wen 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
