數(shù)據(jù)離散化

7.1 為什么要離散化

連續(xù)屬性離散化的目的是為了簡化數(shù)據(jù)結(jié)構(gòu)，數(shù)據(jù)離散化技術(shù)可以用來減少給定連續(xù)屬性值的個數(shù)。離散化方法經(jīng)常作為數(shù)據(jù)挖掘的工具。

7.2 什么是數(shù)據(jù)的離散化

連續(xù)屬性的離散化就是在連續(xù)屬性的值域上，將值域劃分為若干個離散的區(qū)間，最后用不同的符號或整數(shù) 值代表落在每個子區(qū)間中的屬性值。

離散化有很多種方法，這里使用一種最簡單的方式去操作：

• 原始人的身高數(shù)據(jù)：165，174，160，180，159，163，192，184
• 假設(shè)按照身高分幾個區(qū)間段：150~165, 165~180,180~195

這樣我們將數(shù)據(jù)分到了三個區(qū)間段，對應(yīng)的標(biāo)記為矮、中、高三個類別，最終要處理成一個"啞變量"矩陣。

下面通過股票數(shù)據(jù)的例子來看看，具體是怎么操作的。

7.3 股票的漲跌幅離散化

我們對股票每日的"p_change"這一列進(jìn)行離散化，下圖便是離散化后的結(jié)果，當(dāng)前數(shù)據(jù)存在哪個區(qū)間，則這個區(qū)間標(biāo)記為1，否則為0。

那具體怎么做的呢？接著看：

7.3.1 讀取股票的數(shù)據(jù)

先讀取股票的數(shù)據(jù)，篩選出p_change數(shù)據(jù)。

data?=?pd.read_csv("./data/stock_day.csv")
p_change=?data['p_change']

7.3.2 將股票漲跌幅數(shù)據(jù)進(jìn)行分組

下面是所在區(qū)間的個數(shù)。

使用的工具：

• pd.qcut(data, q)：
  • 對數(shù)據(jù)進(jìn)行分組，將數(shù)據(jù)分成q組，一般會與value_counts搭配使用，統(tǒng)計每組的個數(shù)
• series.value_counts()：統(tǒng)計每個分組中有多少數(shù)據(jù)。

#?自行分組
qcut?=?pd.qcut(p_change,?10)
#?計算分到每個組數(shù)據(jù)個數(shù)
qcut.value_counts()

#?運行結(jié)果：
(5.27,?10.03]????????????????????65
(0.26,?0.94]?????????????????????65
(-0.462,?0.26]???????????????????65
(-10.030999999999999,?-4.836]????65
(2.938,?5.27]????????????????????64
(1.738,?2.938]???????????????????64
(-1.352,?-0.462]?????????????????64
(-2.444,?-1.352]?????????????????64
(-4.836,?-2.444]?????????????????64
(0.94,?1.738]????????????????????63
Name:?p_change,?dtype:?int64

自定義區(qū)間分組：

• pd.cut(data, bins)

#?自己指定分組區(qū)間
bins?=?[-100,?-7,?-5,?-3,?0,?3,?5,?7,?100]
p_counts?=?pd.cut(p_change,?bins)
p_counts.value_counts()

#?運行結(jié)果：
(0,?3]????????215
(-3,?0]???????188
(3,?5]?????????57
(-5,?-3]???????51
(7,?100]???????35
(5,?7]?????????35
(-100,?-7]?????34
(-7,?-5]???????28
Name:?p_change,?dtype:?int64

7.3.3 股票漲跌幅分組數(shù)據(jù)變成one-hot編碼

• 什么是one-hot編碼
  把每個類別生成一個布爾列，這些列中只有一列可以為這個樣本取值為1.其又被稱為熱編碼。

把下圖中左邊的表格轉(zhuǎn)化為使用右邊形式進(jìn)行表示：

下面看看pandas中是怎么實現(xiàn)的：

• pandas.get_dummies(data, prefix=None)

  • data:array-like, Series, or DataFrame

  • prefix:分組名字

下面是例子：

#?得出one-hot編碼矩陣
dummies?=?pd.get_dummies(p_counts,?prefix="rise")

運行結(jié)果：

8、高級處理-合并

如果你的數(shù)據(jù)由多張表組成，那么有時候需要將不同的內(nèi)容合并在一起分析

8.1 pd.concat實現(xiàn)數(shù)據(jù)合并

• pd.concat([data1, data2], axis=1)

  • 按照行或列進(jìn)行合并,axis=0為列索引，axis=1為行索引

比如我們將剛才處理好的one-hot編碼與原數(shù)據(jù)合并:

#?按照行索引進(jìn)行
pd.concat([data,?dummies],?axis=1)

結(jié)果：

8.2 pd.merge

• pd.merge(left, right, how='inner', on=None)

  • 可以指定按照兩組數(shù)據(jù)的共同鍵值對合并或者左右各自
  • left: DataFrame
  • right: 另一個DataFrame
  • on: 指定的共同鍵
  • how:按照什么方式連接，下面的表格是說明

例子：

left?=?pd.DataFrame({'key1':?['K0',?'K0',?'K1',?'K2'],
????????????????????????'key2':?['K0',?'K1',?'K0',?'K1'],
????????????????????????'A':?['A0',?'A1',?'A2',?'A3'],
????????????????????????'B':?['B0',?'B1',?'B2',?'B3']})

right?=?pd.DataFrame({'key1':?['K0',?'K1',?'K1',?'K2'],
????????????????????????'key2':?['K0',?'K0',?'K0',?'K0'],
????????????????????????'C':?['C0',?'C1',?'C2',?'C3'],
????????????????????????'D':?['D0',?'D1',?'D2',?'D3']})

• 內(nèi)連接：健相同的取上，不同的刪掉

#?默認(rèn)內(nèi)連接
result?=?pd.merge(left,?right,?on=['key1',?'key2'])

結(jié)果：

• 左連接：按左邊的數(shù)據(jù)進(jìn)行合并

result?=?pd.merge(left,?right,?how='left',?on=['key1',?'key2'])

結(jié)果：

• 右連接：按右邊的數(shù)據(jù)進(jìn)行合并

result?=?pd.merge(left,?right,?how='right',?on=['key1',?'key2'])

• 外鏈接：無論健是否相同都取上，對應(yīng)不上的使用NaN填充。

result?=?pd.merge(left,?right,?how='outer',?on=['key1',?'key2'])

結(jié)果：

9、高級處理-交叉表與透視表

9.1 交叉表與透視表什么作用

探究股票的漲跌與星期幾有關(guān)？

以下圖當(dāng)中表示，week代表星期幾，1,0代表這一天股票的漲跌幅是好還是壞，里面的數(shù)據(jù)代表比例

可以理解為所有時間為星期一等等的數(shù)據(jù)當(dāng)中漲跌幅好壞的比例

• 交叉表：交叉表用于計算一列數(shù)據(jù)對于另外一列數(shù)據(jù)的分組個數(shù)(用于統(tǒng)計分組頻率的特殊透視表)
  • pd.crosstab(value1, value2)
• 透視表：透視表是將原有的DataFrame的列分別作為行索引和列索引，然后對指定的列應(yīng)用聚集函數(shù)
  • data.pivot_table(）
  • DataFrame.pivot_table([], index=[])

9.2 案例分析

9.2.1 數(shù)據(jù)準(zhǔn)備

• 準(zhǔn)備兩列數(shù)據(jù)，星期數(shù)據(jù)以及漲跌幅是好是壞數(shù)據(jù)
• 進(jìn)行交叉表計算

#?尋找星期幾跟股票張得的關(guān)系
#?1、先把對應(yīng)的日期找到星期幾
date?=?pd.to_datetime(data.index).weekday
data['week']?=?date??#?增加一列

#?2、假如把p_change按照大小去分個類0為界限
data['posi_neg']?=?np.where(data['p_change']?>?0,?1,?0)

#?通過交叉表找尋兩列數(shù)據(jù)的關(guān)系
count?=?pd.crosstab(data['week'],?data['posi_neg'])

結(jié)果：

但是我們看到count只是每個星期日子的好壞天數(shù)，并沒有得到比例，該怎么去做？

• 對于每個星期一等的總天數(shù)求和，運用除法運算求出比例

#?算數(shù)運算，先求和
sum?=?count.sum(axis=1).astype(np.float32)

#?進(jìn)行相除操作，得出比例
pro?=?count.div(sum,?axis=0)

結(jié)果：

9.2.2 查看效果

使用plot畫出這個比例，使用stacked的柱狀圖

pro.plot(kind='bar',?stacked=True)
plt.show()

9.2.3 使用pivot_table(透視表)實現(xiàn)

使用透視表，剛才的過程更加簡單

#?通過透視表，將整個過程變成更簡單一些
data.pivot_table(['posi_neg'],?index='week')

結(jié)果：

10、高級處理-分組與聚合

分組與聚合通常是分析數(shù)據(jù)的一種方式，通常與一些統(tǒng)計函數(shù)一起使用，查看數(shù)據(jù)的分組情況

10.1 什么分組與聚合

下圖展示了分組與聚合的概念：

10.2 分組API

• DataFrame.groupby(key, as_index=False)
  • key:分組的列數(shù)據(jù)，可以多個

案例:不同顏色的不同筆的價格數(shù)據(jù)

col?=pd.DataFrame({'color':?['white','red','green','red','green'],?'object':?['pen','pencil','pencil','ashtray','pen'],'price1':[5.56,4.20,1.30,0.56,2.75],'price2':[4.75,4.12,1.60,0.75,3.15]})

#?結(jié)果：
color????object????price1????price2
0????white????pen????5.56????4.75
1????red????pencil????4.20????4.12
2????green????pencil????1.30????1.60
3????red????ashtray????0.56????0.75
4????green????pen????2.75????3.15

• 進(jìn)行分組，對顏色分組，price進(jìn)行聚合：

#?按color分組，再取出price1列求平均值
col.groupby(['color'])['price1'].mean()
#?和上述一個功能
col['price1'].groupby(col['color']).mean()
#?結(jié)果：
color
green????2.025
red??????2.380
white????5.560
Name:?price1,?dtype:?float64

#?分組，數(shù)據(jù)的結(jié)構(gòu)不變
col.groupby(['color'],?as_index=False)['price1'].mean()
#?結(jié)果：
color????price1
0????green????2.025
1????red????2.380
2????white????5.560

10.3 星巴克零售店鋪數(shù)據(jù)

現(xiàn)在我們有一組關(guān)于全球星巴克店鋪的統(tǒng)計數(shù)據(jù)，如果我想知道美國的星巴克數(shù)量和中國的哪個多，或者我想知道中國每個省份星巴克的數(shù)量的情況，那么應(yīng)該怎么辦？

數(shù)據(jù)來源：https://www.kaggle.com/starbucks/store-locations/data

10.3.1 數(shù)據(jù)獲取

從文件中讀取星巴克店鋪數(shù)據(jù)

#?導(dǎo)入星巴克店的數(shù)據(jù)
starbucks?=?pd.read_csv("./data/starbucks/directory.csv")

10.3.2 進(jìn)行分組聚合

#?按照國家分組，求出每個國家的星巴克零售店數(shù)量
count?=?starbucks.groupby(['Country']).count()

畫圖顯示結(jié)果:

count['Brand'].plot(kind='bar',?figsize=(20,?8))
plt.show()

假設(shè)我們加入省市一起進(jìn)行分組:

#?設(shè)置多個索引，set_index()
starbucks.groupby(['Country',?'State/Province']).count()

結(jié)果：

11、電影案例分析

11.1 需求

現(xiàn)在我們有一組從2006年到2016年1000部最流行的電影數(shù)據(jù)

數(shù)據(jù)來源：https://www.kaggle.com/damianpanek/sunday-eda/data

• 問題1：我們想知道這些電影數(shù)據(jù)中評分的平均分，導(dǎo)演的人數(shù)等信息，我們應(yīng)該怎么獲??？
• 問題2：對于這一組電影數(shù)據(jù)，如果我們想rating，runtime的分布情況，應(yīng)該如何呈現(xiàn)數(shù)據(jù)？
• 問題3：對于這一組電影數(shù)據(jù)，如果我們希望統(tǒng)計電影分類(genre)的情況，應(yīng)該如何處理數(shù)據(jù)？

11.2 實現(xiàn)

首先獲取導(dǎo)入包，獲取數(shù)據(jù):

%matplotlib?inline
import?pandas??as?pd?
import?numpy?as?np
from?matplotlib?import?pyplot?as?plt

#文件的路徑
path?=?"./data/IMDB-Movie-Data.csv"
#讀取文件
df?=?pd.read_csv(path)

11.2.1 問題一：

我們想知道這些電影數(shù)據(jù)中評分的平均分，導(dǎo)演的人數(shù)等信息，我們應(yīng)該怎么獲取？

• 得出評分的平均分

使用mean函數(shù)

df["Rating"].mean()

#?結(jié)果：
6.723200000000003

• 得出導(dǎo)演人數(shù)信息

求出唯一值，然后進(jìn)行形狀獲取

##?導(dǎo)演的人數(shù)
#?df["Director"].unique().shape[0]?#?方法一
np.unique(df["Director"]).shape[0]?#?方法二

644

11.2.2 問題二：

對于這一組電影數(shù)據(jù)，如果我們想Rating的分布情況，應(yīng)該如何呈現(xiàn)數(shù)據(jù)？

• 直接呈現(xiàn)，以直方圖的形式

選擇分?jǐn)?shù)列數(shù)據(jù)，進(jìn)行plot

df["Rating"].plot(kind='hist',figsize=(20,8))
plt.show()

效果：

發(fā)現(xiàn)直接通過pandas的plot畫圖，顯示的下標(biāo)不合適，這個時候我們需要借助matplotlib來改變。

• Rating進(jìn)行分布展示

進(jìn)行繪制直方圖

#?1.添加畫布
plt.figure(figsize=(20,8),dpi=100)

#?2.畫圖
plt.hist(df["Rating"].values,bins=20)
#?2.1?添加刻度線
max_?=?df["Rating"].max()
min_?=?df["Rating"].min()
x_ticks?=?np.linspace(min_,?max_,?num=21)
plt.xticks(x_ticks)
#?2.2添加網(wǎng)格線
plt.grid()

#?3.顯示
plt.show()

數(shù)據(jù)分析：從上圖中就可以發(fā)現(xiàn)，評分主要分布在5~8分之間

11.2.3 問題三：

對于這一組電影數(shù)據(jù)，如果我們希望統(tǒng)計電影分類(genre)的情況，應(yīng)該如何處理數(shù)據(jù)？

• 思路分析
  • 1、創(chuàng)建一個全為0的dataframe，列索引置為電影的分類，temp_df
  • 2、遍歷每一部電影，temp_df中把分類出現(xiàn)的列的值置為1
  • 3、求和
  • 思路

下面接著看：

• 1、創(chuàng)建一個全為0的dataframe，列索引置為電影的分類，temp_df

#?進(jìn)行字符串分割
temp_list?=?[i.split(",")?for?i?in?df["Genre"]]
#?獲取電影的分類
genre_list?=?np.unique([i?for?j?in?temp_list?for?i?in?j])?

#?增加新的列，創(chuàng)建全為0的dataframe
temp_df?=?pd.DataFrame(np.zeros([df.shape[0],genre_list.shape[0]]),columns=genre_list)

• 2、遍歷每一部電影，temp_df中把分類出現(xiàn)的列的值置為1

for?i?in?range(1000):
????#temp_list[i]?就是['Action','Adventure','Animation']等
????temp_df.ix[i,temp_list[i]]=1
????
print(temp_df.sum().sort_values())?#?求合并排序，ascending=False為倒序

• 3、求和,繪圖

temp_df.sum().sort_values(ascending=False).plot(kind="bar",figsize=(20,8),fontsize=20,colormap="cool")
plt.show()

結(jié)果：

- EOF -

? 推薦閱讀：

• 互聯(lián)網(wǎng)最大規(guī)模的裁員降薪要來了？
  

• 開掛的人生！從職高到杭電、浙大、MIT計算機(jī)博士
  

• 男女洗澡前后區(qū)別，太形象了！
  

點擊關(guān)注【python之禪】，提升Python技能??????