首页 > 其他分享 >Pandas 2.2 中文官方教程和指南（七）

Pandas 2.2 中文官方教程和指南（七）

时间：2024-04-24 11:55:51浏览次数：26  
标签：教程 01 df DataFrame 2.2 foo Pandas 2013 Out

原文：pandas.pydata.org/docs/

社区教程

原文：pandas.pydata.org/docs/getting_started/tutorials.html

这是社区提供的许多 pandas 教程的指南，主要面向新用户。

由 Julia Evans 撰写的 pandas cookbook

这本 2015 年的 cookbook（由Julia Evans撰写）的目标是为您提供一些具体的示例，帮助您开始使用 pandas。这些都是使用真实数据的示例，以及所有相关的错误和怪异之处。有关目录，请参阅pandas-cookbook GitHub 仓库。

由 Stefanie Molin 撰写的 pandas 工作坊

由Stefanie Molin撰写的入门工作坊，旨在快速让您掌握 pandas，并使用真实世界数据集。内容涵盖了 pandas 入门、数据整理和数据可视化（同时也涉及到 matplotlib 和 seaborn）。pandas-workshop GitHub 仓库提供了详细的环境设置说明（包括 Binder 环境）、幻灯片和笔记本供跟随学习，以及练习来练习概念。还有一个实验室，提供了一个未在工作坊中涵盖的数据集的新练习，供额外练习。

由 Hernan Rojas 撰写的学习 pandas

一套面向新手 pandas 用户的课程：bitbucket.org/hrojas/learn-pandas

使用 Python 进行实用数据分析

这个指南是使用 Python 数据生态系统进行数据分析过程的介绍，以及一个有趣的开放数据集。有四个部分涵盖了选定主题，如munging data、aggregating data、visualizing data和time series。

新用户练习

通过真实数据集和练习来提升你的技能。更多资源，请访问主要仓库。## 现代 pandas

2016 年由Tom Augspurger撰写的教程系列。源代码可在 GitHub 仓库TomAugspurger/effective-pandas中找到。

使用 pandas、vincent 和 xlsxwriter 制作 Excel 图表

快乐的 pandas

由耿元浩撰写的中文教程。涵盖了 NumPy 和 pandas 的基本操作，4 种主要的数据操作方法（包括索引、分组、重塑和连接）以及 4 种主要的数据类型（包括缺失数据、字符串数据、分类数据和时间序列数据）。每章末尾都会发布相应的练习。所有数据集和相关材料都可以在 GitHub 仓库datawhalechina/joyful-pandas中找到。

视频教程

各种教程

由 Julia Evans 制作的 pandas 食谱

这本 2015 年的食谱书（由朱莉娅·埃文斯编写）的目标是为您提供一些具体的示例，帮助您开始使用熊猫。这些都是使用真实世界数据的示例，包括所有相关的错误和怪异之处。有关目录，请参阅pandas-cookbook GitHub 仓库。

Stefanie Molin 主持的熊猫工作坊

Stefanie Molin 主持的入门熊猫工作坊，旨在快速让您掌握熊猫，使用真实数据集。内容涵盖了熊猫入门、数据整理和数据可视化（并介绍了 matplotlib 和 seaborn）。pandas-workshop GitHub 仓库提供了详细的环境设置说明（包括 Binder 环境）、幻灯片和笔记本供跟随学习，以及练习来练习概念。还有一个实验室，提供了一些未在工作坊中涵盖的数据集的新练习，供额外练习。

通过 Hernan Rojas 学习熊猫

为新熊猫用户准备的一套课程：bitbucket.org/hrojas/learn-pandas

用 Python 进行实用数据分析

这个指南是一个介绍如何使用 Python 数据生态系统和一个有趣的开放数据集进行数据分析的过程。有四个部分涵盖了选定主题，如数据整理、数据聚合、数据可视化和时间序列。

新用户练习

通过真实数据集和练习来提升你的技能。更多资源，请访问主要仓库。

现代熊猫

2016 年由Tom Augspurger编写的教程系列。源代码可在 GitHub 仓库TomAugspurger/effective-pandas中找到。

使用熊猫、文森特和 xlsxwriter 制作 Excel 图表

快乐的熊猫

由耿元浩编写的中文教程。涵盖了 NumPy 和 pandas 的基本操作，4 种主要数据操作方法（包括索引、分组、重塑和连接）以及 4 种主要数据类型（包括缺失数据、字符串数据、分类数据和时间序列数据）。每章末尾都有相应的练习。所有数据集和相关材料都可以在 GitHub 仓库datawhalechina/joyful-pandas中找到。

视频教程

各种教程

用户指南

原文：pandas.pydata.org/docs/user_guide/index.html

用户指南涵盖了 pandas 的所有主题领域。每个子部分介绍一个主题（如“处理缺失数据”），并讨论 pandas 如何解决该问题，其中穿插着许多示例。

对于刚开始使用 pandas 的用户，应从 10 分钟入门 pandas 开始。

要了解 pandas 基础知识的高层摘要，请参阅数据结构简介和基本功能。

可以在 API 参考中获取有关任何特定方法的更多信息。

如何阅读这些指南

在这些指南中，您将看到代码块内的输入代码，例如：

import pandas as pd
pd.DataFrame({'A': [1, 2, 3]})

或者：

In [1]: import pandas as pd

In [2]: pd.DataFrame({'A': [1, 2, 3]})
Out[2]: 
 A
0  1
1  2
2  3

第一个块是标准的 Python 输入，而第二个块中的 In [1]: 表示输入在一个笔记本中。在 Jupyter 笔记本中，最后一行会被打印出来，并且图表会内联显示。

例如：

In [3]: a = 1

In [4]: a
Out[4]: 1

等同于：

a = 1
print(a)

指南

  • 10 分钟入门 pandas

    • pandas 中的基本数据结构

    • 对象创建

    • 查看数据

    • 选择

    • 缺失数据

    • 操作

    • 合并

    • 分组

    • 重塑

    • 时间序列

    • 分类数据

    • 绘图

    • 导入和导出数据

    • 注意事项

  • 数据结构简介

    • Series

    • 数据框

  • 基本功能

    • 头部和尾部

    • 属性和底层数据

    • 加速操作

    • 灵活的二进制操作

    • 描述性统计

    • 函数应用

    • 重新索引和更改标签

    • 迭代

    • .dt 访问器

    • 矢量化字符串方法

    • 排序

    • 复制

    • 数据类型

    • 基于 dtype 选择列

  • IO 工具（文本，CSV，HDF5，...）

    • CSV 和文本文件

    • JSON

    • HTML

    • LaTeX

    • XML

    • Excel 文件

    • OpenDocument 电子表格

    • 二进制 Excel（.xlsb）文件

    • Calamine（Excel 和 ODS 文件）

    • 剪贴板

    • Pickling

    • 消息包

    • HDF5（PyTables）

    • Feather

    • Parquet

    • ORC

    • SQL 查询

    • Google BigQuery

    • Stata 格式

    • SAS 格式

    • SPSS 格式

    • 其他文件格式

    • 性能考虑

  • PyArrow 功能

    • 数据结构集成

    • 操作

    • I/O 读取

  • 索引和选择数据

    • 不同的索引选择方式

    • 基础知识

    • 属性访问

    • 切片范围

    • 通过标签进行选择

    • 通过位置进行选择

    • 通过可调用对象进行选择

    • 结合位置和基于标签的索引

    • 选择随机样本

    • 扩充设置

    • 快速标量值获取和设置

    • 布尔索引

    • 使用 isin 进行索引

    • where()方法和掩码

    • 通过numpy()有条件地扩充设置

    • query()方法

    • 重复数据

    • 类似字典的get()方法

    • 通过索引/列标签查找数值

    • 索引对象

    • 设置/重置索引

    • 返回视图还是副本

  • MultiIndex / 高级索引

    • 分层索引（MultiIndex）

    • 使用分层索引进行高级索引

    • 对MultiIndex进行排序

    • 取值方法

    • 索引类型

    • 杂项索引常见问题解答

  • 写时复制（CoW）

    • 先前的行为

    • 迁移至写时复制

    • 描述

    • 链式赋值

    • 只读的 NumPy 数组

    • 要避免的模式

    • 写时复制优化

    • 如何启用 CoW

  • 合并、连接、串联和比较

    • concat()

    • merge()

    • DataFrame.join()

    • merge_ordered()

    • merge_asof()

    • compare()

  • 重塑和透视表

    • pivot() 和 pivot_table()

    • stack() 和 unstack()

    • melt() 和 wide_to_long()

    • get_dummies() 和 from_dummies()

    • explode()

    • crosstab()

    • cut()

    • factorize()

  • 处理文本数据

    • 文本数据类型

    • 字符串方法

    • 拆分和替换字符串

    • 串联

    • 使用 .str 进行索引

    • 提取子字符串

    • 测试匹配或包含模式的字符串

    • 创建指示变量

    • 方法摘要

  • 处理缺失数据

    • 被视为“缺失”的值

    • NA 语义

    • 插入缺失数据

    • 处理缺失数据的计算

    • 丢弃缺失数据

    • 填充缺失数据

  • 重复标签

    • 重复标签的后果

    • 重复标签检测

    • 禁止重复标签

  • 分类数据

    • 对象创建

    • CategoricalDtype

    • 描述

    • 处理分类数据

    • 排序和顺序

    • 比较

    • 操作

    • 数据整理

    • 数据的输入/输出

    • 缺失数据

    • 与 R 的 factor 的差异

    • 注意事项

  • 可空整数数据类型

    • 构造

    • 操作

    • 标量 NA 值

  • 可空布尔数据类型

    • 带 NA 值的索引

    • Kleene 逻辑操作

  • 图表可视化

    • 基本绘图：plot

    • 其他图表

    • 绘制缺失数据

    • 绘图工具

    • 绘图格式化

    • 直接使用 Matplotlib 绘图

    • 绘图后端

  • 表可视化

    • 样式化对象和自定义显示

    • 格式化显示

    • 样式化对象和 HTML

    • 添加样式的方法

    • 表样式

    • 设置类和链接到外部 CSS

    • 样式化函数

    • 工具提示和标题

    • 使用切片进行更精细的控制

    • 优化

    • 内置样式

    • 共享样式

    • 限制

    • 其他有趣和有用的功能

    • 导出到 Excel

    • 导出到 LaTeX

    • 关于 CSS 和 HTML 的更多信息

    • 可扩展性

  • 分组：拆分-应用-组合

    • 将对象分组

    • 遍历分组

    • 选择一个分组

    • 聚合

    • 转换

    • 过滤

    • 灵活的 apply

    • Numba 加速例程

    • 其他有用的功能

    • 示例

  • 窗口操作

    • 概览

    • 滚动窗口

    • 加权窗口

    • 扩展窗口

    • 指数加权窗口

  • 时间序列/日期功能

    • 概览

    • 时间戳 vs. 时间跨度

    • 转换为时间戳

    • Generating ranges of timestamps

    • Timestamp limitations

    • Indexing

    • Time/date components

    • DateOffset objects

    • Time Series-related instance methods

    • Resampling

    • Time span representation

    • Converting between representations

    • Representing out-of-bounds spans

    • Time zone handling

  • Time deltas

    • Parsing

    • Operations

    • Reductions

    • Frequency conversion

    • Attributes

    • TimedeltaIndex

    • Resampling

  • Options and settings

    • Overview

    • Available options

    • Getting and setting options

    • Setting startup options in Python/IPython environment

    • Frequently used options

    • Number formatting

    • Unicode formatting

    • Table schema display

  • Enhancing performance

    • Cython (writing C extensions for pandas)

    • Numba (JIT compilation)

    • Expression evaluation via eval()

  • Scaling to large datasets

    • Load less data

    • Use efficient datatypes

    • Use chunking

    • Use Other Libraries

  • Sparse data structures

    • SparseArray

    • SparseDtype

    • Sparse accessor

    • Sparse calculation

    • Interaction with scipy.sparse

  • Frequently Asked Questions (FAQ)

    • DataFrame memory usage

    • Using if/truth statements with pandas

    • Mutating with User Defined Function (UDF) methods

    • Missing value representation for NumPy types

    • Differences with NumPy

    • Thread-safety

    • 字节顺序问题

  • 食谱

    • 习惯用法

    • 选择

    • 多索引

    • 缺失数据

    • 分组

    • 时间序列

    • 合并

    • 绘图

    • 数据输入/输出

    • 计算

    • 时间增量

    • 创建示例数据

    • 常量序列

如何阅读这些指南

在这些指南中，您将看到代码块中的输入代码，例如：

import pandas as pd
pd.DataFrame({'A': [1, 2, 3]})

或者：

In [1]: import pandas as pd

In [2]: pd.DataFrame({'A': [1, 2, 3]})
Out[2]: 
 A
0  1
1  2
2  3

第一个块是标准的 Python 输入，而第二个块中的 In [1]: 表示输入位于 笔记本 中。在 Jupyter 笔记本中，最后一行被打印出来，图表在行内显示。

例如：

In [3]: a = 1

In [4]: a
Out[4]: 1

等价于：

a = 1
print(a)

指南

  • pandas 十分钟入门

    • pandas 中的基本数据结构

    • 对象创建

    • 查看数据

    • 选择

    • 缺失数据

    • 操作

    • 合并

    • 分组

    • 重塑

    • 时间序列

    • 类别

    • 绘图

    • 导入和导出数据

    • 注意事项

  • 数据结构简介

    • 序列

    • 数据框

  • 基本要点

    • 头部和尾部

    • 属性和底层数据

    • 加速操作

    • 灵活的二进制操作

    • 描述统计

    • 函数应用

    • 重新索引和修改标签

    • 迭代

    • .dt 访问器

    • 向量化字符串方法

    • 排序

    • 复制

    • 数据类型

    • 基于 dtype 选择列

  • IO 工具（文本、CSV、HDF5 等）

    • CSV 和文本文件

    • JSON

    • HTML

    • LaTeX

    • XML

    • Excel 文件

    • OpenDocument 电子表格

    • 二进制 Excel（.xlsb）文件

    • Calamine（Excel 和 ODS 文件）

    • 剪贴板

    • 腌制

    • msgpack

    • HDF5（PyTables）

    • Feather

    • Parquet

    • ORC

    • SQL 查询

    • Google BigQuery

    • Stata 格式

    • SAS 格式

    • SPSS 格式

    • 其他文件格式

    • 性能考虑

  • PyArrow 功能

    • 数据结构集成

    • 操作

    • 输入/输出读取

  • 索引和选择数据

    • 索引的不同选择

    • 基础知识

    • 属性访问

    • 切片范围

    • 按标签选择

    • 按位置选择

    • 通过可调用进行选择

    • 结合位置和基于标签的索引

    • 选择随机样本

    • 带扩展的设置

    • 快速标量值获取和设置

    • 布尔索引

    • 使用 isin 进行索引

    • where() 方法和掩码

    • 使用 numpy() 条件性地扩大设置

    • query() 方法

    • 重复数据

    • 类似字典的 get() 方法

    • 通过索引/列标签查找值

    • 索引对象

    • 设置/重置索引

    • 返回视图与副本

  • MultiIndex / 高级索引

    • 分层索引（MultiIndex）

    • 具有分层索引的高级索引

    • MultiIndex 的排序

    • Take 方法

    • 索引类型

    • 杂项索引 FAQ

  • 写时复制（CoW）

    • 之前的行为

    • 迁移到写时复制

    • 描述

    • 链式赋值

    • 只读 NumPy 数组

    • 要避免的模式

    • 写时复制优化

    • 如何启用 CoW

  • 合并、连接、串联和比较

    • concat()

    • merge()

    • DataFrame.join()

    • merge_ordered()

    • merge_asof()

    • compare()

  • 重塑和数据透视表

    • pivot() 和 pivot_table()

    • stack() 和 unstack()

    • melt() 和 wide_to_long()

    • get_dummies() 和 from_dummies()

    • explode()

    • crosstab()

    • cut()

    • factorize()

  • 处理文本数据

    • 文本数据类型

    • 字符串方法

    • 字符串拆分和替换

    • 串联

    • 使用 .str 进行索引

    • 提取子字符串

    • 测试匹配或包含模式的字符串

    • 创建指示变量

    • 方法摘要

  • 处理缺失数据

    • 被视为“缺失”的值

    • NA 语义

    • 插入缺失数据

    • 处理带有缺失数据的计算

    • 删除缺失数据

    • 填充缺失数据

  • 重复标签

    • 重复标签的后果

    • 重复标签检测

    • 不允许重复标签

  • 分类数据

    • 对象创建

    • CategoricalDtype

    • 描述

    • 处理分类数据

    • 排序和顺序

    • 比较

    • 操作

    • 数据整理

    • 数据的输入输出

    • 缺失数据

    • 与 R 的 factor 的差异

    • 注意事项

  • 可空整数数据类型

    • 构造

    • 操作

    • 标量 NA 值

  • 可空布尔数据类型

    • 带有 NA 值的索引

    • 克里尼逻辑操作

  • 图表可视化

    • 基本绘图：plot

    • 其他图表

    • 绘制带有缺失数据的图表

    • 绘图工具

    • 绘图格式化

    • 直接使用 Matplotlib 绘图

    • 绘图后端

  • 表格可视化

    • 样式对象和自定义显示

    • 格式化显示

    • 样式对象和 HTML

    • 添加样式的方法

    • 表格样式

    • 设置类和链接到外部 CSS

    • 样式函数

    • 工具提示和标题

    • 使用切片进行精细控制

    • 优化

    • 内置样式

    • 共享样式

    • 限制

    • 其他有趣且有用的内容

    • 导出到 Excel

    • 导出到 LaTeX

    • 更多关于 CSS 和 HTML

    • 可扩展性

  • 分组：分割-应用-合并

    • 将对象拆分成组

    • 遍历组

    • 选择一组

    • 聚合

    • 变换

    • 过滤

    • 灵活的 apply

    • Numba 加速例程

    • 其他有用功能

    • 示例

  • 窗口操作

    • 概述

    • 滚动窗口

    • 加权窗口

    • 扩展窗口

    • 指数加权窗口

  • 时间序列/日期功能

    • 概述

    • 时间戳 vs. 时间跨度

    • 转换为时间戳

    • 生成时间戳范围

    • 时间戳限制

    • 索引

    • 时间/日期组件

    • DateOffset 对象

    • 与时间序列相关的实例方法

    • 重新取样

    • 时间跨度表示

    • 在不同表示之间转换

    • 表示越界跨度

    • 时区处理

  • 时间增量

    • 解析

    • 操作

    • 减少

    • 频率转换

    • 属性

    • TimedeltaIndex

    • 重新取样

  • 选项和设置

    • 概述

    • 可用选项

    • 获取和设置选项

    • 在 Python/IPython 环境中设置启动选项

    • 常用选项

    • 数字格式化

    • Unicode 格式化

    • 表模式显示

  • 增强性能

    • Cython（为 pandas 编写 C 扩展）

    • Numba（JIT 编译）

    • eval() 表达式评估

  • 扩展到大数据集

    • 减少数据加载

    • 使用高效数据类型

    • 使用分块

    • 使用其他库

  • 稀疏数据结构

    • SparseArray

    • SparseDtype

    • 稀疏访问器

    • 稀疏计算

    • 与 scipy.sparse 的交互

  • 常见问题解答（FAQ）

    • DataFrame 内存使用情况

    • 与 pandas 一起使用 if/真值语句

    • 使用用户定义函数 (UDF) 方法进行突变

    • NumPy 类型的缺失值表示

    • 与 NumPy 的差异

    • 线程安全

    • 字节顺序问题

  • 食谱

    • 习语

    • 选择

    • 多级索引

    • 缺失数据

    • 分组

    • 时间序列

    • 合并

    • 绘图

    • 数据输入/输出

    • 计算

    • 时间增量

    • 创建示例数据

    • 常数序列

pandas 十分钟入门

原文：pandas.pydata.org/docs/user_guide/10min.html

这是针对新用户的 pandas 的简短介绍。您可以在食谱中查看更复杂的示例。

通常，我们按照以下方式导入：

In [1]: import numpy as np

In [2]: import pandas as pd

pandas 中的基本数据结构

Pandas 提供了两种处理数据的类：

  1. Series：一个一维带标签的数组，保存任何类型的数据

    例如整数、字符串、Python 对象等。

  2. DataFrame：一种二维数据结构，类似于二维数组或带有行和列的表。

对象创建

参见数据结构介绍部分。

通过传递值列表来创建一个Series，让 pandas 创建一个默认的RangeIndex。

In [3]: s = pd.Series([1, 3, 5, np.nan, 6, 8])

In [4]: s
Out[4]: 
0    1.0
1    3.0
2    5.0
3    NaN
4    6.0
5    8.0
dtype: float64

通过传递具有日期时间索引和标记列的 NumPy 数组使用date_range()和标记列来创建一个DataFrame：

In [5]: dates = pd.date_range("20130101", periods=6)

In [6]: dates
Out[6]: 
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
 '2013-01-05', '2013-01-06'],
 dtype='datetime64[ns]', freq='D')

In [7]: df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list("ABCD"))

In [8]: df
Out[8]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401
2013-01-06 -0.673690  0.113648 -1.478427  0.524988

通过传递一个对象字典来创建一个DataFrame，其中键是列标签，值是列值。

In [9]: df2 = pd.DataFrame(
 ...:    {
 ...:        "A": 1.0,
 ...:        "B": pd.Timestamp("20130102"),
 ...:        "C": pd.Series(1, index=list(range(4)), dtype="float32"),
 ...:        "D": np.array([3] * 4, dtype="int32"),
 ...:        "E": pd.Categorical(["test", "train", "test", "train"]),
 ...:        "F": "foo",
 ...:    }
 ...: )
 ...: 

In [10]: df2
Out[10]: 
 A          B    C  D      E    F
0  1.0 2013-01-02  1.0  3   test  foo
1  1.0 2013-01-02  1.0  3  train  foo
2  1.0 2013-01-02  1.0  3   test  foo
3  1.0 2013-01-02  1.0  3  train  foo

结果DataFrame的列具有不同的 dtypes：

In [11]: df2.dtypes
Out[11]: 
A          float64
B    datetime64[s]
C          float32
D            int32
E         category
F           object
dtype: object

如果您正在使用 IPython，则会自动启用列名（以及公共属性）的选项完成。这是将完成的属性的子集：

In [12]: df2.<TAB>  # noqa: E225, E999
df2.A                  df2.bool
df2.abs                df2.boxplot
df2.add                df2.C
df2.add_prefix         df2.clip
df2.add_suffix         df2.columns
df2.align              df2.copy
df2.all                df2.count
df2.any                df2.combine
df2.append             df2.D
df2.apply              df2.describe
df2.applymap           df2.diff
df2.B                  df2.duplicated

如您所见，列A、B、C和D都已自动完成。E和F也是如此；其余的属性由于篇幅被截断。

查看数据

参见基本功能部分。

使用DataFrame.head()和DataFrame.tail()分别查看框架的顶部和底部行：

In [13]: df.head()
Out[13]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401

In [14]: df.tail(3)
Out[14]: 
 A         B         C         D
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401
2013-01-06 -0.673690  0.113648 -1.478427  0.524988

显示DataFrame.index或DataFrame.columns：

In [15]: df.index
Out[15]: 
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
 '2013-01-05', '2013-01-06'],
 dtype='datetime64[ns]', freq='D')

In [16]: df.columns
Out[16]: Index(['A', 'B', 'C', 'D'], dtype='object')

使用DataFrame.to_numpy()返回底层数据的 NumPy 表示形式，不包括索引或列标签：

In [17]: df.to_numpy()
Out[17]: 
array([[ 0.4691, -0.2829, -1.5091, -1.1356],
 [ 1.2121, -0.1732,  0.1192, -1.0442],
 [-0.8618, -2.1046, -0.4949,  1.0718],
 [ 0.7216, -0.7068, -1.0396,  0.2719],
 [-0.425 ,  0.567 ,  0.2762, -1.0874],
 [-0.6737,  0.1136, -1.4784,  0.525 ]])

注意

NumPy 数组整个数组有一个 dtype，而 pandas DataFrames 每列有一个 dtype。当您调用 DataFrame.to_numpy()，pandas 将找到可以容纳 DataFrame 中 所有 dtypes 的 NumPy dtype。如果通用数据类型是 object，DataFrame.to_numpy() 将需要复制数据。

In [18]: df2.dtypes
Out[18]: 
A          float64
B    datetime64[s]
C          float32
D            int32
E         category
F           object
dtype: object

In [19]: df2.to_numpy()
Out[19]: 
array([[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
 [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo'],
 [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
 [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo']],
 dtype=object)

describe() 显示数据的快速统计摘要：

In [20]: df.describe()
Out[20]: 
 A         B         C         D
count  6.000000  6.000000  6.000000  6.000000
mean   0.073711 -0.431125 -0.687758 -0.233103
std    0.843157  0.922818  0.779887  0.973118
min   -0.861849 -2.104569 -1.509059 -1.135632
25%   -0.611510 -0.600794 -1.368714 -1.076610
50%    0.022070 -0.228039 -0.767252 -0.386188
75%    0.658444  0.041933 -0.034326  0.461706
max    1.212112  0.567020  0.276232  1.071804

转置您的数据：

In [21]: df.T
Out[21]: 
 2013-01-01  2013-01-02  2013-01-03  2013-01-04  2013-01-05  2013-01-06
A    0.469112    1.212112   -0.861849    0.721555   -0.424972   -0.673690
B   -0.282863   -0.173215   -2.104569   -0.706771    0.567020    0.113648
C   -1.509059    0.119209   -0.494929   -1.039575    0.276232   -1.478427
D   -1.135632   -1.044236    1.071804    0.271860   -1.087401    0.524988

DataFrame.sort_index() 按轴排序：

In [22]: df.sort_index(axis=1, ascending=False)
Out[22]: 
 D         C         B         A
2013-01-01 -1.135632 -1.509059 -0.282863  0.469112
2013-01-02 -1.044236  0.119209 -0.173215  1.212112
2013-01-03  1.071804 -0.494929 -2.104569 -0.861849
2013-01-04  0.271860 -1.039575 -0.706771  0.721555
2013-01-05 -1.087401  0.276232  0.567020 -0.424972
2013-01-06  0.524988 -1.478427  0.113648 -0.673690

DataFrame.sort_values() 按值排序：

In [23]: df.sort_values(by="B")
Out[23]: 
 A         B         C         D
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-06 -0.673690  0.113648 -1.478427  0.524988
2013-01-05 -0.424972  0.567020  0.276232 -1.087401

选择

注意

当选择和设置标准 Python / NumPy 表达式对于交互式工作来说直观且方便，但对于生产代码，我们推荐优化的 pandas 数据访问方法，DataFrame.at()，DataFrame.iat()，DataFrame.loc() 和 DataFrame.iloc()。

查看索引文档 索引和选择数据 和 MultiIndex / 高级索引。

Getitem ([])

对于 DataFrame，传递单个标签选择一个列并产生等同于 df.A 的 Series：

In [24]: df["A"]
Out[24]: 
2013-01-01    0.469112
2013-01-02    1.212112
2013-01-03   -0.861849
2013-01-04    0.721555
2013-01-05   -0.424972
2013-01-06   -0.673690
Freq: D, Name: A, dtype: float64

对于 DataFrame，传递一个切片 : 选择匹配的行：

In [25]: df[0:3]
Out[25]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804

In [26]: df["20130102":"20130104"]
Out[26]: 
 A         B         C         D
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860

按标签选择

在 按标签选择 中查看更多使用 DataFrame.loc() 或 DataFrame.at()。

选择匹配标签的行：

In [27]: df.loc[dates[0]]
Out[27]: 
A    0.469112
B   -0.282863
C   -1.509059
D   -1.135632
Name: 2013-01-01 00:00:00, dtype: float64

选择所有行（:）与选择列标签：

In [28]: df.loc[:, ["A", "B"]]
Out[28]: 
 A         B
2013-01-01  0.469112 -0.282863
2013-01-02  1.212112 -0.173215
2013-01-03 -0.861849 -2.104569
2013-01-04  0.721555 -0.706771
2013-01-05 -0.424972  0.567020
2013-01-06 -0.673690  0.113648

对于标签切片，两个端点都是 包含 的：

In [29]: df.loc["20130102":"20130104", ["A", "B"]]
Out[29]: 
 A         B
2013-01-02  1.212112 -0.173215
2013-01-03 -0.861849 -2.104569
2013-01-04  0.721555 -0.706771

选择单行和列标签返回一个标量：

In [30]: df.loc[dates[0], "A"]
Out[30]: 0.4691122999071863

为了快速访问标量（等同于先前的方法）：

In [31]: df.at[dates[0], "A"]
Out[31]: 0.4691122999071863

按位置选择

在按位置选择中使用DataFrame.iloc()或DataFrame.iat()查看更多。

通过传递的整数位置选择：

In [32]: df.iloc[3]
Out[32]: 
A    0.721555
B   -0.706771
C   -1.039575
D    0.271860
Name: 2013-01-04 00:00:00, dtype: float64

整数切片类似于 NumPy/Python：

In [33]: df.iloc[3:5, 0:2]
Out[33]: 
 A         B
2013-01-04  0.721555 -0.706771
2013-01-05 -0.424972  0.567020

整数位置位置的列表：

In [34]: df.iloc[[1, 2, 4], [0, 2]]
Out[34]: 
 A         C
2013-01-02  1.212112  0.119209
2013-01-03 -0.861849 -0.494929
2013-01-05 -0.424972  0.276232

明确切片行：

In [35]: df.iloc[1:3, :]
Out[35]: 
 A         B         C         D
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804

明确切片列：

In [36]: df.iloc[:, 1:3]
Out[36]: 
 B         C
2013-01-01 -0.282863 -1.509059
2013-01-02 -0.173215  0.119209
2013-01-03 -2.104569 -0.494929
2013-01-04 -0.706771 -1.039575
2013-01-05  0.567020  0.276232
2013-01-06  0.113648 -1.478427

明确获取一个值：

In [37]: df.iloc[1, 1]
Out[37]: -0.17321464905330858

快速访问标量（等同于先前的方法）：

In [38]: df.iat[1, 1]
Out[38]: -0.17321464905330858

布尔索引

选择df.A大于0的行。

In [39]: df[df["A"] > 0]
Out[39]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-04  0.721555 -0.706771 -1.039575  0.271860

从满足布尔条件的DataFrame中选择值：

In [40]: df[df > 0]
Out[40]: 
 A         B         C         D
2013-01-01  0.469112       NaN       NaN       NaN
2013-01-02  1.212112       NaN  0.119209       NaN
2013-01-03       NaN       NaN       NaN  1.071804
2013-01-04  0.721555       NaN       NaN  0.271860
2013-01-05       NaN  0.567020  0.276232       NaN
2013-01-06       NaN  0.113648       NaN  0.524988

使用isin()方法进行过滤：

In [41]: df2 = df.copy()

In [42]: df2["E"] = ["one", "one", "two", "three", "four", "three"]

In [43]: df2
Out[43]: 
 A         B         C         D      E
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632    one
2013-01-02  1.212112 -0.173215  0.119209 -1.044236    one
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804    two
2013-01-04  0.721555 -0.706771 -1.039575  0.271860  three
2013-01-05 -0.424972  0.567020  0.276232 -1.087401   four
2013-01-06 -0.673690  0.113648 -1.478427  0.524988  three

In [44]: df2[df2["E"].isin(["two", "four"])]
Out[44]: 
 A         B         C         D     E
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804   two
2013-01-05 -0.424972  0.567020  0.276232 -1.087401  four

设置

设置新列会自动通过索引对齐数据：

In [45]: s1 = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range("20130102", periods=6))

In [46]: s1
Out[46]: 
2013-01-02    1
2013-01-03    2
2013-01-04    3
2013-01-05    4
2013-01-06    5
2013-01-07    6
Freq: D, dtype: int64

In [47]: df["F"] = s1

按标签设置值：

In [48]: df.at[dates[0], "A"] = 0

按位置设置值：

In [49]: df.iat[0, 1] = 0

通过分配 NumPy 数组进行设置：

In [50]: df.loc[:, "D"] = np.array([5] * len(df))

先前设置操作的结果：

In [51]: df
Out[51]: 
 A         B         C    D    F
2013-01-01  0.000000  0.000000 -1.509059  5.0  NaN
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0
2013-01-03 -0.861849 -2.104569 -0.494929  5.0  2.0
2013-01-04  0.721555 -0.706771 -1.039575  5.0  3.0
2013-01-05 -0.424972  0.567020  0.276232  5.0  4.0
2013-01-06 -0.673690  0.113648 -1.478427  5.0  5.0

使用设置的where操作：

In [52]: df2 = df.copy()

In [53]: df2[df2 > 0] = -df2

In [54]: df2
Out[54]: 
 A         B         C    D    F
2013-01-01  0.000000  0.000000 -1.509059 -5.0  NaN
2013-01-02 -1.212112 -0.173215 -0.119209 -5.0 -1.0
2013-01-03 -0.861849 -2.104569 -0.494929 -5.0 -2.0
2013-01-04 -0.721555 -0.706771 -1.039575 -5.0 -3.0
2013-01-05 -0.424972 -0.567020 -0.276232 -5.0 -4.0
2013-01-06 -0.673690 -0.113648 -1.478427 -5.0 -5.0

缺失数据

对于 NumPy 数据类型，np.nan表示缺失数据。默认情况下不包括在计算中。请参阅缺失数据部分。

重新索引允许您在指定轴上更改/添加/删除索引。这将返回数据的副本：

In [55]: df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ["E"])

In [56]: df1.loc[dates[0] : dates[1], "E"] = 1

In [57]: df1
Out[57]: 
 A         B         C    D    F    E
2013-01-01  0.000000  0.000000 -1.509059  5.0  NaN  1.0
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0  1.0
2013-01-03 -0.861849 -2.104569 -0.494929  5.0  2.0  NaN
2013-01-04  0.721555 -0.706771 -1.039575  5.0  3.0  NaN

DataFrame.dropna()删除任何具有缺失数据的行：

In [58]: df1.dropna(how="any")
Out[58]: 
 A         B         C    D    F    E
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0  1.0

DataFrame.fillna()填充缺失数据：

In [59]: df1.fillna(value=5)
Out[59]: 
 A         B         C    D    F    E
2013-01-01  0.000000  0.000000 -1.509059  5.0  5.0  1.0
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0  1.0
2013-01-03 -0.861849 -2.104569 -0.494929  5.0  2.0  5.0
2013-01-04  0.721555 -0.706771 -1.039575  5.0  3.0  5.0

isna()获取值为nan的布尔掩码：

In [60]: pd.isna(df1)
Out[60]: 
 A      B      C      D      F      E
2013-01-01  False  False  False  False   True  False
2013-01-02  False  False  False  False  False  False
2013-01-03  False  False  False  False  False   True
2013-01-04  False  False  False  False  False   True

操作

在二进制运算基础部分查看更多。

统计

一般操作排除缺失数据。

计算每列的平均值：

In [61]: df.mean()
Out[61]: 
A   -0.004474
B   -0.383981
C   -0.687758
D    5.000000
F    3.000000
dtype: float64

计算每行的平均值：

In [62]: df.mean(axis=1)
Out[62]: 
2013-01-01    0.872735
2013-01-02    1.431621
2013-01-03    0.707731
2013-01-04    1.395042
2013-01-05    1.883656
2013-01-06    1.592306
Freq: D, dtype: float64

与具有不同索引或列的另一个Series或DataFrame进行操作将使结果与索引或列标签的并集对齐。此外，pandas 会沿指定维度自动广播，并将未对齐的标签填充为np.nan。

In [63]: s = pd.Series([1, 3, 5, np.nan, 6, 8], index=dates).shift(2)

In [64]: s
Out[64]: 
2013-01-01    NaN
2013-01-02    NaN
2013-01-03    1.0
2013-01-04    3.0
2013-01-05    5.0
2013-01-06    NaN
Freq: D, dtype: float64

In [65]: df.sub(s, axis="index")
Out[65]: 
 A         B         C    D    F
2013-01-01       NaN       NaN       NaN  NaN  NaN
2013-01-02       NaN       NaN       NaN  NaN  NaN
2013-01-03 -1.861849 -3.104569 -1.494929  4.0  1.0
2013-01-04 -2.278445 -3.706771 -4.039575  2.0  0.0
2013-01-05 -5.424972 -4.432980 -4.723768  0.0 -1.0
2013-01-06       NaN       NaN       NaN  NaN  NaN

用户定义的函数

DataFrame.agg()和DataFrame.transform()应用一个用户定义的函数，分别减少或广播其结果。

In [66]: df.agg(lambda x: np.mean(x) * 5.6)
Out[66]: 
A    -0.025054
B    -2.150294
C    -3.851445
D    28.000000
F    16.800000
dtype: float64

In [67]: df.transform(lambda x: x * 101.2)
Out[67]: 
 A           B           C      D      F
2013-01-01    0.000000    0.000000 -152.716721  506.0    NaN
2013-01-02  122.665737  -17.529322   12.063922  506.0  101.2
2013-01-03  -87.219115 -212.982405  -50.086843  506.0  202.4
2013-01-04   73.021382  -71.525239 -105.204988  506.0  303.6
2013-01-05  -43.007200   57.382459   27.954680  506.0  404.8
2013-01-06  -68.177398   11.501219 -149.616767  506.0  506.0

值计数

在直方图和离散化中查看更多。

In [68]: s = pd.Series(np.random.randint(0, 7, size=10))

In [69]: s
Out[69]: 
0    4
1    2
2    1
3    2
4    6
5    4
6    4
7    6
8    4
9    4
dtype: int64

In [70]: s.value_counts()
Out[70]: 
4    5
2    2
6    2
1    1
Name: count, dtype: int64

字符串方法

Series配备了一组字符串处理方法，位于str属性中，使得可以轻松地对数组的每个元素进行操作，如下面的代码片段所示。更多信息请参阅矢量化字符串方法。

In [71]: s = pd.Series(["A", "B", "C", "Aaba", "Baca", np.nan, "CABA", "dog", "cat"])

In [72]: s.str.lower()
Out[72]: 
0       a
1       b
2       c
3    aaba
4    baca
5     NaN
6    caba
7     dog
8     cat
dtype: object

合并

连接

pandas 提供了各种便捷的功能，可以轻松地将Series和DataFrame对象结合在一起，对索引进行各种类型的集合逻辑操作，并在联接/合并类型操作中提供关系代数功能。

查看合并部分。

使用concat()将 pandas 对象沿行连接在一起：

In [73]: df = pd.DataFrame(np.random.randn(10, 4))

In [74]: df
Out[74]: 
 0         1         2         3
0 -0.548702  1.467327 -1.015962 -0.483075
1  1.637550 -1.217659 -0.291519 -1.745505
2 -0.263952  0.991460 -0.919069  0.266046
3 -0.709661  1.669052  1.037882 -1.705775
4 -0.919854 -0.042379  1.247642 -0.009920
5  0.290213  0.495767  0.362949  1.548106
6 -1.131345 -0.089329  0.337863 -0.945867
7 -0.932132  1.956030  0.017587 -0.016692
8 -0.575247  0.254161 -1.143704  0.215897
9  1.193555 -0.077118 -0.408530 -0.862495

# break it into pieces
In [75]: pieces = [df[:3], df[3:7], df[7:]]

In [76]: pd.concat(pieces)
Out[76]: 
 0         1         2         3
0 -0.548702  1.467327 -1.015962 -0.483075
1  1.637550 -1.217659 -0.291519 -1.745505
2 -0.263952  0.991460 -0.919069  0.266046
3 -0.709661  1.669052  1.037882 -1.705775
4 -0.919854 -0.042379  1.247642 -0.009920
5  0.290213  0.495767  0.362949  1.548106
6 -1.131345 -0.089329  0.337863 -0.945867
7 -0.932132  1.956030  0.017587 -0.016692
8 -0.575247  0.254161 -1.143704  0.215897
9  1.193555 -0.077118 -0.408530 -0.862495

注意

向DataFrame添加列相对较快。但是，添加行需要复制，可能会很昂贵。我们建议将预先构建的记录列表传递给DataFrame构造函数，而不是通过迭代附加记录来构建DataFrame。

连接

merge()可以在特定列上启用 SQL 风格的连接类型。请参阅数据库风格连接部分。

In [77]: left = pd.DataFrame({"key": ["foo", "foo"], "lval": [1, 2]})

In [78]: right = pd.DataFrame({"key": ["foo", "foo"], "rval": [4, 5]})

In [79]: left
Out[79]: 
 key  lval
0  foo     1
1  foo     2

In [80]: right
Out[80]: 
 key  rval
0  foo     4
1  foo     5

In [81]: pd.merge(left, right, on="key")
Out[81]: 
 key  lval  rval
0  foo     1     4
1  foo     1     5
2  foo     2     4
3  foo     2     5

在唯一键上进行merge()：

In [82]: left = pd.DataFrame({"key": ["foo", "bar"], "lval": [1, 2]})

In [83]: right = pd.DataFrame({"key": ["foo", "bar"], "rval": [4, 5]})

In [84]: left
Out[84]: 
 key  lval
0  foo     1
1  bar     2

In [85]: right
Out[85]: 
 key  rval
0  foo     4
1  bar     5

In [86]: pd.merge(left, right, on="key")
Out[86]: 
 key  lval  rval
0  foo     1     4
1  bar     2     5

分组

通过“分组”我们指的是涉及以下一个或多个步骤的过程：

  • 根据某些标准将数据分组

  • 对每个组独立应用函数

  • 将结果组合成数据结构

查看分组部分。

In [87]: df = pd.DataFrame(
 ....:    {
 ....:        "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"],
 ....:        "B": ["one", "one", "two", "three", "two", "two", "one", "three"],
 ....:        "C": np.random.randn(8),
 ....:        "D": np.random.randn(8),
 ....:    }
 ....: )
 ....: 

In [88]: df
Out[88]: 
 A      B         C         D
0  foo    one  1.346061 -1.577585
1  bar    one  1.511763  0.396823
2  foo    two  1.627081 -0.105381
3  bar  three -0.990582 -0.532532
4  foo    two -0.441652  1.453749
5  bar    two  1.211526  1.208843
6  foo    one  0.268520 -0.080952
7  foo  three  0.024580 -0.264610

按列标签分组，选择列标签，然后对结果组应用DataFrameGroupBy.sum()函数：

In [89]: df.groupby("A")[["C", "D"]].sum()
Out[89]: 
 C         D
A 
bar  1.732707  1.073134
foo  2.824590 -0.574779

按多个列标签形式进行分组形成MultiIndex。

In [90]: df.groupby(["A", "B"]).sum()
Out[90]: 
 C         D
A   B 
bar one    1.511763  0.396823
 three -0.990582 -0.532532
 two    1.211526  1.208843
foo one    1.614581 -1.658537
 three  0.024580 -0.264610
 two    1.185429  1.348368

重塑

请参阅分层索引和重塑部分。

堆叠

In [91]: arrays = [
 ....:   ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
 ....:   ["one", "two", "one", "two", "one", "two", "one", "two"],
 ....: ]
 ....: 

In [92]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])

In [93]: df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=["A", "B"])

In [94]: df2 = df[:4]

In [95]: df2
Out[95]: 
 A         B
first second 
bar   one    -0.727965 -0.589346
 two     0.339969 -0.693205
baz   one    -0.339355  0.593616
 two     0.884345  1.591431

stack()方法在 DataFrame 的列中“压缩”了一个级别：

In [96]: stacked = df2.stack(future_stack=True)

In [97]: stacked
Out[97]: 
first  second 
bar    one     A   -0.727965
 B   -0.589346
 two     A    0.339969
 B   -0.693205
baz    one     A   -0.339355
 B    0.593616
 two     A    0.884345
 B    1.591431
dtype: float64

对于具有MultiIndex作为index的“堆叠”DataFrame 或 Series，stack()的逆操作是unstack()，默认情况下取消堆叠最后一级：

In [98]: stacked.unstack()
Out[98]: 
 A         B
first second 
bar   one    -0.727965 -0.589346
 two     0.339969 -0.693205
baz   one    -0.339355  0.593616
 two     0.884345  1.591431

In [99]: stacked.unstack(1)
Out[99]: 
second        one       two
first 
bar   A -0.727965  0.339969
 B -0.589346 -0.693205
baz   A -0.339355  0.884345
 B  0.593616  1.591431

In [100]: stacked.unstack(0)
Out[100]: 
first          bar       baz
second 
one    A -0.727965 -0.339355
 B -0.589346  0.593616
two    A  0.339969  0.884345
 B -0.693205  1.591431

透视表

查看透视表部分。

In [101]: df = pd.DataFrame(
 .....:    {
 .....:        "A": ["one", "one", "two", "three"] * 3,
 .....:        "B": ["A", "B", "C"] * 4,
 .....:        "C": ["foo", "foo", "foo", "bar", "bar", "bar"] * 2,
 .....:        "D": np.random.randn(12),
 .....:        "E": np.random.randn(12),
 .....:    }
 .....: )
 .....: 

In [102]: df
Out[102]: 
 A  B    C         D         E
0     one  A  foo -1.202872  0.047609
1     one  B  foo -1.814470 -0.136473
2     two  C  foo  1.018601 -0.561757
3   three  A  bar -0.595447 -1.623033
4     one  B  bar  1.395433  0.029399
5     one  C  bar -0.392670 -0.542108
6     two  A  foo  0.007207  0.282696
7   three  B  foo  1.928123 -0.087302
8     one  C  foo -0.055224 -1.575170
9     one  A  bar  2.395985  1.771208
10    two  B  bar  1.552825  0.816482
11  three  C  bar  0.166599  1.100230

pivot_table() 透视一个指定values、index和columns的DataFrame

In [103]: pd.pivot_table(df, values="D", index=["A", "B"], columns=["C"])
Out[103]: 
C             bar       foo
A     B 
one   A  2.395985 -1.202872
 B  1.395433 -1.814470
 C -0.392670 -0.055224
three A -0.595447       NaN
 B       NaN  1.928123
 C  0.166599       NaN
two   A       NaN  0.007207
 B  1.552825       NaN
 C       NaN  1.018601

时间序列

pandas 具有简单、强大和高效的功能，用于在频率转换期间执行重新采样操作（例如，将秒数据转换为 5 分钟数据）。这在金融应用中非常常见，但不限于此。请参阅时间序列部分。

In [104]: rng = pd.date_range("1/1/2012", periods=100, freq="s")

In [105]: ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)

In [106]: ts.resample("5Min").sum()
Out[106]: 
2012-01-01    24182
Freq: 5min, dtype: int64

Series.tz_localize() 将一个时间序列本地化到一个时区：

In [107]: rng = pd.date_range("3/6/2012 00:00", periods=5, freq="D")

In [108]: ts = pd.Series(np.random.randn(len(rng)), rng)

In [109]: ts
Out[109]: 
2012-03-06    1.857704
2012-03-07   -1.193545
2012-03-08    0.677510
2012-03-09   -0.153931
2012-03-10    0.520091
Freq: D, dtype: float64

In [110]: ts_utc = ts.tz_localize("UTC")

In [111]: ts_utc
Out[111]: 
2012-03-06 00:00:00+00:00    1.857704
2012-03-07 00:00:00+00:00   -1.193545
2012-03-08 00:00:00+00:00    0.677510
2012-03-09 00:00:00+00:00   -0.153931
2012-03-10 00:00:00+00:00    0.520091
Freq: D, dtype: float64

Series.tz_convert() 将一个时区感知的时间序列转换到另一个时区：

In [112]: ts_utc.tz_convert("US/Eastern")
Out[112]: 
2012-03-05 19:00:00-05:00    1.857704
2012-03-06 19:00:00-05:00   -1.193545
2012-03-07 19:00:00-05:00    0.677510
2012-03-08 19:00:00-05:00   -0.153931
2012-03-09 19:00:00-05:00    0.520091
Freq: D, dtype: float64

向时间序列添加非固定持续时间（BusinessDay）：

In [113]: rng
Out[113]: 
DatetimeIndex(['2012-03-06', '2012-03-07', '2012-03-08', '2012-03-09',
 '2012-03-10'],
 dtype='datetime64[ns]', freq='D')

In [114]: rng + pd.offsets.BusinessDay(5)
Out[114]: 
DatetimeIndex(['2012-03-13', '2012-03-14', '2012-03-15', '2012-03-16',
 '2012-03-16'],
 dtype='datetime64[ns]', freq=None)

分类数据

pandas 可以在DataFrame中包含分类数���。有关完整文档，请参阅分类介绍和 API 文档。

In [115]: df = pd.DataFrame(
 .....:    {"id": [1, 2, 3, 4, 5, 6], "raw_grade": ["a", "b", "b", "a", "a", "e"]}
 .....: )
 .....:

将原始成绩转换为分类数据类型：

In [116]: df["grade"] = df["raw_grade"].astype("category")

In [117]: df["grade"]
Out[117]: 
0    a
1    b
2    b
3    a
4    a
5    e
Name: grade, dtype: category
Categories (3, object): ['a', 'b', 'e']

将类别重命名为更有意义的名称：

In [118]: new_categories = ["very good", "good", "very bad"]

In [119]: df["grade"] = df["grade"].cat.rename_categories(new_categories)

重新排序类别并同时添加缺失的类别（Series.cat()下的方法默认返回一个新的Series）：

In [120]: df["grade"] = df["grade"].cat.set_categories(
 .....:    ["very bad", "bad", "medium", "good", "very good"]
 .....: )
 .....: 

In [121]: df["grade"]
Out[121]: 
0    very good
1         good
2         good
3    very good
4    very good
5     very bad
Name: grade, dtype: category
Categories (5, object): ['very bad', 'bad', 'medium', 'good', 'very good']

排序按照类别中的顺序，而不是词法顺序：

In [122]: df.sort_values(by="grade")
Out[122]: 
 id raw_grade      grade
5   6         e   very bad
1   2         b       good
2   3         b       good
0   1         a  very good
3   4         a  very good
4   5         a  very good

通过具有observed=False的分类列进行分组也会显示空类别：

In [123]: df.groupby("grade", observed=False).size()
Out[123]: 
grade
very bad     1
bad          0
medium       0
good         2
very good    3
dtype: int64

绘图

查看绘图文档。

我们使用标准约定来引用 matplotlib API：

In [124]: import matplotlib.pyplot as plt

In [125]: plt.close("all")

使用 plt.close 方法来关闭一个图形窗口：

In [126]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000))

In [127]: ts = ts.cumsum()

In [128]: ts.plot();

../_images/series_plot_basic.png

注意

在 Jupyter 中使用plot()绘制图表。否则使用matplotlib.pyplot.show显示图表，或者使用matplotlib.pyplot.savefig将图表写入文件。

plot()绘制所有列：

In [129]: df = pd.DataFrame(
 .....:    np.random.randn(1000, 4), index=ts.index, columns=["A", "B", "C", "D"]
 .....: )
 .....: 

In [130]: df = df.cumsum()

In [131]: plt.figure();

In [132]: df.plot();

In [133]: plt.legend(loc='best');

../_images/frame_plot_basic.png

导入和导出数据

查看 IO 工具部分。

CSV

写入 csv 文件：使用DataFrame.to_csv()

In [134]: df = pd.DataFrame(np.random.randint(0, 5, (10, 5)))

In [135]: df.to_csv("foo.csv")

从 csv 文件中读取：使用read_csv()

In [136]: pd.read_csv("foo.csv")
Out[136]: 
 Unnamed: 0  0  1  2  3  4
0           0  4  3  1  1  2
1           1  1  0  2  3  2
2           2  1  4  2  1  2
3           3  0  4  0  2  2
4           4  4  2  2  3  4
5           5  4  0  4  3  1
6           6  2  1  2  0  3
7           7  4  0  4  4  4
8           8  4  4  1  0  1
9           9  0  4  3  0  3

Parquet

写入 Parquet 文件：

In [137]: df.to_parquet("foo.parquet")

使用read_parquet()从 Parquet 文件存储中读取：

In [138]: pd.read_parquet("foo.parquet")
Out[138]: 
 0  1  2  3  4
0  4  3  1  1  2
1  1  0  2  3  2
2  1  4  2  1  2
3  0  4  0  2  2
4  4  2  2  3  4
5  4  0  4  3  1
6  2  1  2  0  3
7  4  0  4  4  4
8  4  4  1  0  1
9  0  4  3  0  3

Excel

读取和写入 Excel。

使用DataFrame.to_excel()将数据写入 excel 文件：

In [139]: df.to_excel("foo.xlsx", sheet_name="Sheet1")

使用read_excel()���excel 文件中读取：

In [140]: pd.read_excel("foo.xlsx", "Sheet1", index_col=None, na_values=["NA"])
Out[140]: 
 Unnamed: 0  0  1  2  3  4
0           0  4  3  1  1  2
1           1  1  0  2  3  2
2           2  1  4  2  1  2
3           3  0  4  0  2  2
4           4  4  2  2  3  4
5           5  4  0  4  3  1
6           6  2  1  2  0  3
7           7  4  0  4  4  4
8           8  4  4  1  0  1
9           9  0  4  3  0  3

注意事项

如果您尝试在Series或DataFrame上执行布尔操作，可能会看到异常，如：

In [141]: if pd.Series([False, True, False]):
 .....:     print("I was true")
 .....: 
---------------------------------------------------------------------------
ValueError  Traceback (most recent call last)
<ipython-input-141-b27eb9c1dfc0> in ?()
----> 1 if pd.Series([False, True, False]):
  2      print("I was true")

~/work/pandas/pandas/pandas/core/generic.py in ?(self)
  1575     @final
  1576     def __nonzero__(self) -> NoReturn:
-> 1577         raise ValueError(
  1578             f"The truth value of a {type(self).__name__} is ambiguous. "
  1579             "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
  1580         )

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

查看比较和注意事项以获取解释和处理方法。

Pandas 中的基本数据结构

Pandas 提供了两种处理数据的类：

  1. Series：一个持有任何类型数据的一维标记数组

    例如整数、字符串、Python 对象等。

  2. DataFrame：一个二维数据结构，类似于二维数组或具有行和列的表格。

对象创建

查看数据结构简介部分。

通过传递值列表创建Series，让 pandas 创建默认的RangeIndex。

In [3]: s = pd.Series([1, 3, 5, np.nan, 6, 8])

In [4]: s
Out[4]: 
0    1.0
1    3.0
2    5.0
3    NaN
4    6.0
5    8.0
dtype: float64

通过使用date_range()和标记列，通过传递具有日期时间索引的 NumPy 数组创建DataFrame：

In [5]: dates = pd.date_range("20130101", periods=6)

In [6]: dates
Out[6]: 
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
 '2013-01-05', '2013-01-06'],
 dtype='datetime64[ns]', freq='D')

In [7]: df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list("ABCD"))

In [8]: df
Out[8]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401
2013-01-06 -0.673690  0.113648 -1.478427  0.524988

通过传递一个字典对象创建一个DataFrame，其中键是列标签，值是列值。

In [9]: df2 = pd.DataFrame(
 ...:    {
 ...:        "A": 1.0,
 ...:        "B": pd.Timestamp("20130102"),
 ...:        "C": pd.Series(1, index=list(range(4)), dtype="float32"),
 ...:        "D": np.array([3] * 4, dtype="int32"),
 ...:        "E": pd.Categorical(["test", "train", "test", "train"]),
 ...:        "F": "foo",
 ...:    }
 ...: )
 ...: 

In [10]: df2
Out[10]: 
 A          B    C  D      E    F
0  1.0 2013-01-02  1.0  3   test  foo
1  1.0 2013-01-02  1.0  3  train  foo
2  1.0 2013-01-02  1.0  3   test  foo
3  1.0 2013-01-02  1.0  3  train  foo

结果DataFrame的列具有不同的 dtypes：

In [11]: df2.dtypes
Out[11]: 
A          float64
B    datetime64[s]
C          float32
D            int32
E         category
F           object
dtype: object

如果你正在使用 IPython，列名（以及公共属性）的制表符自动完成功能已经启用。以下是将被自动完成的属性的子集：

In [12]: df2.<TAB>  # noqa: E225, E999
df2.A                  df2.bool
df2.abs                df2.boxplot
df2.add                df2.C
df2.add_prefix         df2.clip
df2.add_suffix         df2.columns
df2.align              df2.copy
df2.all                df2.count
df2.any                df2.combine
df2.append             df2.D
df2.apply              df2.describe
df2.applymap           df2.diff
df2.B                  df2.duplicated

正如你所看到的，列A、B、C和D已经自动完成。E和F也在其中；其余属性由于简洁起见已被截断。

查看数据

查看基本功能部分。

使用DataFrame.head()和DataFrame.tail()分别查看框架的顶部和底部行：

In [13]: df.head()
Out[13]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401

In [14]: df.tail(3)
Out[14]: 
 A         B         C         D
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401
2013-01-06 -0.673690  0.113648 -1.478427  0.524988

显示DataFrame.index或DataFrame.columns：

In [15]: df.index
Out[15]: 
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
 '2013-01-05', '2013-01-06'],
 dtype='datetime64[ns]', freq='D')

In [16]: df.columns
Out[16]: Index(['A', 'B', 'C', 'D'], dtype='object')

使用DataFrame.to_numpy()返回底层数据的 NumPy 表示，不包括索引或列标签：

In [17]: df.to_numpy()
Out[17]: 
array([[ 0.4691, -0.2829, -1.5091, -1.1356],
 [ 1.2121, -0.1732,  0.1192, -1.0442],
 [-0.8618, -2.1046, -0.4949,  1.0718],
 [ 0.7216, -0.7068, -1.0396,  0.2719],
 [-0.425 ,  0.567 ,  0.2762, -1.0874],
 [-0.6737,  0.1136, -1.4784,  0.525 ]])

注意

NumPy 数组整个数组只有一个 dtype，而 pandas DataFrames 每列有一个 dtype。当你调用DataFrame.to_numpy()时，pandas 会找到可以容纳 DataFrame 中所有dtypes 的 NumPy dtype。如果通用数据类型是object，DataFrame.to_numpy()将需要复制数据。

In [18]: df2.dtypes
Out[18]: 
A          float64
B    datetime64[s]
C          float32
D            int32
E         category
F           object
dtype: object

In [19]: df2.to_numpy()
Out[19]: 
array([[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
 [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo'],
 [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
 [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo']],
 dtype=object)

describe()显示数据的快速统计摘要：

In [20]: df.describe()
Out[20]: 
 A         B         C         D
count  6.000000  6.000000  6.000000  6.000000
mean   0.073711 -0.431125 -0.687758 -0.233103
std    0.843157  0.922818  0.779887  0.973118
min   -0.861849 -2.104569 -1.509059 -1.135632
25%   -0.611510 -0.600794 -1.368714 -1.076610
50%    0.022070 -0.228039 -0.767252 -0.386188
75%    0.658444  0.041933 -0.034326  0.461706
max    1.212112  0.567020  0.276232  1.071804

转置你的数据：

In [21]: df.T
Out[21]: 
 2013-01-01  2013-01-02  2013-01-03  2013-01-04  2013-01-05  2013-01-06
A    0.469112    1.212112   -0.861849    0.721555   -0.424972   -0.673690
B   -0.282863   -0.173215   -2.104569   -0.706771    0.567020    0.113648
C   -1.509059    0.119209   -0.494929   -1.039575    0.276232   -1.478427
D   -1.135632   -1.044236    1.071804    0.271860   -1.087401    0.524988

DataFrame.sort_index()按轴排序：

In [22]: df.sort_index(axis=1, ascending=False)
Out[22]: 
 D         C         B         A
2013-01-01 -1.135632 -1.509059 -0.282863  0.469112
2013-01-02 -1.044236  0.119209 -0.173215  1.212112
2013-01-03  1.071804 -0.494929 -2.104569 -0.861849
2013-01-04  0.271860 -1.039575 -0.706771  0.721555
2013-01-05 -1.087401  0.276232  0.567020 -0.424972
2013-01-06  0.524988 -1.478427  0.113648 -0.673690

DataFrame.sort_values()按值排序：

In [23]: df.sort_values(by="B")
Out[23]: 
 A         B         C         D
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-06 -0.673690  0.113648 -1.478427  0.524988
2013-01-05 -0.424972  0.567020  0.276232 -1.087401

选择

注意

虽然用于选择和设置的标准 Python/NumPy 表达式直观且对交互式工作很方便，但对于生产代码，我们建议使用优化的 pandas 数据访问方法，DataFrame.at()，DataFrame.iat()，DataFrame.loc()和DataFrame.iloc()。

查看索引文档索引和选择数据和 MultiIndex /高级索引。

获取项（[]）

对于DataFrame，传递单个标签选择列并产生等同于df.A的Series：

In [24]: df["A"]
Out[24]: 
2013-01-01    0.469112
2013-01-02    1.212112
2013-01-03   -0.861849
2013-01-04    0.721555
2013-01-05   -0.424972
2013-01-06   -0.673690
Freq: D, Name: A, dtype: float64

对于DataFrame，传递切片:选择匹配的行：

In [25]: df[0:3]
Out[25]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804

In [26]: df["20130102":"20130104"]
Out[26]: 
 A         B         C         D
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860

按标签选择

查看更多关于按标签选择的信息，使用DataFrame.loc()或DataFrame.at()。

选择匹配标签的行：

In [27]: df.loc[dates[0]]
Out[27]: 
A    0.469112
B   -0.282863
C   -1.509059
D   -1.135632
Name: 2013-01-01 00:00:00, dtype: float64

选择所有行（:）与选择列标签：

In [28]: df.loc[:, ["A", "B"]]
Out[28]: 
 A         B
2013-01-01  0.469112 -0.282863
2013-01-02  1.212112 -0.173215
2013-01-03 -0.861849 -2.104569
2013-01-04  0.721555 -0.706771
2013-01-05 -0.424972  0.567020
2013-01-06 -0.673690  0.113648

对于标签切片，两个端点都是包含的：

In [29]: df.loc["20130102":"20130104", ["A", "B"]]
Out[29]: 
 A         B
2013-01-02  1.212112 -0.173215
2013-01-03 -0.861849 -2.104569
2013-01-04  0.721555 -0.706771

选择单个行和列标签返回一个标量：

In [30]: df.loc[dates[0], "A"]
Out[30]: 0.4691122999071863

获取快速访问标量（等同于先前的方法）：

In [31]: df.at[dates[0], "A"]
Out[31]: 0.4691122999071863

按位置选择

查看更多关于按位置选择的信息，使用DataFrame.iloc()或DataFrame.iat()。

通过传递整数的位置选择：

In [32]: df.iloc[3]
Out[32]: 
A    0.721555
B   -0.706771
C   -1.039575
D    0.271860
Name: 2013-01-04 00:00:00, dtype: float64

整数切片类似于 NumPy/Python：

In [33]: df.iloc[3:5, 0:2]
Out[33]: 
 A         B
2013-01-04  0.721555 -0.706771
2013-01-05 -0.424972  0.567020

整数位置位置列表：

In [34]: df.iloc[[1, 2, 4], [0, 2]]
Out[34]: 
 A         C
2013-01-02  1.212112  0.119209
2013-01-03 -0.861849 -0.494929
2013-01-05 -0.424972  0.276232

明确切片行：

In [35]: df.iloc[1:3, :]
Out[35]: 
 A         B         C         D
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804

明确切片列：

In [36]: df.iloc[:, 1:3]
Out[36]: 
 B         C
2013-01-01 -0.282863 -1.509059
2013-01-02 -0.173215  0.119209
2013-01-03 -2.104569 -0.494929
2013-01-04 -0.706771 -1.039575
2013-01-05  0.567020  0.276232
2013-01-06  0.113648 -1.478427

明确获取值：

In [37]: df.iloc[1, 1]
Out[37]: -0.17321464905330858

获取快速访问标量（等同于先前的方法）：

In [38]: df.iat[1, 1]
Out[38]: -0.17321464905330858

布尔索引

选择df.A大于0的行。

In [39]: df[df["A"] > 0]
Out[39]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-04  0.721555 -0.706771 -1.039575  0.271860

从满足布尔条件的DataFrame中选择值：

In [40]: df[df > 0]
Out[40]: 
 A         B         C         D
2013-01-01  0.469112       NaN       NaN       NaN
2013-01-02  1.212112       NaN  0.119209       NaN
2013-01-03       NaN       NaN       NaN  1.071804
2013-01-04  0.721555       NaN       NaN  0.271860
2013-01-05       NaN  0.567020  0.276232       NaN
2013-01-06       NaN  0.113648       NaN  0.524988

使用isin()方法进行过滤：

In [41]: df2 = df.copy()

In [42]: df2["E"] = ["one", "one", "two", "three", "four", "three"]

In [43]: df2
Out[43]: 
 A         B         C         D      E
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632    one
2013-01-02  1.212112 -0.173215  0.119209 -1.044236    one
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804    two
2013-01-04  0.721555 -0.706771 -1.039575  0.271860  three
2013-01-05 -0.424972  0.567020  0.276232 -1.087401   four
2013-01-06 -0.673690  0.113648 -1.478427  0.524988  three

In [44]: df2[df2["E"].isin(["two", "four"])]
Out[44]: 
 A         B         C         D     E
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804   two
2013-01-05 -0.424972  0.567020  0.276232 -1.087401  four

设置

设置新列会自动根据索引对齐数据：

In [45]: s1 = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range("20130102", periods=6))

In [46]: s1
Out[46]: 
2013-01-02    1
2013-01-03    2
2013-01-04    3
2013-01-05    4
2013-01-06    5
2013-01-07    6
Freq: D, dtype: int64

In [47]: df["F"] = s1

按标签设置值：

In [48]: df.at[dates[0], "A"] = 0

按位置设置值：

In [49]: df.iat[0, 1] = 0

通过分配 NumPy 数组进行设置：

In [50]: df.loc[:, "D"] = np.array([5] * len(df))

先前设置操作的结果：

In [51]: df
Out[51]: 
 A         B         C    D    F
2013-01-01  0.000000  0.000000 -1.509059  5.0  NaN
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0
2013-01-03 -0.861849 -2.104569 -0.494929  5.0  2.0
2013-01-04  0.721555 -0.706771 -1.039575  5.0  3.0
2013-01-05 -0.424972  0.567020  0.276232  5.0  4.0
2013-01-06 -0.673690  0.113648 -1.478427  5.0  5.0

具有设置的where操作：

In [52]: df2 = df.copy()

In [53]: df2[df2 > 0] = -df2

In [54]: df2
Out[54]: 
 A         B         C    D    F
2013-01-01  0.000000  0.000000 -1.509059 -5.0  NaN
2013-01-02 -1.212112 -0.173215 -0.119209 -5.0 -1.0
2013-01-03 -0.861849 -2.104569 -0.494929 -5.0 -2.0
2013-01-04 -0.721555 -0.706771 -1.039575 -5.0 -3.0
2013-01-05 -0.424972 -0.567020 -0.276232 -5.0 -4.0
2013-01-06 -0.673690 -0.113648 -1.478427 -5.0 -5.0

获取项（[]）

对于DataFrame，传递单个标签选择列并产生等同于df.A的Series：

In [24]: df["A"]
Out[24]: 
2013-01-01    0.469112
2013-01-02    1.212112
2013-01-03   -0.861849
2013-01-04    0.721555
2013-01-05   -0.424972
2013-01-06   -0.673690
Freq: D, Name: A, dtype: float64

对于DataFrame，通过传递切片:选择匹配的行：

In [25]: df[0:3]
Out[25]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804

In [26]: df["20130102":"20130104"]
Out[26]: 
 A         B         C         D
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860

按标签选择

请参阅按标签选择 使用DataFrame.loc() 或 DataFrame.at()。

选择匹配标签的行：

In [27]: df.loc[dates[0]]
Out[27]: 
A    0.469112
B   -0.282863
C   -1.509059
D   -1.135632
Name: 2013-01-01 00:00:00, dtype: float64

选择所有行（:）与选择列标签：

In [28]: df.loc[:, ["A", "B"]]
Out[28]: 
 A         B
2013-01-01  0.469112 -0.282863
2013-01-02  1.212112 -0.173215
2013-01-03 -0.861849 -2.104569
2013-01-04  0.721555 -0.706771
2013-01-05 -0.424972  0.567020
2013-01-06 -0.673690  0.113648

对于标签切片，两个端点都包括：

In [29]: df.loc["20130102":"20130104", ["A", "B"]]
Out[29]: 
 A         B
2013-01-02  1.212112 -0.173215
2013-01-03 -0.861849 -2.104569
2013-01-04  0.721555 -0.706771

选择单个行和列标签返回一个标量：

In [30]: df.loc[dates[0], "A"]
Out[30]: 0.4691122999071863

为了快速访问标量（等效于先前的方法）：

In [31]: df.at[dates[0], "A"]
Out[31]: 0.4691122999071863

按位置选择

请参阅按位置选择 使用DataFrame.iloc() 或 DataFrame.iat()。

通过传递整数的位置选择：

In [32]: df.iloc[3]
Out[32]: 
A    0.721555
B   -0.706771
C   -1.039575
D    0.271860
Name: 2013-01-04 00:00:00, dtype: float64

整数切片类似于 NumPy/Python：

In [33]: df.iloc[3:5, 0:2]
Out[33]: 
 A         B
2013-01-04  0.721555 -0.706771
2013-01-05 -0.424972  0.567020

整数位置位置列表：

In [34]: df.iloc[[1, 2, 4], [0, 2]]
Out[34]: 
 A         C
2013-01-02  1.212112  0.119209
2013-01-03 -0.861849 -0.494929
2013-01-05 -0.424972  0.276232

明确切片行：

In [35]: df.iloc[1:3, :]
Out[35]: 
 A         B         C         D
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804

明确切片列：

In [36]: df.iloc[:, 1:3]
Out[36]: 
 B         C
2013-01-01 -0.282863 -1.509059
2013-01-02 -0.173215  0.119209
2013-01-03 -2.104569 -0.494929
2013-01-04 -0.706771 -1.039575
2013-01-05  0.567020  0.276232
2013-01-06  0.113648 -1.478427

明确获取一个值：

In [37]: df.iloc[1, 1]
Out[37]: -0.17321464905330858

为了快速访问标量（等效于先前的方法）：

In [38]: df.iat[1, 1]
Out[38]: -0.17321464905330858

布尔索引

选择df.A大于0的行。

In [39]: df[df["A"] > 0]
Out[39]: 
 A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-04  0.721555 -0.706771 -1.039575  0.271860

从DataFrame 中选择满足布尔条件的值：

In [40]: df[df > 0]
Out[40]: 
 A         B         C         D
2013-01-01  0.469112       NaN       NaN       NaN
2013-01-02  1.212112       NaN  0.119209       NaN
2013-01-03       NaN       NaN       NaN  1.071804
2013-01-04  0.721555       NaN       NaN  0.271860
2013-01-05       NaN  0.567020  0.276232       NaN
2013-01-06       NaN  0.113648       NaN  0.524988

使用isin() 方法进行过滤：

In [41]: df2 = df.copy()

In [42]: df2["E"] = ["one", "one", "two", "three", "four", "three"]

In [43]: df2
Out[43]: 
 A         B         C         D      E
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632    one
2013-01-02  1.212112 -0.173215  0.119209 -1.044236    one
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804    two
2013-01-04  0.721555 -0.706771 -1.039575  0.271860  three
2013-01-05 -0.424972  0.567020  0.276232 -1.087401   four
2013-01-06 -0.673690  0.113648 -1.478427  0.524988  three

In [44]: df2[df2["E"].isin(["two", "four"])]
Out[44]: 
 A         B         C         D     E
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804   two
2013-01-05 -0.424972  0.567020  0.276232 -1.087401  four

设置

设置新列会自动根据索引对齐数据：

In [45]: s1 = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range("20130102", periods=6))

In [46]: s1
Out[46]: 
2013-01-02    1
2013-01-03    2
2013-01-04    3
2013-01-05    4
2013-01-06    5
2013-01-07    6
Freq: D, dtype: int64

In [47]: df["F"] = s1

按标签设置值：

In [48]: df.at[dates[0], "A"] = 0

按位置设置值：

In [49]: df.iat[0, 1] = 0

通过分配 NumPy 数组进行设置：

In [50]: df.loc[:, "D"] = np.array([5] * len(df))

先前设置操作的结果：

In [51]: df
Out[51]: 
 A         B         C    D    F
2013-01-01  0.000000  0.000000 -1.509059  5.0  NaN
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0
2013-01-03 -0.861849 -2.104569 -0.494929  5.0  2.0
2013-01-04  0.721555 -0.706771 -1.039575  5.0  3.0
2013-01-05 -0.424972  0.567020  0.276232  5.0  4.0
2013-01-06 -0.673690  0.113648 -1.478427  5.0  5.0

使用设置的where操作：

In [52]: df2 = df.copy()

In [53]: df2[df2 > 0] = -df2

In [54]: df2
Out[54]: 
 A         B         C    D    F
2013-01-01  0.000000  0.000000 -1.509059 -5.0  NaN
2013-01-02 -1.212112 -0.173215 -0.119209 -5.0 -1.0
2013-01-03 -0.861849 -2.104569 -0.494929 -5.0 -2.0
2013-01-04 -0.721555 -0.706771 -1.039575 -5.0 -3.0
2013-01-05 -0.424972 -0.567020 -0.276232 -5.0 -4.0
2013-01-06 -0.673690 -0.113648 -1.478427 -5.0 -5.0

缺失数据

对于 NumPy 数据类型，np.nan表示缺失数据。默认情况下不包括在计算中。请参阅缺失数据部分。

重新索引允许您更改/添加/删除指定轴上的索引。这将返回数据的副本：

In [55]: df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ["E"])

In [56]: df1.loc[dates[0] : dates[1], "E"] = 1

In [57]: df1
Out[57]: 
 A         B         C    D    F    E
2013-01-01  0.000000  0.000000 -1.509059  5.0  NaN  1.0
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0  1.0
2013-01-03 -0.861849 -2.104569 -0.494929  5.0  2.0  NaN
2013-01-04  0.721555 -0.706771 -1.039575  5.0  3.0  NaN

DataFrame.dropna() 删除任何具有缺失数据的行：

In [58]: df1.dropna(how="any")
Out[58]: 
 A         B         C    D    F    E
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0  1.0

DataFrame.fillna() 用于填充缺失数据：

In [59]: df1.fillna(value=5)
Out[59]: 
 A         B         C    D    F    E
2013-01-01  0.000000  0.000000 -1.509059  5.0  5.0  1.0
2013-01-02  1.212112 -0.173215  0.119209  5.0  1.0  1.0
2013-01-03 -0.861849 -2.104569 -0.494929  5.0  2.0  5.0
2013-01-04  0.721555 -0.706771 -1.039575  5.0  3.0  5.0

isna() 获取布尔掩码，其中值为nan：

In [60]: pd.isna(df1)
Out[60]: 
 A      B      C      D      F      E
2013-01-01  False  False  False  False   True  False
2013-01-02  False  False  False  False  False  False
2013-01-03  False  False  False  False  False   True
2013-01-04  False  False  False  False  False   True

操作

请参阅二进制运算基础部分。

统计

通常的操作排除缺失数据。

计算每列的平均值：

In [61]: df.mean()
Out[61]: 
A   -0.004474
B   -0.383981
C   -0.687758
D    5.000000
F    3.000000
dtype: float64

计算每行的平均值：

In [62]: df.mean(axis=1)
Out[62]: 
2013-01-01    0.872735
2013-01-02    1.431621
2013-01-03    0.707731
2013-01-04    1.395042
2013-01-05    1.883656
2013-01-06    1.592306
Freq: D, dtype: float64

与具有不同索引或列的另一个Series或DataFrame进行操作将使结果与索引或列标签的并集对齐。此外，pandas 会沿指定维度自动广播，并用np.nan填充未对齐的标签。

In [63]: s = pd.Series([1, 3, 5, np.nan, 6, 8], index=dates).shift(2)

In [64]: s
Out[64]: 
2013-01-01    NaN
2013-01-02    NaN
2013-01-03    1.0
2013-01-04    3.0
2013-01-05    5.0
2013-01-06    NaN
Freq: D, dtype: float64

In [65]: df.sub(s, axis="index")
Out[65]: 
 A         B         C    D    F
2013-01-01       NaN       NaN       NaN  NaN  NaN
2013-01-02       NaN       NaN       NaN  NaN  NaN
2013-01-03 -1.861849 -3.104569 -1.494929  4.0  1.0
2013-01-04 -2.278445 -3.706771 -4.039575  2.0  0.0
2013-01-05 -5.424972 -4.432980 -4.723768  0.0 -1.0
2013-01-06       NaN       NaN       NaN  NaN  NaN

用户定义的函数

DataFrame.agg()和DataFrame.transform()应用用户定义的函数，分别减少或广播其结果。

In [66]: df.agg(lambda x: np.mean(x) * 5.6)
Out[66]: 
A    -0.025054
B    -2.150294
C    -3.851445
D    28.000000
F    16.800000
dtype: float64

In [67]: df.transform(lambda x: x * 101.2)
Out[67]: 
 A           B           C      D      F
2013-01-01    0.000000    0.000000 -152.716721  506.0    NaN
2013-01-02  122.665737  -17.529322   12.063922  506.0  101.2
2013-01-03  -87.219115 -212.982405  -50.086843  506.0  202.4
2013-01-04   73.021382  -71.525239 -105.204988  506.0  303.6
2013-01-05  -43.007200   57.382459   27.954680  506.0  404.8
2013-01-06  -68.177398   11.501219 -149.616767  506.0  506.0

值计数

查看更多内容，请参阅直方图和离散化。

In [68]: s = pd.Series(np.random.randint(0, 7, size=10))

In [69]: s
Out[69]: 
0    4
1    2
2    1
3    2
4    6
5    4
6    4
7    6
8    4
9    4
dtype: int64

In [70]: s.value_counts()
Out[70]: 
4    5
2    2
6    2
1    1
Name: count, dtype: int64

字符串方法

Series配备了一组字符串处理方法，位于str属性中，使得在数组的每个元素上操作变得容易，如下面的代码片段所示。查看更多内容，请参阅矢量化字符串方法。

In [71]: s = pd.Series(["A", "B", "C", "Aaba", "Baca", np.nan, "CABA", "dog", "cat"])

In [72]: s.str.lower()
Out[72]: 
0       a
1       b
2       c
3    aaba
4    baca
5     NaN
6    caba
7     dog
8     cat
dtype: object

统计

通常情况下，操作排除缺失数据。

计算每列的平均值：

In [61]: df.mean()
Out[61]: 
A   -0.004474
B   -0.383981
C   -0.687758
D    5.000000
F    3.000000
dtype: float64

计算每行的平均值：

In [62]: df.mean(axis=1)
Out[62]: 
2013-01-01    0.872735
2013-01-02    1.431621
2013-01-03    0.707731
2013-01-04    1.395042
2013-01-05    1.883656
2013-01-06    1.592306
Freq: D, dtype: float64

与具有不同索引或列的另一个Series或DataFrame进行操作将使结果与索引或列标签的并集对齐。此外，pandas 会沿指定维度自动广播，并用np.nan填充未对齐的标签。

In [63]: s = pd.Series([1, 3, 5, np.nan, 6, 8], index=dates).shift(2)

In [64]: s
Out[64]: 
2013-01-01    NaN
2013-01-02    NaN
2013-01-03    1.0
2013-01-04    3.0
2013-01-05    5.0
2013-01-06    NaN
Freq: D, dtype: float64

In [65]: df.sub(s, axis="index")
Out[65]: 
 A         B         C    D    F
2013-01-01       NaN       NaN       NaN  NaN  NaN
2013-01-02       NaN       NaN       NaN  NaN  NaN
2013-01-03 -1.861849 -3.104569 -1.494929  4.0  1.0
2013-01-04 -2.278445 -3.706771 -4.039575  2.0  0.0
2013-01-05 -5.424972 -4.432980 -4.723768  0.0 -1.0
2013-01-06       NaN       NaN       NaN  NaN  NaN

用户定义的函数

DataFrame.agg()和DataFrame.transform()应用用户定义的函数，分别减少或广播其结果。

In [66]: df.agg(lambda x: np.mean(x) * 5.6)
Out[66]: 
A    -0.025054
B    -2.150294
C    -3.851445
D    28.000000
F    16.800000
dtype: float64

In [67]: df.transform(lambda x: x * 101.2)
Out[67]: 
 A           B           C      D      F
2013-01-01    0.000000    0.000000 -152.716721  506.0    NaN
2013-01-02  122.665737  -17.529322   12.063922  506.0  101.2
2013-01-03  -87.219115 -212.982405  -50.086843  506.0  202.4
2013-01-04   73.021382  -71.525239 -105.204988  506.0  303.6
2013-01-05  -43.007200   57.382459   27.954680  506.0  404.8
2013-01-06  -68.177398   11.501219 -149.616767  506.0  506.0

值计数

查看更多内容，请参阅直方图和离散化。

In [68]: s = pd.Series(np.random.randint(0, 7, size=10))

In [69]: s
Out[69]: 
0    4
1    2
2    1
3    2
4    6
5    4
6    4
7    6
8    4
9    4
dtype: int64

In [70]: s.value_counts()
Out[70]: 
4    5
2    2
6    2
1    1
Name: count, dtype: int64

字符串方法

Series配备了一组字符串处理方法，位于str属性中，使得在数组的每个元素上操作变得容易，如下面的代码片段所示。查看更多内容，请参阅矢量化字符串方法。

In [71]: s = pd.Series(["A", "B", "C", "Aaba", "Baca", np.nan, "CABA", "dog", "cat"])

In [72]: s.str.lower()
Out[72]: 
0       a
1       b
2       c
3    aaba
4    baca
5     NaN
6    caba
7     dog
8     cat
dtype: object

合并

连接

pandas 提供了各种便捷的功能，用于轻松组合不同种类的Series和DataFrame对象，针对索引的各种集合逻辑以及关系代数功能在连接/合并类型操作的情况下。

请参见合并部分。

使用concat()将 pandas 对象沿行连接在一起：

In [73]: df = pd.DataFrame(np.random.randn(10, 4))

In [74]: df
Out[74]: 
 0         1         2         3
0 -0.548702  1.467327 -1.015962 -0.483075
1  1.637550 -1.217659 -0.291519 -1.745505
2 -0.263952  0.991460 -0.919069  0.266046
3 -0.709661  1.669052  1.037882 -1.705775
4 -0.919854 -0.042379  1.247642 -0.009920
5  0.290213  0.495767  0.362949  1.548106
6 -1.131345 -0.089329  0.337863 -0.945867
7 -0.932132  1.956030  0.017587 -0.016692
8 -0.575247  0.254161 -1.143704  0.215897
9  1.193555 -0.077118 -0.408530 -0.862495

# break it into pieces
In [75]: pieces = [df[:3], df[3:7], df[7:]]

In [76]: pd.concat(pieces)
Out[76]: 
 0         1         2         3
0 -0.548702  1.467327 -1.015962 -0.483075
1  1.637550 -1.217659 -0.291519 -1.745505
2 -0.263952  0.991460 -0.919069  0.266046
3 -0.709661  1.669052  1.037882 -1.705775
4 -0.919854 -0.042379  1.247642 -0.009920
5  0.290213  0.495767  0.362949  1.548106
6 -1.131345 -0.089329  0.337863 -0.945867
7 -0.932132  1.956030  0.017587 -0.016692
8 -0.575247  0.254161 -1.143704  0.215897
9  1.193555 -0.077118 -0.408530 -0.862495

注意

向DataFrame添加列相对较快。但是，添加行需要复制，可能会很昂贵。我们建议将预先构建的记录列表传递给DataFrame构造函数，而不是通过迭代附加记录来构建DataFrame。

合并

merge()允许在特定列上进行 SQL 风格的连接类型。请参见数据库风格的连接部分。

In [77]: left = pd.DataFrame({"key": ["foo", "foo"], "lval": [1, 2]})

In [78]: right = pd.DataFrame({"key": ["foo", "foo"], "rval": [4, 5]})

In [79]: left
Out[79]: 
 key  lval
0  foo     1
1  foo     2

In [80]: right
Out[80]: 
 key  rval
0  foo     4
1  foo     5

In [81]: pd.merge(left, right, on="key")
Out[81]: 
 key  lval  rval
0  foo     1     4
1  foo     1     5
2  foo     2     4
3  foo     2     5

在唯一键上使用merge()：

In [82]: left = pd.DataFrame({"key": ["foo", "bar"], "lval": [1, 2]})

In [83]: right = pd.DataFrame({"key": ["foo", "bar"], "rval": [4, 5]})

In [84]: left
Out[84]: 
 key  lval
0  foo     1
1  bar     2

In [85]: right
Out[85]: 
 key  rval
0  foo     4
1  bar     5

In [86]: pd.merge(left, right, on="key")
Out[86]: 
 key  lval  rval
0  foo     1     4
1  bar     2     5

连接

pandas 提供了各种便利设施，可以轻松地将Series和DataFrame对象组合在一起，对索引进行各种集合逻辑操作，并在联接/合并类型操作中提供关系代数功能。

请参见合并部分。

使用concat()将 pandas 对象沿行连接在一起：

In [73]: df = pd.DataFrame(np.random.randn(10, 4))

In [74]: df
Out[74]: 
 0         1         2         3
0 -0.548702  1.467327 -1.015962 -0.483075
1  1.637550 -1.217659 -0.291519 -1.745505
2 -0.263952  0.991460 -0.919069  0.266046
3 -0.709661  1.669052  1.037882 -1.705775
4 -0.919854 -0.042379  1.247642 -0.009920
5  0.290213  0.495767  0.362949  1.548106
6 -1.131345 -0.089329  0.337863 -0.945867
7 -0.932132  1.956030  0.017587 -0.016692
8 -0.575247  0.254161 -1.143704  0.215897
9  1.193555 -0.077118 -0.408530 -0.862495

# break it into pieces
In [75]: pieces = [df[:3], df[3:7], df[7:]]

In [76]: pd.concat(pieces)
Out[76]: 
 0         1         2         3
0 -0.548702  1.467327 -1.015962 -0.483075
1  1.637550 -1.217659 -0.291519 -1.745505
2 -0.263952  0.991460 -0.919069  0.266046
3 -0.709661  1.669052  1.037882 -1.705775
4 -0.919854 -0.042379  1.247642 -0.009920
5  0.290213  0.495767  0.362949  1.548106
6 -1.131345 -0.089329  0.337863 -0.945867
7 -0.932132  1.956030  0.017587 -0.016692
8 -0.575247  0.254161 -1.143704  0.215897
9  1.193555 -0.077118 -0.408530 -0.862495

注意

向DataFrame添加列相对较快。但是，添加行需要复制，可能会很昂贵。我们建议将预先构建的记录列表传递给DataFrame构造函数，而不是通过迭代附加记录来构建DataFrame。

合并

merge()允许在特定列上进行 SQL 风格的连接类型。请参见数据库风格的连接部分。

In [77]: left = pd.DataFrame({"key": ["foo", "foo"], "lval": [1, 2]})

In [78]: right = pd.DataFrame({"key": ["foo", "foo"], "rval": [4, 5]})

In [79]: left
Out[79]: 
 key  lval
0  foo     1
1  foo     2

In [80]: right
Out[80]: 
 key  rval
0  foo     4
1  foo     5

In [81]: pd.merge(left, right, on="key")
Out[81]: 
 key  lval  rval
0  foo     1     4
1  foo     1     5
2  foo     2     4
3  foo     2     5

在唯一键上使用merge()：

In [82]: left = pd.DataFrame({"key": ["foo", "bar"], "lval": [1, 2]})

In [83]: right = pd.DataFrame({"key": ["foo", "bar"], "rval": [4, 5]})

In [84]: left
Out[84]: 
 key  lval
0  foo     1
1  bar     2

In [85]: right
Out[85]: 
 key  rval
0  foo     4
1  bar     5

In [86]: pd.merge(left, right, on="key")
Out[86]: 
 key  lval  rval
0  foo     1     4
1  bar     2     5

分组

通过“分组”我们指的是涉及以下一个或多个步骤的过程：

  • 根据某些标准将数据分组

  • 对每个组独立应用函数

  • 将结果组合成数据结构

请参见分组部分。

In [87]: df = pd.DataFrame(
 ....:    {
 ....:        "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"],
 ....:        "B": ["one", "one", "two", "three", "two", "two", "one", "three"],
 ....:        "C": np.random.randn(8),
 ....:        "D": np.random.randn(8),
 ....:    }
 ....: )
 ....: 

In [88]: df
Out[88]: 
 A      B         C         D
0  foo    one  1.346061 -1.577585
1  bar    one  1.511763  0.396823
2  foo    two  1.627081 -0.105381
3  bar  three -0.990582 -0.532532
4  foo    two -0.441652  1.453749
5  bar    two  1.211526  1.208843
6  foo    one  0.268520 -0.080952
7  foo  three  0.024580 -0.264610

按列标签分组，选择列标签，然后对结果组应用DataFrameGroupBy.sum()函数：

In [89]: df.groupby("A")[["C", "D"]].sum()
Out[89]: 
 C         D
A 
bar  1.732707  1.073134
foo  2.824590 -0.574779

按多列标签分组形成 MultiIndex。

In [90]: df.groupby(["A", "B"]).sum()
Out[90]: 
 C         D
A   B 
bar one    1.511763  0.396823
 three -0.990582 -0.532532
 two    1.211526  1.208843
foo one    1.614581 -1.658537
 three  0.024580 -0.264610
 two    1.185429  1.348368

重塑

参见 层次化索引 和 重塑 部分。

堆叠

In [91]: arrays = [
 ....:   ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
 ....:   ["one", "two", "one", "two", "one", "two", "one", "two"],
 ....: ]
 ....: 

In [92]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])

In [93]: df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=["A", "B"])

In [94]: df2 = df[:4]

In [95]: df2
Out[95]: 
 A         B
first second 
bar   one    -0.727965 -0.589346
 two     0.339969 -0.693205
baz   one    -0.339355  0.593616
 two     0.884345  1.591431

stack() 方法在 DataFrame 的列中“压缩”一个级别：

In [96]: stacked = df2.stack(future_stack=True)

In [97]: stacked
Out[97]: 
first  second 
bar    one     A   -0.727965
 B   -0.589346
 two     A    0.339969
 B   -0.693205
baz    one     A   -0.339355
 B    0.593616
 two     A    0.884345
 B    1.591431
dtype: float64

对于“堆叠”的 DataFrame 或 Series（将 MultiIndex 作为 index），stack() 的逆操作是 unstack()，默认情况下会展开最后一个级别：

In [98]: stacked.unstack()
Out[98]: 
 A         B
first second 
bar   one    -0.727965 -0.589346
 two     0.339969 -0.693205
baz   one    -0.339355  0.593616
 two     0.884345  1.591431

In [99]: stacked.unstack(1)
Out[99]: 
second        one       two
first 
bar   A -0.727965  0.339969
 B -0.589346 -0.693205
baz   A -0.339355  0.884345
 B  0.593616  1.591431

In [100]: stacked.unstack(0)
Out[100]: 
first          bar       baz
second 
one    A -0.727965 -0.339355
 B -0.589346  0.593616
two    A  0.339969  0.884345
 B -0.693205  1.591431

透视表

参见 透视表 部分。

In [101]: df = pd.DataFrame(
 .....:    {
 .....:        "A": ["one", "one", "two", "three"] * 3,
 .....:        "B": ["A", "B", "C"] * 4,
 .....:        "C": ["foo", "foo", "foo", "bar", "bar", "bar"] * 2,
 .....:        "D": np.random.randn(12),
 .....:        "E": np.random.randn(12),
 .....:    }
 .....: )
 .....: 

In [102]: df
Out[102]: 
 A  B    C         D         E
0     one  A  foo -1.202872  0.047609
1     one  B  foo -1.814470 -0.136473
2     two  C  foo  1.018601 -0.561757
3   three  A  bar -0.595447 -1.623033
4     one  B  bar  1.395433  0.029399
5     one  C  bar -0.392670 -0.542108
6     two  A  foo  0.007207  0.282696
7   three  B  foo  1.928123 -0.087302
8     one  C  foo -0.055224 -1.575170
9     one  A  bar  2.395985  1.771208
10    two  B  bar  1.552825  0.816482
11  three  C  bar  0.166599  1.100230

pivot_table() 通过指定 values、index 和 columns 来对 DataFrame 进行数据透视。

In [103]: pd.pivot_table(df, values="D", index=["A", "B"], columns=["C"])
Out[103]: 
C             bar       foo
A     B 
one   A  2.395985 -1.202872
 B  1.395433 -1.814470
 C -0.392670 -0.055224
three A -0.595447       NaN
 B       NaN  1.928123
 C  0.166599       NaN
two   A       NaN  0.007207
 B  1.552825       NaN
 C       NaN  1.018601

堆叠

In [91]: arrays = [
 ....:   ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
 ....:   ["one", "two", "one", "two", "one", "two", "one", "two"],
 ....: ]
 ....: 

In [92]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])

In [93]: df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=["A", "B"])

In [94]: df2 = df[:4]

In [95]: df2
Out[95]: 
 A         B
first second 
bar   one    -0.727965 -0.589346
 two     0.339969 -0.693205
baz   one    -0.339355  0.593616
 two     0.884345  1.591431

stack() 方法在 DataFrame 的列中“压缩”一个级别：

In [96]: stacked = df2.stack(future_stack=True)

In [97]: stacked
Out[97]: 
first  second 
bar    one     A   -0.727965
 B   -0.589346
 two     A    0.339969
 B   -0.693205
baz    one     A   -0.339355
 B    0.593616
 two     A    0.884345
 B    1.591431
dtype: float64

对于“堆叠”的 DataFrame 或 Series（将 MultiIndex 作为 index），stack() 的逆操作是 unstack()，默认情况下会展开最后一个级别：

In [98]: stacked.unstack()
Out[98]: 
 A         B
first second 
bar   one    -0.727965 -0.589346
 two     0.339969 -0.693205
baz   one    -0.339355  0.593616
 two     0.884345  1.591431

In [99]: stacked.unstack(1)
Out[99]: 
second        one       two
first 
bar   A -0.727965  0.339969
 B -0.589346 -0.693205
baz   A -0.339355  0.884345
 B  0.593616  1.591431

In [100]: stacked.unstack(0)
Out[100]: 
first          bar       baz
second 
one    A -0.727965 -0.339355
 B -0.589346  0.593616
two    A  0.339969  0.884345
 B -0.693205  1.591431

透视表

参见 透视表 部分。

In [101]: df = pd.DataFrame(
 .....:    {
 .....:        "A": ["one", "one", "two", "three"] * 3,
 .....:        "B": ["A", "B", "C"] * 4,
 .....:        "C": ["foo", "foo", "foo", "bar", "bar", "bar"] * 2,
 .....:        "D": np.random.randn(12),
 .....:        "E": np.random.randn(12),
 .....:    }
 .....: )
 .....: 

In [102]: df
Out[102]: 
 A  B    C         D         E
0     one  A  foo -1.202872  0.047609
1     one  B  foo -1.814470 -0.136473
2     two  C  foo  1.018601 -0.561757
3   three  A  bar -0.595447 -1.623033
4     one  B  bar  1.395433  0.029399
5     one  C  bar -0.392670 -0.542108
6     two  A  foo  0.007207  0.282696
7   three  B  foo  1.928123 -0.087302
8     one  C  foo -0.055224 -1.575170
9     one  A  bar  2.395985  1.771208
10    two  B  bar  1.552825  0.816482
11  three  C  bar  0.166599  1.100230

pivot_table() 通过指定 values、index 和 columns 来对 DataFrame 进行数据透视。

In [103]: pd.pivot_table(df, values="D", index=["A", "B"], columns=["C"])
Out[103]: 
C             bar       foo
A     B 
one   A  2.395985 -1.202872
 B  1.395433 -1.814470
 C -0.392670 -0.055224
three A -0.595447       NaN
 B       NaN  1.928123
 C  0.166599       NaN
two   A       NaN  0.007207
 B  1.552825       NaN
 C       NaN  1.018601

时间序列

pandas 在执行频���转换期间执行重新采样操作的功能简单、强大且高效（例如，将秒级数据转换为 5 分钟数据）。这在金融应用中非常常见，但不限于此。请参见 时间序列部分。

In [104]: rng = pd.date_range("1/1/2012", periods=100, freq="s")

In [105]: ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)

In [106]: ts.resample("5Min").sum()
Out[106]: 
2012-01-01    24182
Freq: 5min, dtype: int64

Series.tz_localize() 将时间序列本地化到一个时区：

In [107]: rng = pd.date_range("3/6/2012 00:00", periods=5, freq="D")

In [108]: ts = pd.Series(np.random.randn(len(rng)), rng)

In [109]: ts
Out[109]: 
2012-03-06    1.857704
2012-03-07   -1.193545
2012-03-08    0.677510
2012-03-09   -0.153931
2012-03-10    0.520091
Freq: D, dtype: float64

In [110]: ts_utc = ts.tz_localize("UTC")

In [111]: ts_utc
Out[111]: 
2012-03-06 00:00:00+00:00    1.857704
2012-03-07 00:00:00+00:00   -1.193545
2012-03-08 00:00:00+00:00    0.677510
2012-03-09 00:00:00+00:00   -0.153931
2012-03-10 00:00:00+00:00    0.520091
Freq: D, dtype: float64

Series.tz_convert() 将一个带有时区信息的时间序列转换到另一个时区：

In [112]: ts_utc.tz_convert("US/Eastern")
Out[112]: 
2012-03-05 19:00:00-05:00    1.857704
2012-03-06 19:00:00-05:00   -1.193545
2012-03-07 19:00:00-05:00    0.677510
2012-03-08 19:00:00-05:00   -0.153931
2012-03-09 19:00:00-05:00    0.520091
Freq: D, dtype: float64

向时间序列添加非固定持续时间(BusinessDay)：

In [113]: rng
Out[113]: 
DatetimeIndex(['2012-03-06', '2012-03-07', '2012-03-08', '2012-03-09',
 '2012-03-10'],
 dtype='datetime64[ns]', freq='D')

In [114]: rng + pd.offsets.BusinessDay(5)
Out[114]: 
DatetimeIndex(['2012-03-13', '2012-03-14', '2012-03-15', '2012-03-16',
 '2012-03-16'],
 dtype='datetime64[ns]', freq=None)

分类数据

pandas 可以在DataFrame中包含分类数据。有关完整文档，请参阅分类介绍和 API 文档。

In [115]: df = pd.DataFrame(
 .....:    {"id": [1, 2, 3, 4, 5, 6], "raw_grade": ["a", "b", "b", "a", "a", "e"]}
 .....: )
 .....:

将原始成绩转换为分类数���类型：

In [116]: df["grade"] = df["raw_grade"].astype("category")

In [117]: df["grade"]
Out[117]: 
0    a
1    b
2    b
3    a
4    a
5    e
Name: grade, dtype: category
Categories (3, object): ['a', 'b', 'e']

将类别重命名为更有意义的名称：

In [118]: new_categories = ["very good", "good", "very bad"]

In [119]: df["grade"] = df["grade"].cat.rename_categories(new_categories)

重新排序类别并同时添加缺失的类别（Series.cat()下的方法默认返回一个新的Series）：

In [120]: df["grade"] = df["grade"].cat.set_categories(
 .....:    ["very bad", "bad", "medium", "good", "very good"]
 .....: )
 .....: 

In [121]: df["grade"]
Out[121]: 
0    very good
1         good
2         good
3    very good
4    very good
5     very bad
Name: grade, dtype: category
Categories (5, object): ['very bad', 'bad', 'medium', 'good', 'very good']

排序是按类别中的顺序，而不是按字典顺序：

In [122]: df.sort_values(by="grade")
Out[122]: 
 id raw_grade      grade
5   6         e   very bad
1   2         b       good
2   3         b       good
0   1         a  very good
3   4         a  very good
4   5         a  very good

使用observed=False按分类列分组也会显示空类别：

In [123]: df.groupby("grade", observed=False).size()
Out[123]: 
grade
very bad     1
bad          0
medium       0
good         2
very good    3
dtype: int64

绘图

查看绘图文档。

我们使用标准约定来引用 matplotlib API：

In [124]: import matplotlib.pyplot as plt

In [125]: plt.close("all")

使用plt.close方法来关闭一个图形窗口：

In [126]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000))

In [127]: ts = ts.cumsum()

In [128]: ts.plot();

../_images/series_plot_basic.png

注意

在使用 Jupyter 时，图形将会使用plot()显示。否则使用matplotlib.pyplot.show来显示，或者使用matplotlib.pyplot.savefig将其写入文件。

plot()绘制所有列：

In [129]: df = pd.DataFrame(
 .....:    np.random.randn(1000, 4), index=ts.index, columns=["A", "B", "C", "D"]
 .....: )
 .....: 

In [130]: df = df.cumsum()

In [131]: plt.figure();

In [132]: df.plot();

In [133]: plt.legend(loc='best');

../_images/frame_plot_basic.png

导入和导出数据

查看 IO 工具部分。

CSV

写入到 csv 文件：使用DataFrame.to_csv()

In [134]: df = pd.DataFrame(np.random.randint(0, 5, (10, 5)))

In [135]: df.to_csv("foo.csv")

从 csv 文件中读取：使用read_csv()

In [136]: pd.read_csv("foo.csv")
Out[136]: 
 Unnamed: 0  0  1  2  3  4
0           0  4  3  1  1  2
1           1  1  0  2  3  2
2           2  1  4  2  1  2
3           3  0  4  0  2  2
4           4  4  2  2  3  4
5           5  4  0  4  3  1
6           6  2  1  2  0  3
7           7  4  0  4  4  4
8           8  4  4  1  0  1
9           9  0  4  3  0  3

Parquet

写入 Parquet 文件：

In [137]: df.to_parquet("foo.parquet")

从 Parquet 文件存储中使用read_parquet()读取：

In [138]: pd.read_parquet("foo.parquet")
Out[138]: 
 0  1  2  3  4
0  4  3  1  1  2
1  1  0  2  3  2
2  1  4  2  1  2
3  0  4  0  2  2
4  4  2  2  3  4
5  4  0  4  3  1
6  2  1  2  0  3
7  4  0  4  4  4
8  4  4  1  0  1
9  0  4  3  0  3

Excel

读取和写入到 Excel。

使用DataFrame.to_excel()写入到 Excel 文件：

In [139]: df.to_excel("foo.xlsx", sheet_name="Sheet1")

使用read_excel()从 Excel 文件中读取：

In [140]: pd.read_excel("foo.xlsx", "Sheet1", index_col=None, na_values=["NA"])
Out[140]: 
 Unnamed: 0  0  1  2  3  4
0           0  4  3  1  1  2
1           1  1  0  2  3  2
2           2  1  4  2  1  2
3           3  0  4  0  2  2
4           4  4  2  2  3  4
5           5  4  0  4  3  1
6           6  2  1  2  0  3
7           7  4  0  4  4  4
8           8  4  4  1  0  1
9           9  0  4  3  0  3

CSV

使用DataFrame.to_csv()将数据写入 csv 文件：

In [134]: df = pd.DataFrame(np.random.randint(0, 5, (10, 5)))

In [135]: df.to_csv("foo.csv")

从 csv 文件中读取数据：使用read_csv()

In [136]: pd.read_csv("foo.csv")
Out[136]: 
 Unnamed: 0  0  1  2  3  4
0           0  4  3  1  1  2
1           1  1  0  2  3  2
2           2  1  4  2  1  2
3           3  0  4  0  2  2
4           4  4  2  2  3  4
5           5  4  0  4  3  1
6           6  2  1  2  0  3
7           7  4  0  4  4  4
8           8  4  4  1  0  1
9           9  0  4  3  0  3

Parquet

写入 Parquet 文件：

In [137]: df.to_parquet("foo.parquet")

使用read_parquet()从 Parquet 文件中读取数据：

In [138]: pd.read_parquet("foo.parquet")
Out[138]: 
 0  1  2  3  4
0  4  3  1  1  2
1  1  0  2  3  2
2  1  4  2  1  2
3  0  4  0  2  2
4  4  2  2  3  4
5  4  0  4  3  1
6  2  1  2  0  3
7  4  0  4  4  4
8  4  4  1  0  1
9  0  4  3  0  3

Excel

读取和写入 Excel 文件。

使用DataFrame.to_excel()将数据写入 Excel 文件：

In [139]: df.to_excel("foo.xlsx", sheet_name="Sheet1")

使用read_excel()从 Excel 文件中读取数据：

In [140]: pd.read_excel("foo.xlsx", "Sheet1", index_col=None, na_values=["NA"])
Out[140]: 
 Unnamed: 0  0  1  2  3  4
0           0  4  3  1  1  2
1           1  1  0  2  3  2
2           2  1  4  2  1  2
3           3  0  4  0  2  2
4           4  4  2  2  3  4
5           5  4  0  4  3  1
6           6  2  1  2  0  3
7           7  4  0  4  4  4
8           8  4  4  1  0  1
9           9  0  4  3  0  3

注意事项

如果你尝试在Series或DataFrame上执行布尔运算，可能会看到异常信息：

In [141]: if pd.Series([False, True, False]):
 .....:     print("I was true")
 .....: 
---------------------------------------------------------------------------
ValueError  Traceback (most recent call last)
<ipython-input-141-b27eb9c1dfc0> in ?()
----> 1 if pd.Series([False, True, False]):
  2      print("I was true")

~/work/pandas/pandas/pandas/core/generic.py in ?(self)
  1575     @final
  1576     def __nonzero__(self) -> NoReturn:
-> 1577         raise ValueError(
  1578             f"The truth value of a {type(self).__name__} is ambiguous. "
  1579             "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
  1580         )

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

查看比较和注意事项以获取解释和应对方法。

标签：教程,01,df,DataFrame,2.2,foo,Pandas,2013,Out
From： https://www.cnblogs.com/apachecn/p/18154741

相关文章

  • Pandas 2.2 中文官方教程和指南（三）
    原文：pandas.pydata.org/docs/如何操作文本数据原文：pandas.pydata.org/docs/getting_started/intro_tutorials/10_text_data.html将所有名称字符改为小写。In[4]:titanic["Name"].str.lower()Out[4]:0braund,mr.owenharris1......
  • Pandas 2.2 中文官方教程和指南（十八）
    原文：pandas.pydata.org/docs/可空整数数据类型原文：pandas.pydata.org/docs/user_guide/integer_na.html注意IntegerArray目前处于实验阶段。其API或实现可能会在没有警告的情况下发生变化。使用pandas.NA作为缺失值。在处理缺失数据中，我们看到pandas主要使用NaN来表......
  • Pandas 2.2 中文官方教程和指南（二十四）
    原文：pandas.pydata.org/docs/扩展到大型数据集原文：pandas.pydata.org/docs/user_guide/scale.htmlpandas提供了用于内存分析的数据结构，这使得使用pandas分析大于内存数据集的数据集有些棘手。即使是占用相当大内存的数据集也变得难以处理，因为一些pandas操作需要进行中......
  • Pandas 2.2 中文官方教程和指南（二十三）
    原文：pandas.pydata.org/docs/提高性能原文：pandas.pydata.org/docs/user_guide/enhancingperf.html在本教程的这一部分中，我们将研究如何加速在pandas的DataFrame上操作的某些函数，使用Cython、Numba和pandas.eval()。通常，使用Cython和Numba可以比使用pandas.eval()提......
  • Pandas 2.2 中文官方教程和指南（二）
    原文：pandas.pydata.org/docs/如何在pandas中创建图表？原文：pandas.pydata.org/docs/getting_started/intro_tutorials/04_plotting.htmlIn[1]:importpandasaspdIn[2]:importmatplotlib.pyplotasplt本教程使用的数据：空气质量数据本教程使用关于(NO_2)的......
  • Pandas 2.2 中文官方教程和指南（二十）
    原文：pandas.pydata.org/docs/按组分组：分割-应用-合并原文：pandas.pydata.org/docs/user_guide/groupby.html通过“按组”我们指的是涉及以下一个或多个步骤的过程：根据某些标准将数据分成组。应用一个函数到每个组独立地。合并结果到数据结构中。在这些中，分割步......
  • Pandas 2.2 中文官方教程和指南（二十二）
    原文：pandas.pydata.org/docs/时间增量原文：pandas.pydata.org/docs/user_guide/timedeltas.html时间增量是时间之间的差异，以不同的单位表示，例如天、小时、分钟、秒。它们可以是正数也可以是负数。Timedelta是datetime.timedelta的子类，并且行为类似，但也允许与np.timedelta64......
  • Java 断言 Assert 使用教程与最佳实践
    本文收录于Github.com/niumoo/JavaNotes，Java系列文档，数据结构与算法！本文收录于网站：https://www.wdbyte.com/，我的公众号：程序猿阿朗作为一个Java开发者，如果要问你Java中有哪些关键字，你可能会随口说出一串，如果问你Java有哪些最不常使用的关键字，或许你还能说出几个。但是......
  • windows server 2012 standard搭建onlyoffice服务所用软件和安装教程（亲测有效）
    链接内容：postgresql请使用12版本的，否则会报错！百度链接：https://pan.baidu.com/s/14PZJsjH-kqvKNZHjyBCWcA提取码：89zb效果：excel(xls)word(doc)......
  • [987] geopandas.sjoin
    geopandas.sjoin:SpatialjoinoftwoGeoDataFrames.geopandas.sjoin(left_df, right_df, how='inner', predicate='intersects', lsuffix='left', rsuffix='right', **kwargs)Parameters:left_df,right_df:GeoDataFram......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99