本来打算学习pandas模块，并写一个博客记录一下自己的学习，但是不知道怎么了，最近好像有点急功近利，就想把别人的东西复制过来，当心沉下来，自己自觉地将原本写满的pandas学习笔记删除了，这次打算写上自己的学习记录，这里送给自己一句话，同时送给看这篇博客的人，共勉

　　当你迷茫的时候，当你饱受煎熬的时候，请停下来，想想自己学习的初衷，想想自己写博客的初衷，爱你所爱，行你所行，听从你心，无问西东。

 

　　好了，正文开始。

　　pandas是做数据分析非常重要的一个模块，它使得数据分析的工作变得更快更简单。由于现实世界中数据源的格式非常多，但是pandas也支持了不同数据格式的导入方法，所以学习pandas非常有必要。

　　本文首先记录一下自己学习read_csv的笔记，当然了自己需要用什么，就学习什么，而不是记录人家read_csv的所有方法，要是想看所有的方法详解可以去官网，要想学习Pandas建议先看下面2个网站。

　　官网地址如下：

　　官网教程如下（十分钟搞定pandas）：

　　NAN （数值数据类型的一类数），全称Not a Number ，表示未定义或者不可表示的值。

一：read_csv方法

1，准备CSV文件

Train_A_001.csv文件内容如下：

0.916,4.37,-1.372,0.102,0.041,0.069,0.0180.892,3.955,-1.277,0.015,-0.099,-0.066,0.0180.908,3.334,-1.193,0.033,-0.098,-0.059,0.0181.013,3.022,-1.082,0.151,0.015,0.035,0.0181.111,2.97,-1.103,-0.048,-0.175,-0.171,0.0191.302,3.043,-1.089,0.011,-0.085,-0.097,0.0181.552,3.017,-1.052,0.066,-0.002,-0.036,0.0191.832,2.796,-0.933,0.002,-0.028,-0.075,0.0192.127,2.521,-0.749,0.011,0.041,-0.022,0.0192.354,2.311,-0.623,-0.038,0.012,-0.056,0.0192.537,2.024,-0.452,0.039,0.089,0.031,0.0192.639,1.669,-0.277,-0.005,0.036,-0.008,0.0192.707,1.314,-0.214,0.013,0.031,-0.005,0.0192.81,0.926,-0.142,0.062,0.046,0.031,0.019

2，直接读取文件内容

　　read_csv读取的数据类型为Dataframe，通过obj.dtypes可以查看每列的数据类型

　　首先说一下，我这段csv文件是没有列索引的，那么我的读取代码如下可以读取到什么呢？

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename)print(data)

　　结果如下;

0.916   4.37  -1.372  0.102  0.041  0.069  0.0180   0.892  3.955  -1.277  0.015 -0.099 -0.066  0.0181   0.908  3.334  -1.193  0.033 -0.098 -0.059  0.0182   1.013  3.022  -1.082  0.151  0.015  0.035  0.0183   1.111  2.970  -1.103 -0.048 -0.175 -0.171  0.0194   1.302  3.043  -1.089  0.011 -0.085 -0.097  0.0185   1.552  3.017  -1.052  0.066 -0.002 -0.036  0.0196   1.832  2.796  -0.933  0.002 -0.028 -0.075  0.0197   2.127  2.521  -0.749  0.011  0.041 -0.022  0.0198   2.354  2.311  -0.623 -0.038  0.012 -0.056  0.0199   2.537  2.024  -0.452  0.039  0.089  0.031  0.01910  2.639  1.669  -0.277 -0.005  0.036 -0.008  0.01911  2.707  1.314  -0.214  0.013  0.031 -0.005  0.01912  2.810  0.926  -0.142  0.062  0.046  0.031  0.019

　　　　大家可以发现，它默认你有列索引，并且把第一行的数据当做列索引，并且从第二行开始设置了行索引，所以说列索引的设置非常重要，起码在这里看来是这样的，那么如何设置呢，下面就具体分析一下。

3，列索引  header=？的含义

　　当加上header=None的时候，表明原始文件没有列索引，这样的话会默认自动加上，除非你给定名称。结果如下：

0      1      2      3      4      5      60   0.916  4.370 -1.372  0.102  0.041  0.069  0.0181   0.892  3.955 -1.277  0.015 -0.099 -0.066  0.0182   0.908  3.334 -1.193  0.033 -0.098 -0.059  0.0183   1.013  3.022 -1.082  0.151  0.015  0.035  0.0184   1.111  2.970 -1.103 -0.048 -0.175 -0.171  0.0195   1.302  3.043 -1.089  0.011 -0.085 -0.097  0.0186   1.552  3.017 -1.052  0.066 -0.002 -0.036  0.0197   1.832  2.796 -0.933  0.002 -0.028 -0.075  0.0198   2.127  2.521 -0.749  0.011  0.041 -0.022  0.0199   2.354  2.311 -0.623 -0.038  0.012 -0.056  0.01910  2.537  2.024 -0.452  0.039  0.089  0.031  0.01911  2.639  1.669 -0.277 -0.005  0.036 -0.008  0.01912  2.707  1.314 -0.214  0.013  0.031 -0.005  0.01913  2.810  0.926 -0.142  0.062  0.046  0.031  0.019

　　

　　当加上header=0的时候，表明原始文件的第0行为列索引。结果如下：

0.916   4.37  -1.372  0.102  0.041  0.069  0.0180   0.892  3.955  -1.277  0.015 -0.099 -0.066  0.0181   0.908  3.334  -1.193  0.033 -0.098 -0.059  0.0182   1.013  3.022  -1.082  0.151  0.015  0.035  0.0183   1.111  2.970  -1.103 -0.048 -0.175 -0.171  0.0194   1.302  3.043  -1.089  0.011 -0.085 -0.097  0.0185   1.552  3.017  -1.052  0.066 -0.002 -0.036  0.0196   1.832  2.796  -0.933  0.002 -0.028 -0.075  0.0197   2.127  2.521  -0.749  0.011  0.041 -0.022  0.0198   2.354  2.311  -0.623 -0.038  0.012 -0.056  0.0199   2.537  2.024  -0.452  0.039  0.089  0.031  0.01910  2.639  1.669  -0.277 -0.005  0.036 -0.008  0.01911  2.707  1.314  -0.214  0.013  0.031 -0.005  0.01912  2.810  0.926  -0.142  0.062  0.046  0.031  0.019

　　　从这段代码我们可以发现，少了一行，所以第一行的代码也被默认为列索引。

　　当没有列索引的时候，我们也可以自己指定索引名称，方便自己记录，代码如下：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename,header=None,names=('a','b','c','d','e','f','g'))print(data)

　　通过上述代码，我们可以指定列索引为a~f，结果如下：

a      b      c      d      e      f      g0   0.916  4.370 -1.372  0.102  0.041  0.069  0.0181   0.892  3.955 -1.277  0.015 -0.099 -0.066  0.0182   0.908  3.334 -1.193  0.033 -0.098 -0.059  0.0183   1.013  3.022 -1.082  0.151  0.015  0.035  0.0184   1.111  2.970 -1.103 -0.048 -0.175 -0.171  0.0195   1.302  3.043 -1.089  0.011 -0.085 -0.097  0.0186   1.552  3.017 -1.052  0.066 -0.002 -0.036  0.0197   1.832  2.796 -0.933  0.002 -0.028 -0.075  0.0198   2.127  2.521 -0.749  0.011  0.041 -0.022  0.0199   2.354  2.311 -0.623 -0.038  0.012 -0.056  0.01910  2.537  2.024 -0.452  0.039  0.089  0.031  0.01911  2.639  1.669 -0.277 -0.005  0.036 -0.008  0.01912  2.707  1.314 -0.214  0.013  0.031 -0.005  0.01913  2.810  0.926 -0.142  0.062  0.046  0.031  0.019

　　

4，行索引 index_col = ？的含义

 　　从上面的代码，我们可以发现，没有行索引，只要设置了列索引就行，但是真的行索引不重要吗，当然不是，有些时候有些需求也是需要列索引为自己定义的名称，这里我们同样看待，并学习一下：

　　当设置行索引为None的时候，也就是index_col = None，同时设置列索引的时候，代码如下：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename,index_col=None,header=None)print(data)

　　结果呢，如下：

0      1      2      3      4      5      60   0.916  4.370 -1.372  0.102  0.041  0.069  0.0181   0.892  3.955 -1.277  0.015 -0.099 -0.066  0.0182   0.908  3.334 -1.193  0.033 -0.098 -0.059  0.0183   1.013  3.022 -1.082  0.151  0.015  0.035  0.0184   1.111  2.970 -1.103 -0.048 -0.175 -0.171  0.0195   1.302  3.043 -1.089  0.011 -0.085 -0.097  0.0186   1.552  3.017 -1.052  0.066 -0.002 -0.036  0.0197   1.832  2.796 -0.933  0.002 -0.028 -0.075  0.0198   2.127  2.521 -0.749  0.011  0.041 -0.022  0.0199   2.354  2.311 -0.623 -0.038  0.012 -0.056  0.01910  2.537  2.024 -0.452  0.039  0.089  0.031  0.01911  2.639  1.669 -0.277 -0.005  0.036 -0.008  0.01912  2.707  1.314 -0.214  0.013  0.031 -0.005  0.01913  2.810  0.926 -0.142  0.062  0.046  0.031  0.019

　　当然了，当设置行索引为0的时候，也就是index_col = 0，则第一列为索引。

5，读取指定csv的某一列 usecols = [?]

　　当然了，在做数据分析的许多时候，我们会读取指定的某一列，使用的函数如下：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename,index_col=None,header=None,usecols=[1])print(data)

　　上面意思是使用第一列数据（列表默认从0开始的啊），结果如下：

10   4.3701   3.9552   3.3343   3.0224   2.9705   3.0436   3.0177   2.7968   2.5219   2.31110  2.02411  1.66912  1.31413  0.926

　　要想一起读取三列，则代码如下：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename,index_col=None,header=None,usecols=[1,2,3])print(data)

　　结果如下：

1      2      30   4.370 -1.372  0.1021   3.955 -1.277  0.0152   3.334 -1.193  0.0333   3.022 -1.082  0.1514   2.970 -1.103 -0.0485   3.043 -1.089  0.0116   3.017 -1.052  0.0667   2.796 -0.933  0.0028   2.521 -0.749  0.0119   2.311 -0.623 -0.03810  2.024 -0.452  0.03911  1.669 -0.277 -0.00512  1.314 -0.214  0.01313  0.926 -0.142  0.062

　　

6 读取csv前几行内容

　　使用data.head(n)返回文件的前n行内容，示例如下：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data1 = pd.read_csv(filename,index_col=None,header=None)# print(data1)#读取文件的前5行headdata = data1.head(5)print(headdata)

　　运行效果，返回前5行所有数据内容：

0      1      2      3      4      5      60  0.916  4.370 -1.372  0.102  0.041  0.069  0.0181  0.892  3.955 -1.277  0.015 -0.099 -0.066  0.0182  0.908  3.334 -1.193  0.033 -0.098 -0.059  0.0183  1.013  3.022 -1.082  0.151  0.015  0.035  0.0184  1.111  2.970 -1.103 -0.048 -0.175 -0.171  0.019

7，返回某行-所有列　

　　下面代码表示了函数loc返回了第一行所有列的数据，也就是说第一行的数据：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename,index_col=None,header=None)# print(data1)data1 = data.loc[0,:]print(data1)

　　由此我们可以推断出，某几行-所有列的数据，代码如下：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename,index_col=None,header=None)# print(data1)# 返回第n行所有列的数据data1 = data.loc[[1,3,5],:]print(data1)

　　结果展示一下：

0      1      2      3      4      5      61  0.892  3.955 -1.277  0.015 -0.099 -0.066  0.0183  1.013  3.022 -1.082  0.151  0.015  0.035  0.0185  1.302  3.043 -1.089  0.011 -0.085 -0.097  0.018

　　

8，返回所有行-所有列

　　获取所有行所有列，直接看代码：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename,index_col=None,header=None)# print(data1)# 返回第n行所有列的数据data1 = data.loc[:,:]print(data1)

　　结果就是所有行，所有列，这里就不展示了。

9，返回某行-所有列

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data = pd.read_csv(filename,index_col=None,header=None)# print(data1)# 返回所有列-某行的数据data1 = data.loc[:,0]print(data1)

　　运行效果如下：

0     0.9161     0.8922     0.9083     1.0134     1.1115     1.3026     1.5527     1.8328     2.1279     2.35410    2.53711    2.63912    2.70713    2.810Name: 0, dtype: float64

　　

10，数据统计

　　describe()统计下数据量，标准值，平均值，最大值等

data.describe()

　　就拿上面的csv文件为例，读取结果，解析如下：

import pandas as pdfilename = r'Train_A/Train_A_001.csv'data1 = pd.read_csv(filename,index_col=None,header=None)# print(data1)print(data1.describe())

　　结果如下：

0          1    ...              5          6count  14.000000  14.000000    ...      14.000000  14.000000mean    1.764286   2.662286    ...      -0.030643   0.018643std     0.748950   0.957612    ...       0.063172   0.000497min     0.892000   0.926000    ...      -0.171000   0.01800025%     1.037500   2.095750    ...      -0.064250   0.01800050%     1.692000   2.883000    ...      -0.029000   0.01900075%     2.491250   3.037750    ...       0.022000   0.019000max     2.810000   4.370000    ...       0.069000   0.019000[8 rows x 7 columns]

　　

11，pandas读取csv后，获取列标签

　　比如csv文件内容如下：

cut,flute_1,flute_2,flute_31,32.31711361,48.89261732,37.720825482,37.914879,49.57081504,37.720825483,43.08790971,50.30286727,37.720825484,47.8590723,51.08365203,37.849851035,52.25032922,51.90828793,38.172664566,56.28276562,52.77212655,38.617556437,59.97661561,53.6707451,39.174556238,63.3512879,54.5999392,39.834155239,66.4253909,55.55571585,40.58729178

　　那么，我们读取到的数据，一般来说，第一行是列标签，可是如何获取第一行的内容呢？如下：

column_headers = list(df.columns.values)

　　　以上面的csv文件为例，读取代码如下：

import pandas as pdimport numpy as npdata = pd.read_csv(file1,header=0,index_col=0)# print(data)column_header = list(data.columns.values)print(column_header)

　　结果如下：

['flute_1', 'flute_2', 'flute_3']

　　这样我们就获取了结果。

 12，取数据总结

• 以标签（行、列的名字）为索引选择数据—— x.loc[行标签,列标签]
• 以位置（第几行、第几列）为索引选择数据—— x.iloc[行位置,列位置]
• 同时根据标签和位置选择数据——x.ix[行,列]

　　既然了解了pandas，以后也需要使用，那么我就不止想学习读取csv了，我还想学习基本的pandas数据结构，起码以后使用会知道一些，下面学习一下pandas其的基本数据结构。

二：pandas的基本数据结构

 　　pandas是基于Numpy的一个非常好用的库，正如名字一样，人见人爱，之所以如下，就在于不论是读取，处理数据，使用它都非常简单。

　　pandas有两种自己独有的基本数据结构，即使如此，但是它依然只是Python的一个库，所以Python中有的数据类型在这里依然使用，同样还可以使用类自己定义的数据类型，只不过，pandas里面又定义了两种数据类型：Series和DataFrame。

1，Series

　　series就如同列表一样，一系列数据，每个数据对应于一个索引值，比如这样一个列表：[9,3,8]，如果跟索引值写到一起，就是这样：

　　这种样式我们已经熟悉了，不过有些时候，需要将其竖起来表示：

　　上面两种，只是表现形式上的差别罢了。

Series就是“竖起来”的列表。举个例子：

import pandas as pds = pd.Series([1,2,3,'python'])s0         11         22         33    pythondtype: object

　　另外一点也很像列表，就是里面的元素的类型，由我们任意决定。

　　这里，我们实质上创建了一个Series对象，这个对象当然就有其属性和方法了，比如下面两个属性依次可以显示Series对象的数据值和索引：

s.valuesarray([1, 2, 3, 'python'], dtype=object)s.indexRangeIndex(start=0, stop=4, step=1)

　　由于列表的索引只能是从0开始的整数，Series数据类型在默认情况下，其索引也是如次，不过区别于列表的是，Series可以自定义索引：

s = pd.Series(['java','python'],index=['1','2'])s1      java2    pythondtype: object

　　自定义索引之后，我们就可以根据索引操作元素，series也可以学习list操作：

s['1']'java'

　　当然了，前面定义Series对象的是，用的是列表，即 Series() 方法的参数中，第一个列表就是其数据值，如果需要定义 index，放在后面，依然是一个列表。除了这种方法之外，还可以用下面的方法定义 Series 对象：

s = {'python':800,'java':600,'c++':1000}s = pd.Series(s)spython     800java       600c++       1000dtype: int64

　　这样的话，索引依然可以自定义，pandas的优势就在这里体现出来，如果自定义了索引，自定的索引会自动寻找原来的索引，如果一样的话，就取代原来索引对应的值，这个可以简称为“自动对齐”，我们举例说明：

s = pd.Series(s,index=['python','java','c','c++'])spython     800.0java       600.0c            NaNc++       1000.0dtype: float64

　　在里面，没有c，但是索引参数中有，于是其他能够“自动对齐”的照搬原值，依然可以在新的Series对象的索引中存在，并且可以自动为其赋值NaN，如果pandas中没有值，都对齐赋值给NaN，下面来一个更特殊的：

ilist = ['a','b','c']s = pd.Series(s,index=ilist)sa   NaNb   NaNc   NaNdtype: float64

　　这样的话，新得到的Series对象索引与s对象的值一个也不对应，所以都是NaN。pandas有专门的方法来判断值是否为空。

pd.isnull(s)a    Trueb    Truec    Truedtype: bool

　　也可以判断不为空：

pd.notnull(s)a    Falseb    Falsec    Falsedtype: bool

　　当然了，也可以对索引的名字，重新定义：

s = [1,2,3,4]s = pd.Series(s,index=['python','java','c','c++'])spython    1java      2c         3c++       4dtype: int64s.index = ['a','b','c','d']sa    1b    2c    3d    4dtype: int64

　　

2，DataFrame　　

　　DataFrame是一个表格型的数据结构，它含有一组有序的列，每类可以是不同的值类型（数值，字符串，布尔值）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共同使用同一个索引）。跟其他类似的数据结构相比（如R的data.frame)DataFrame中面向行和面向列的操作基本上是平衡的，其实DataFrame中的数据是以一个或者多个二维块存放的（而不是列表，字典或者其他一维数据结构）。

　　DataFrame 是一种二维的数据结构，非常接近于电子表格或者类似 mysql 数据库的形式。它的竖行称之为 columns，横行跟前面的 Series 一样，称之为 index，也就是说可以通过 columns 和 index 来确定一个主句的位置。（有人把 DataFrame 翻译为“数据框”，是不是还可以称之为“筐”呢？向里面装数据嘛。)

 

 

 　　首先给一个例子：

>>> import pandas as pd >>> from pandas import Series, DataFrame >>> data = {"name":["yahoo","google","facebook"], "marks":[200,400,800], "price":[9, 3, 7]} >>> f1 = DataFrame(data) >>> f1      marks  name      price 0    200    yahoo     9 1    400    google    3 2    800    facebook  7

　　这是定义一个 DataFrame 对象的常用方法——使用 dict 定义。字典的“键”（"name"，"marks"，"price"）就是 DataFrame 的 columns 的值（名称），字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。上面的定义中没有确定索引，所以，按照惯例（Series 中已经形成的惯例）就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构（类似 excel 或者 mysql 中的查看效果）。

　　上面的数据显示中，columns 的顺序没有规定，就如同字典中键的顺序一样，但是在 DataFrame 中，columns 跟字典键相比，有一个明显不同，就是其顺序可以被规定，向下面这样做：

>>> f2 = DataFrame(data, columns=['name','price','marks']) >>> f2        name     price  marks 0     yahoo     9      200 1    google     3      400 2  facebook     7      800

　　跟Series类似的，DataFrame数据的索引也可以自定义：

>>> f3 = DataFrame(data, columns=['name', 'price', 'marks', 'debt'], index=['a','b','c']) >>> f3        name      price  marks  debt a     yahoo      9      200     NaN b    google      3      400     NaN c  facebook      7      800     NaN

　　大家还要注意观察上面的显示结果。因为在定义 f3 的时候，columns 的参数中，比以往多了一项('debt')，但是这项在 data 这个字典中并没有，所以 debt 这一竖列的值都是空的，在 Pandas 中，空就用 NaN 来代表了。

　　定义 DataFrame 的方法，除了上面的之外，还可以使用“字典套字典”的方式。

>>> newdata = {"lang":{"firstline":"python","secondline":"java"}, "price":{"firstline":8000}} >>> f4 = DataFrame(newdata) >>> f4               lang     price firstline     python   8000 secondline    java     NaN

　　在字典中就规定好数列名称（第一层键）和每横行索引（第二层字典键）以及对应的数据（第二层字典值），也就是在字典中规定好了每个数据格子中的数据，没有规定的都是空。

>>> DataFrame(newdata, index=["firstline","secondline","thirdline"])               lang     price firstline     python   8000 secondline    java     NaN thirdline     NaN      NaN

　　如果额外确定了索引，就如同上面显示一样，除非在字典中有相应的索引内容，否则都是 NaN。

　　前面定义了 DataFrame 数据（可以通过两种方法），它也是一种对象类型，比如变量 f3 引用了一个对象，它的类型是 DataFrame。承接以前的思维方法：对象有属性和方法。

>>> f3.columns Index(['name', 'price', 'marks', 'debt'], dtype=object)

　　DataFrame 对象的 columns 属性，能够显示素有的 columns 名称。并且，还能用下面类似字典的方式，得到某竖列的全部内容（当然包含索引）：

>>> f3['name'] a       yahoo b      google c    facebook Name: name

　　这是什么？这其实就是一个 Series，或者说，可以将 DataFrame 理解为是有一个一个的 Series 组成的。

　　一直耿耿于怀没有数值的那一列，下面的操作是统一给那一列赋值：

>>> f3['debt'] = 89.2 >>> f3        name     price  marks  debt a     yahoo     9        200  89.2 b    google     3        400  89.2 c  facebook     7        800  89.2

　　除了能够统一赋值之外，还能够“点对点”添加数值，结合前面的 Series，既然 DataFrame 对象的每竖列都是一个 Series 对象，那么可以先定义一个 Series 对象，然后把它放到 DataFrame 对象中。如下：

>>> sdebt = Series([2.2, 3.3], index=["a","c"])    #注意索引 >>> f3['debt'] = sdebt

　　将 Series 对象(sdebt 变量所引用) 赋给 f3['debt']列，Pandas 的一个重要特性——自动对齐——在这里起做用了，在 Series 中，只有两个索引（"a","c"），它们将和 DataFrame 中的索引自动对齐。于是乎：

>>> f3        name  price  marks  debt a     yahoo  9        200   2.2 b    google  3        400   NaN c  facebook  7        800   3.3

　　自动对齐之后，没有被复制的依然保持 NaN。

　　还可以更精准的修改数据吗？当然可以，完全仿照字典的操作：

>>> f3["price"]["c"]= 300 >>> f3        name   price   marks  debt a     yahoo   9       200    2.2 b    google   3       400    NaN c  facebook   300     800    3.3

　　

3，pandas.DataFrame.values

　　DataFrame.values 返回DataFrame的Numpy表示形式

　　仅返回DataFrame中的值，将删除轴标签

示例一：

　　所有列都是相同类型（例如：int64）的DataFrame会生成相同类型的数组。

>>> df = pd.DataFrame({'age':    [ 3,  29],...                    'height': [94, 170],...                    'weight': [31, 115]})>>> df   age  height  weight0    3      94      311   29     170     115>>> df.dtypesage       int64height    int64weight    int64dtype: object>>> df.valuesarray([[  3,  94,  31],       [ 29, 170, 115]], dtype=int64)

　　

示例二：

　　具有混合类型列的DataFrame（例如，str / object，int64，float32）导致最宽泛类型的ndarray，其适应这些混合类型（例如，对象）。

>>> df2 = pd.DataFrame([('parrot',   24.0, 'second'),...                     ('lion',     80.5, 1),...                     ('monkey', np.nan, None)],...                   columns=('name', 'max_speed', 'rank'))>>> df2.dtypesname          objectmax_speed    float64rank          objectdtype: object>>> df2.valuesarray([['parrot', 24.0, 'second'],       ['lion', 80.5, 1],       ['monkey', nan, None]], dtype=object)

　　

 

三，DataFrame切片大全（包含多重索引）

　　这节主要学习如何对pandas的DataFrame进行切片，包括取某行，某列，某几行，某几列以及多重索引的取数方法。

测试的CSV文件如下（test.csv）：

注意：测试数据没有行标题和列标题

2.95072,3.37973,3.03758,0.711681,3.37973,3.379732.95072,3.37973,3.03758,0.711681,3.37973,3.379733.19946,3.72793,3.22612,0.899132,3.72793,3.727933.23699,3.72295,3.29885,0.988473,3.72295,3.722953.23179,3.71829,3.29314,0.96549,3.71829,3.718293.29573,3.76237,3.32046,0.978557,3.76237,3.762373.32537,3.82346,3.35758,1.04363,3.82346,3.823463.34407,3.87181,3.38804,1.05891,3.87181,3.871813.4196,3.88913,3.44196,1.12763,3.88913,3.889133.3904,3.87997,3.42206,1.10885,3.87997,3.87997

　　首先说明一下，直接read_csv和转换为DataFrame的效果，

import pandas as pdfilecontent = pd.read_csv('test.csv',header=None,names=['a','b','c','d','e','f'])print(type(filecontent))df = pd.DataFrame(filecontent)print(type(df))

　　先看结果：

　　从结果来看，所以说两个效果是一样的，转不转换都一样。

1，取DataFrame的某列三种方法

　直接拿第四列的数据（列表默认从0开始取），代码如下：

import pandas as pdfilecontent = pd.read_csv('test.csv',header=None)df = pd.DataFrame(filecontent,index=None)index4 = df.iloc[:,3]print(index4)

　　结果：

0    0.7116811    0.7116812    0.8991323    0.9884734    0.9654905    0.9785576    1.0436307    1.0589108    1.1276309    1.108850Name: 3, dtype: float64

　　当加上索引，就取索引，两个效果是一样的，代码如下：

 

import pandas as pdfilecontent = pd.read_csv('test.csv',header=None,names=['a','b','c','d','e','f'])print(filecontent.a)print(filecontent['a'])

　　结果：

0    2.950721    2.950722    3.199463    3.236994    3.231795    3.295736    3.325377    3.344078    3.419609    3.39040Name: a, dtype: float640    2.950721    2.950722    3.199463    3.236994    3.231795    3.295736    3.325377    3.344078    3.419609    3.39040Name: a, dtype: float64

　　

2，取DataFrame某几列的两种方法

　　使用索引和不适用索引取多列的方法

import pandas as pdfilecontent = pd.read_csv('test.csv',header=None,names=['a','b','c','d','e','f'])df = pd.DataFrame(filecontent)# 取某几列的方法一使用索引result = df[['b','c']]print(result)# 取某几列的方法一不使用索引取前两列result1 = df.iloc[:,:2]print(result1)

　　结果：

b        c0  3.37973  3.037581  3.37973  3.037582  3.72793  3.226123  3.72295  3.298854  3.71829  3.293145  3.76237  3.320466  3.82346  3.357587  3.87181  3.388048  3.88913  3.441969  3.87997  3.42206         a        b0  2.95072  3.379731  2.95072  3.379732  3.19946  3.727933  3.23699  3.722954  3.23179  3.718295  3.29573  3.762376  3.32537  3.823467  3.34407  3.871818  3.41960  3.889139  3.39040  3.87997

　　

3，取DataFrame的某行三种方法

　　代码如下;

import pandas as pdfilecontent = pd.read_csv('test.csv',header=None,names=['a','b','c','d','e','f'])df = pd.DataFrame(filecontent)# 取某几行的方法一使用索引result = df[1:2]print(result)print('************************************************')# 取某几列的方法一不使用索引取第一行result1 = df.ix[1]print(result1)print('************************************************')# 取某几列的方法一不使用索引取第一行result2 = df.iloc[1,:]print(result2)

　　结果如下：

a        b        c         d        e        f1  2.95072  3.37973  3.03758  0.711681  3.37973  3.37973************************************************a    2.950720b    3.379730c    3.037580d    0.711681e    3.379730f    3.379730Name: 1, dtype: float64************************************************a    2.950720b    3.379730c    3.037580d    0.711681e    3.379730f    3.379730Name: 1, dtype: float64

　　

4，取DataFrame的某几行的方法

　　代码如下：

import pandas as pdfilecontent = pd.read_csv('test.csv',header=None,names=['a','b','c','d','e','f'],index_col=None)df = pd.DataFrame(filecontent)# 取某几行的方法一不使用索引取前两行result1 = df.iloc[:2,]print(result1)

　　结果如下：

a        b        c         d        e        f0  2.95072  3.37973  3.03758  0.711681  3.37973  3.379731  2.95072  3.37973  3.03758  0.711681  3.37973  3.37973

　　

5，取DataFrame的某特定位置元素的方法

　　代码如下：

import pandas as pdfilecontent = pd.read_csv('test.csv',header=None,names=['a','b','c','d','e','f'],index_col=None)df = pd.DataFrame(filecontent)# 取DataFrame的某特定位置元素的方法result = df.ix[1,2]print(result)

　　结果如下：

3.0375799999999997

　　

6，取DataFrame的多行多列的方法

　　代码如下：

import pandas as pdfilecontent = pd.read_csv('test.csv',header=None,names=['a','b','c','d','e','f'],index_col=None)df = pd.DataFrame(filecontent)# 取DataFrame的多行多列的方法# 取前两行，前三列result = df.ix[:2,:3]print(result)# 取前两行，前三列result1 = df.iloc[:2,:3]print(result1)

　　结果如下：

a        b        c0  2.95072  3.37973  3.037581  2.95072  3.37973  3.037582  3.19946  3.72793  3.22612         a        b        c0  2.95072  3.37973  3.037581  2.95072  3.37973  3.03758

　　

四，Pandas其他方法

1，删除（drop）方法

　　删除Series的元素或者DataFrame的某一行（列）的意思，通过对象的方法，删除Series的一个元素。

　　其方法调用如下：

def drop(self, labels=None, axis=0, index=None, columns=None,             level=None, inplace=False, errors='raise'):

　　对象的 .drop(labels, axis=0) 方法返回的是一个新对象，元对象不会被改变。

 

1.1  删除Series的一个元素

In[11]: ser = Series([4.5,7.2,-5.3,3.6], index=['d','b','a','c'])In[13]: ser.drop('c')Out[13]:d 4.5b 7.2a -5.3dtype: float64

　　

1.2  删除DataFrame的行或者列

　　drop函数默认删除行，列需要加axis = 1

In[17]: df = DataFrame(np.arange(9).reshape(3,3), index=['a','c','d'], columns=['oh','te','ca'])In[18]: dfOut[18]:oh te caa 0 1 2c 3 4 5d 6 7 8In[19]: df.drop('a')Out[19]:oh te cac 3 4 5d 6 7 8In[20]: df.drop(['oh','te'],axis=1)Out[20]:caa 2c 5d 8

　

1.3  drop函数的inplace参数

　　采用drop方法，有下面三种等价的表达式　

 

1. DF= DF.drop('column_name', axis=1)；2. DF.drop('column_name',axis=1, inplace=True)3. DF.drop([DF.columns[[0,1, 3]]], axis=1, inplace=True)   # Note: zero indexed

　　注意：凡是会对原数组做出修改并返回一个新数组的，往往都会有一个inplace可选参数。如果手动设定位True（默认为False），那么原数组就直接被替换。也就是说，采用inplace = True之后，原数组名如（情况2 和3 所示）对应的内存值直接改变。

　　而采用inplace =False 之后，原数组名对应的内存值并不改变，需要将新的结果赋给一个新的数组或者覆盖原数组的内存位置。

1.4  drop函数的使用：数据类型转换

df['Name'] = df['Name'].astype(np.datetime64)

　　DataFrame.astype() 方法可对整个DataFrame或某一列进行数据格式转换，支持Python和NumPy的数据类型。

2，python合并两个csv文件（列合并）

　　注意：要合并的两个文件行数需要相同，若不同可指定数组下标使其相同

代码如下：

# _*_ coding:utf-8 _*_import csvaFile = open('a.csv', 'r')aInfo = csv.reader(aFile)bfile = open('b.csv', 'r')bInfo = csv.reader(bfile)cfile = open('c.csv', 'w')abcsv = csv.writer(cfile, dialect='excel')a=[]a=list()b=[]b=list()for info in aInfo:    a.append(info)for info in bInfo:    b.append(info )for index in range(len(b)):      a[index+1].extend(b[index])    abcsv.writerow(a[index+1])

　　

3，python合并（拼接）多个csv文件

　　当做数据分析与挖掘的时候，经常遇到要合并CSV文件的问题，所以此处记录一下使用python中的Pandas库进行拼接。

 

import pandas as pdimport osorgin_dir = "Train_A"result_dir = "result_A"for filename in os.listdir(orgin_dir):    print(filename)    # header=None表示原始文件数据没有列索引，这样的话read_csv会自动加上列索引    a = pd.read_csv('Train_A/'+filename,header=None)    # header=0表示不保留列名，index=False表示不保留行索引，mode='a'表示附加方式写入，文件原有内容不会被清除    a.to_csv('all.csv',mode='a',index=False,header=False)

　　

 

 

import pandas as pdimport osorgin_dir = "Train_A"result_dir = "result_A"for filename in os.listdir(orgin_dir):    print(filename)    # header=None表示原始文件数据没有列索引，这样的话read_csv会自动加上列索引    pd.read_csv('Train_A/'+filename,header=None)    # header=0表示不保留列名，index=False表示不保留行索引，mode='a'表示附加方式写入，文件原有内容不会被清除    pd.to_csv('all.csv',mode='a',index=False,header=False)

　　

4，排序sort_values 和sort_index

　　排序是按照某一列的大小进行排序，Python3.x目前提供两个函数

4.1 sort_index

　　这个函数似乎不建议使用了，推荐使用sort_values，详情参考：

## 参数sort_index(axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None)#### 参数说明axis：0按照行名排序；1按照列名排序level：默认None，否则按照给定的level顺序排列---貌似并不是，文档ascending：默认True升序排列；False降序排列inplace：默认False，否则排序之后的数据直接替换原来的数据框kind：默认quicksort，排序的方法na_position：缺失值默认排在最后{"first","last"}by：按照那一列数据进行排序，但是by参数貌似不建议使用

　　举例：

## 对x1列升序排列，x2列升序。处理x1有相同值的情况  import pandas as pd  x = pd.DataFrame({"x1":[1,2,2,3],"x2":[4,3,2,1]})  x.sort_index(by = ["x1","x2"],ascending = [False,True])

　　

 

4.2 sort_values 

## 参数    DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')  #### 参数说明    axis:{0 or ‘index’, 1 or ‘columns’}, default 0，默认按照索引排序，即纵向排序，如果为1，则是横向排序    by:str or list of str；如果axis=0，那么by="列名"；如果axis=1，那么by="行名"；  ascending:布尔型，True则升序，可以是[True,False]，即第一字段升序，第二个降序  inplace:布尔型，是否用排序后的数据框替换现有的数据框  kind:排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。似乎不用太关心  na_position : {‘first’, ‘last’}, default ‘last’，默认缺失值排在最后面

　　

## 沿着轴方向按指定值排序  x.sort_values(by="x1",ascending= False)

　　

## 沿着行方向按指定行排序  x.sort_values(by = 1,ascending=False,axis=1)

　　

 

五，Pandas速查手册（翻译官网）

　　此外，在学习的时候，我参考了别人的知乎内容，并查看官网，然后汇总了pandas官网中比较常用的函数和方法，以方便自己记忆。其实这个比较全面的概括了pandas的所有知识点，只不过没有举例子，但是要是认真看了我上面的两个大的例子，学习下面的知识点，根本不费吹灰之力。

1，关键缩写和包的导入

　　首先，我们使用如下的缩写：

df：任意的Pandas DataFrame对象s：任意的Pandas Series对象

　　同时导入pandas包和numpy包

import pandas as pdimport numpy as np

　　当看到np和pd的时候，我们就知道其是什么含义（这些缩写都是大家默认的）。

2，导入数据

• pd.read_csv(filename)：从CSV文件导入数据
• pd.read_table(filename)：从限定分隔符的文本文件导入数据
• pd.read_excel(filename)：从Excel文件导入数据
• pd.read_sql(query, connection_object)：从SQL表/库导入数据
• pd.read_json(json_string)：从JSON格式的字符串导入数据
• pd.read_html(url)：解析URL、字符串或者HTML文件，抽取其中的tables表格
• pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()
• pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据

原文：

pd.read_csv(filename) | From a CSV filepd.read_table(filename) | From a delimited text file (like TSV)pd.read_excel(filename) | From an Excel filepd.read_sql(query, connection_object) | Read from a SQL table/databasepd.read_json(json_string) | Read from a JSON formatted string, URL or file.pd.read_html(url) | Parses an html URL, string or file and extracts tables to a list of dataframespd.read_clipboard() | Takes the contents of your clipboard and passes it to read_table()pd.DataFrame(dict) | From a dict, keys for columns names, values for data as lists

　　

3，导出数据

• df.to_csv(filename)：导出数据到CSV文件
• df.to_excel(filename)：导出数据到Excel文件
• df.to_sql(table_name, connection_object)：导出数据到SQL表
• df.to_json(filename)：以Json格式导出数据到文本文件

 原文：

df.to_csv(filename) | Write to a CSV filedf.to_excel(filename) | Write to an Excel filedf.to_sql(table_name, connection_object) | Write to a SQL tabledf.to_json(filename) | Write to a file in JSON format

　　

4，创建测试对象

• pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
• pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
• df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引

 原文：

pd.DataFrame(np.random.rand(20,5)) | 5 columns and 20 rows of random floatspd.Series(my_list) | Create a series from an iterable my_listdf.index = pd.date_range('1900/1/30', periods=df.shape[0]) | Add a date index

　　

5，查看，检查数据

• df.head(n)：查看DataFrame对象的前n行
• df.tail(n)：查看DataFrame对象的最后n行
• df.shape()：查看行数和列数
• df.info()：查看索引、数据类型和内存信息
• df.describe()：查看数值型列的汇总统计
• s.value_counts(dropna=False)：查看Series对象的唯一值和计数
• df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数

 原文：

df.head(n) | First n rows of the DataFramedf.tail(n) | Last n rows of the DataFramedf.shape | Number of rows and columnsdf.info() | Index, Datatype and Memory informationdf.describe() | Summary statistics for numerical columnss.value_counts(dropna=False) | View unique values and countsdf.apply(pd.Series.value_counts) | Unique values and counts for all columns

　　

6，数据选取

• df[col]：根据列名，并以Series的形式返回列
• df[[col1, col2]]：以DataFrame形式返回多列
• s.iloc[0]：按位置选取数据
• s.loc['index_one']：按索引选取数据
• df.iloc[0,:]：返回第一行
• df.iloc[0,0]：返回第一列的第一个元素

原文：

df[col] | Returns column with label col as Seriesdf[[col1, col2]] | Returns columns as a new DataFrames.iloc[0] | Selection by positions.loc['index_one'] | Selection by indexdf.iloc[0,:] | First rowdf.iloc[0,0] | First element of first column

　　

7，数据清理

• df.columns = ['a','b','c']：重命名列名
• pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组
• pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
• df.dropna()：删除所有包含空值的行
• df.dropna(axis=1)：删除所有包含空值的列
• df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
• df.fillna(x)：用x替换DataFrame对象中所有的空值
• s.astype(float)：将Series中的数据类型更改为float类型
• s.replace(1,'one')：用‘one’代替所有等于1的值
• s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
• df.rename(columns=lambda x: x + 1)：批量更改列名
• df.rename(columns={'old_name': 'new_ name'})：选择性更改列名
• df.set_index('column_one')：更改索引列
• df.rename(index=lambda x: x + 1)：批量重命名索引

原文：

df.columns = ['a','b','c'] | Rename columnspd.isnull() | Checks for null Values, Returns Boolean Arrraypd.notnull() | Opposite of pd.isnull()df.dropna() | Drop all rows that contain null valuesdf.dropna(axis=1) | Drop all columns that contain null valuesdf.dropna(axis=1,thresh=n) | Drop all rows have have less than n non null valuesdf.fillna(x) | Replace all null values with xs.fillna(s.mean()) | Replace all null values with the mean (mean can be replaced with almost any function from the statistics section)s.astype(float) | Convert the datatype of the series to floats.replace(1,'one') | Replace all values equal to 1 with 'one's.replace([1,3],['one','three']) | Replace all 1 with 'one' and 3 with 'three'df.rename(columns=lambda x: x + 1) | Mass renaming of columnsdf.rename(columns={'old_name': 'new_ name'}) | Selective renamingdf.set_index('column_one') | Change the indexdf.rename(index=lambda x: x + 1) | Mass renaming of index

　　

8，数据处理：Filter，Sort和GroupBy

• df[df[col] > 0.5]：选择col列的值大于0.5的行
• df.sort_values(col1)：按照列col1排序数据，默认升序排列
• df.sort_values(col2, ascending=False)：按照列col1降序排列数据
• df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
• df.groupby(col)：返回一个按列col进行分组的Groupby对象
• df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
• df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
• df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
• df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
• data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
• data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max

原文：

df[df[col] > 0.5] | Rows where the column col is greater than 0.5df[(df[col] > 0.5) & (df[col] < 0.7)] | Rows where 0.7 > col > 0.5df.sort_values(col1) | Sort values by col1 in ascending orderdf.sort_values(col2,ascending=False) | Sort values by col2 in descending orderdf.sort_values([col1,col2],ascending=[True,False]) | Sort values by col1 in ascending order then col2 in descending orderdf.groupby(col) | Returns a groupby object for values from one columndf.groupby([col1,col2]) | Returns groupby object for values from multiple columnsdf.groupby(col1)[col2] | Returns the mean of the values in col2, grouped by the values in col1 (mean can be replaced with almost any function from the statistics section)df.pivot_table(index=col1,values=[col2,col3],aggfunc=mean) | Create a pivot table that groups by col1 and calculates the mean of col2 and col3df.groupby(col1).agg(np.mean) | Find the average across all columns for every unique col1 groupdf.apply(np.mean) | Apply the function np.mean() across each columnnf.apply(np.max,axis=1) | Apply the function np.max() across each row

　　

9，数据合并

• df1.append(df2)：将df2中的行添加到df1的尾部
• df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
• df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join

 原文：

df1.append(df2) | Add the rows in df1 to the end of df2 (columns should be identical)pd.concat([df1, df2],axis=1) | Add the columns in df1 to the end of df2 (rows should be identical)df1.join(df2,on=col1,how='inner') | SQL-style join the columns in df1 with the columns on df2 where the rows for col have identical values. how can be one of 'left', 'right', 'outer', 'inner'

　　

 10，数据统计

• df.describe()：查看数据值列的汇总统计
• df.mean()：返回所有列的均值
• df.corr()：返回列与列之间的相关系数
• df.count()：返回每一列中的非空值的个数
• df.max()：返回每一列的最大值
• df.min()：返回每一列的最小值
• df.median()：返回每一列的中位数
• df.std()：返回每一列的标准差

原文：

df.describe() | Summary statistics for numerical columnsdf.mean() | Returns the mean of all columnsdf.corr() | Returns the correlation between columns in a DataFramedf.count() | Returns the number of non-null values in each DataFrame columndf.max() | Returns the highest value in each columndf.min() | Returns the lowest value in each columndf.median() | Returns the median of each columndf.std() | Returns the standard deviation of each column

　　

 

参考http://wiki.jikexueyuan.com/project/start-learning-python/311.html

https://zhuanlan.zhihu.com/p/25630700

https://www.dataquest.io/blog/pandas-cheat-sheet/