Pandas

Pandas的数据结构

导入pandas：

import pandas as pd
from pandas import Series,DataFrame
import numpy as np

Series

Series是一种类似与一维数组的对象，由下面两个部分组成：

• values：一组数据（ndarray类型）
• index：相关的数据索引标签

Series(
data=None,
index=None,
dtype=None,
name=None,
copy=False,
fastpath=False,
)

Series的创建

由列表或numpy数组创建

• 默认索引为0到N-1的整数型索引

# 使用列表创建Series
Series(data=[1,2,3,])

0    1
1    2
2    3
dtype: int64

Series(data=np.random.randint(0,100,size=(3)))

0    93
1    76
2    65
dtype: int32

• 可以通过设置index参数指定索引

Series(data=[1,2,3],index=[‘a‘,‘b‘,‘c‘]) #显式索引

a    1
b    2
c    3
dtype: int64

============================================

练习1：

使用多种方法创建以下Series，命名为s1：  
语文 150   
数学 150   
英语 150   
理综 300   

============================================

Series的索引和切片

可以使用中括号取单个索引（此时返回的是元素类型），或者中括号里一个列表取多个索引（此时返回的是一个Series类型）。

(1) 显式索引：

• 使用index中的元素作为索引值

• 使用s.loc[]（推荐）:注意，loc中括号中放置的一定是显示索引

  注意，此时是闭区间

s = Series([1,2,3,4],index=[‘a‘,‘b‘,‘c‘,‘d‘])
s

a    1
b    2
c    3
d    4
dtype: int64

s[1]  # 2，隐式索引：
s[‘a‘]  # 1
s.a  # 1  显示索引

隐式索引：

• 使用整数作为索引值

• 使用.iloc[]（推荐）:iloc中的中括号中必须放置隐式索引

  注意，此时是半开区间

s[1:3]   # 隐式切片
s[‘a‘:‘c‘]  # 显示切片

a    1
b    2
c    3
dtype: int64

Series的基本概念

可以使用s.head(),tail()分别查看前n个和后n个值

s.head(2)

a    1
b    2
dtype: int64

对Series元素进行去重

s = Series([1,1,1,2,3,3,3,3,2])
s.unique()

array([1, 2, 3], dtype=int64)

使得两个Series进行相加。

当索引没有对应的值时，可能出现缺失数据显示NaN（not a number）的情况

s1 = Series([1,2,3],index=[‘a‘,‘b‘,‘c‘])
s2 = Series([1,2,3],index=[‘a‘,‘d‘,‘c‘])
s = s1 + s2
s

a    2.0
b    NaN
c    6.0
d    NaN
dtype: float64

可以使用pd.isnull()，pd.notnull()，或s.isnull(),notnull()函数检测缺失数据

s[[1,2]]  # 一次取多值
s[[‘a‘,‘b‘]]
s[[True,False,True,False]] # True将值保留，False:将值舍去。True:2,False:NaN,True:6,Flase:NaN。

a    2.0
c    6.0
dtype: float64

s.isnull()   # 检测每个元素，NOT NaN:False；NaN:True

a    False
b     True
c    False
d     True
dtype: bool

s.notnull()  # 检测每个元素，NOT NaN:True；NaN:False

a     True
b    False
c     True
d    False
dtype: bool

s[s.notnull()]

a    2.0
c    6.0
dtype: float64

Series之间的运算

• 在运算中自动对齐不同索引的数据
• 如果索引不对应，则补NaN

DataFrame

DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引，也有列索引。

• 行索引：index
• 列索引：columns
• 值：values

DataFrame的创建

最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一列的名称，以字典的值（一个数组）作为每一列。

此外，DataFrame会自动加上每一行的索引。

使用字典创建的DataFrame后，则columns参数将不可被使用。

同Series一样，若传入的列与字典的键不匹配，则相应的值为NaN。

• 使用ndarray创建DataFrame

df = DataFrame(data=np.random.randint(0,100,size=(3,4)),index=[‘a‘,‘b‘,‘c‘],columns=[‘A‘,‘B‘,‘C‘,‘D‘])
df

DataFrame属性：values、columns、index、shape

df.values

array([[49, 10, 86, 64],
       [ 6, 74, 62, 13],
       [49, 79, 14, 25]])

df.columns

Index([‘A‘, ‘B‘, ‘C‘, ‘D‘], dtype=‘object‘)

df.index

Index([‘a‘, ‘b‘, ‘c‘], dtype=‘object‘)

df.shape

(3, 4)

试做：使用ndarray创建DataFrame：创建一个表格用于展示张三，李四，王五的java，python的成绩

dic = {
    ‘张三‘:[150,150,150,150],
    ‘李四‘:[0,0,0,0]
}

df = DataFrame(data=dic,index=[‘语文‘,‘数学‘,‘英语‘,‘理综‘])
df

DataFrame的索引

(1) 对列进行索引

- 通过类似字典的方式  df[‘q‘]
- 通过属性的方式     df.q

可以将DataFrame的列获取为一个Series。返回的Series拥有原DataFrame相同的索引，且name属性也已经设置好了，就是相应的列名。

df

# 修改列索引
df[‘张三‘]   # 返回的是Series

语文    150
数学    150
英语    150
理综    150
Name: 张三, dtype: int64

# 获取前两列
df[[‘李四‘,‘张三‘]]

(2) 对行进行索引

- 使用.loc[]加index来进行行索引
- 使用.iloc[]加整数来进行行索引

同样返回一个Series，index为原来的columns。

df.loc[‘语文‘]

张三    150
李四      0
Name: 语文, dtype: int64

df.iloc[0]

张三    150
李四      0
Name: 语文, dtype: int64

df.iloc[[0,1]]

(3) 对元素索引的方法
- 使用列索引
- 使用行索引(iloc[3,1] or loc[‘C‘,‘q‘]) 行索引在前，列索引在后

df[‘张三‘][‘英语‘]

150

df.loc[‘英语‘,‘张三‘]  # 逗号左方：行，右方：列

150

df.loc[[‘数学‘,‘理综‘],‘张三‘]  # 逗号左方：行，右方：列

数学    150
理综    150
Name: 张三, dtype: int64

切片：

【注意】
直接用中括号时：

• 索引表示的是列索引
• 切片表示的是行切片

df

df[0:2]

在loc和iloc中使用切片(切列) ： df.loc[‘B‘:‘C‘,‘丙‘:‘丁‘]

df.iloc[:,0:1]

索引:

• df[列索引]：取一列
• df[[col1,col2]]:取出两列
• df.loc[显示的行索引]：取行
• df.loc[行,列]：取元素
  切片：
• df[index1:index3]:切行
• df.loc[col1:col3]:切列

3）DataFrame的运算

（1） DataFrame之间的运算

同Series一样：

• 在运算中自动对齐不同索引的数据
• 如果索引不对应，则补NaN

创建DataFrame df1 不同人员的各科目成绩，月考一

创建DataFrame df2 不同人员的各科目成绩，月考二
有新学生转入

============================================
练习6：

1. 假设ddd是期中考试成绩，ddd2是期末考试成绩，请自由创建ddd2，并将其与ddd相加，求期中期末平均值。

2. 假设张三期中考试数学被发现作弊，要记为0分，如何实现？

3. 李四因为举报张三作弊立功，期中考试所有科目加100分，如何实现？

4. 后来老师发现有一道题出错了，为了安抚学生情绪，给每位学生每个科目都加10分，如何实现？

============================================

qizhong = df
qimo = df

(qizhong + qimo)/2

qizhong.loc[‘数学‘,‘张三‘] = 0
qizhong

qizhong[‘李四‘] += 100
qizhong

qizhong += 10
qizhong

股票项目

https://www.joinquant.com/

tushare官网tushare.org，https://tushare.pro/

• 使用tushare包获取某股票的历史行情数据。

import tushare as ts
df = ts.get_k_data(‘600519‘,start=‘2020-08-10‘)

df.to_csv(‘./maotai.csv‘) # 持久化储存

df = pd.read_csv(‘./maotai.csv‘)
df

df.drop(labels=‘Unnamed: 0‘,axis=1,inplace=True)
# drop函数中0是行。删除行,inplace=True:在原数据中删除。

# 验证data列中数据的数据类型
type(df[‘date‘][2])  # str

df.head(2)

# 将date这一列的数据转成时间类型然后将其作为原数据的行索引
df = pd.read_csv(‘./maotai.csv‘,index_col=‘date‘,parse_dates=[‘date‘])
# index_col:将列转为行索引，parse_dates：设置为时间类型
df.drop(labels=‘Unnamed: 0‘,axis=1,inplace=True)
df

输出该股票所有收盘比开盘上涨1%以上的日期

#（收盘-开盘）/开盘 > 0.01
(df[‘close‘] - df[‘open‘]) / df[‘open‘] > 0.01
#True:满足需求
#false：不满足

date
2020-08-10    False
2020-08-11    False
2020-08-12    False
2020-08-13    False
2020-08-14     True
dtype: bool

#返回了满足需求的行数据
df.loc[(df[‘close‘] - df[‘open‘]) / df[‘open‘] > 0.01]

#获取了满足需求的日期
df.loc[(df[‘close‘] - df[‘open‘]) / df[‘open‘] > 0.01].index

# 结论：如果获取了一组布尔值，接下来改组布尔值就直接作为元数据的行索引

DatetimeIndex([‘2020-08-14‘], dtype=‘datetime64[ns]‘, name=‘date‘, freq=None)

• 输出该股票所有开盘比前日收盘跌幅超过2%的日期。
• （开盘-前日收盘）/ 前日收盘 < -0.02

# (df[‘open‘] - df[‘close‘].shift(1))/df[‘close‘].shift(1) < -0.02
# df[‘close‘].shift(1):将close一列下移一列
#满足需求的行数据
df.loc[(df[‘open‘] - df[‘close‘].shift(1))/df[‘close‘].shift(1) < -0.02].index

• 假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到19年9月为止，我的收益如何？
• 分析：
  • 规则：基于开盘价股票的买卖
  • 买：一个完整的年需要买12次股票，一次买入100只，一个完整的年需要买入1200只（单价：当天开盘价）
  • 卖：一个完整的年需要卖一次股票，一次卖出1200只
  • 备注：19年不是一个完整的年，该年只可以买入900只，并且卖不出去

df_new = df[‘2010‘:‘2019‘]  # 切片，[‘2010-01‘:‘2019-09‘]也可以
# 数据的重新取样的机制(resample):根据指定好的规则进行指定数据的提取
df_monthly = df_new.resample(‘M‘).first() # 年：A,月：M

# 计算出买股票一共花了多少钱
cost_monry = df_monthly[‘open‘].sum()*100
cost_monry

• 卖出所有的股票一共进账多少钱
  • 每年最后一个交易日以开盘价为单价进行卖出

df_yearly = df_new.resample(‘A‘).last()
df_yearly = df_yearly[:-1]

recv_monry = df_yearly[‘open‘].sum()*1200

• 19年买入了900只股票没有卖出，剩余的股票也计算到总收益
  • 剩余股票的单价应该选择使用昨日的收盘价

last_price = df.iloc[-1][‘close‘]

cunHuo_price = last_price * 900

#计算总收益
cunHuo_price+recv_monry-cost_monry # 528908.7

处理丢失数据

有两种丢失数据：

• None
• np.nan(NaN)

None是Python自带的，其类型为python object。因此，None不能参与到任何计算中。

np.nan（NaN）是浮点类型，能参与到计算中。但计算的结果总是NaN。

pandas中None与np.nan都视作np.nan

pandas处理空值操作

• isnull()
• notnull()
• dropna(): 过滤丢失数据
• fillna(): 填充丢失数据

创建DataFrame，给其中某些元素赋值为nan

(1)判断函数

• isnull()

• notnull()

• df.notnull/isnull().any()/all()

过滤df中的空值（只保留没有空值的行）

df.dropna() 可以选择过滤的是行还是列（默认为行）:axis中0表示行，1表示的列

(3) 填充函数 Series/DataFrame

• fillna():value和method参数。

可以选择前向填充还是后向填充。

method 控制填充的方式 bfill ffill

练习7：

1. 简述None与NaN的区别

2. 假设张三李四参加模拟考试，但张三因为突然想明白人生放弃了英语考试，因此记为None，请据此创建一个DataFrame,命名为ddd3

3. 老师决定根据用数学的分数填充张三的英语成绩，如何实现？
    用李四的英语成绩填充张三的英语成绩？