第二章 pandas基础

python

import numpy as np import pandas as pd

在开始学习前，请保证 pandas 的版本号不低于如下所示的版本，否则请务必升级！请确认已经安装了 xlrd, xlwt, openpyxl 这三个包。其中，当pandas版本为1.2.x时，xlrd版本不得高于 2.0.0 。若pandas版本在1.3.x或以上时，xlrd正常安装即可。

python

pd.__version__

一、文件的读取和写入

1. 文件读取

pandas 可以读取的文件格式有很多，这里主要介绍读取 csv, excel, txt 文件。

python

df_csv = pd.read_csv('data/my_csv.csv') df_csv df_txt =
pd.read_table('data/my_table.txt') df_txt df_excel =
pd.read_excel('data/my_excel.xlsx') df_excel

这里有一些常用的公共参数， header=None 表示第一行不作为列名， index_col 表示把某一列或几列作为索引，索引的内容将会在第三章进行详述， usecols 表示读取列的集合，默认读取所有的列， parse_dates 表示需要转化为时间的列，关于时间序列的有关内容将在第十章讲解， nrows 表示读取的数据行数。上面这些参数在上述的三个函数里都可以使用。

python

pd.read_table('data/my_table.txt', header=None)
pd.read_csv('data/my_csv.csv', index_col=['col1', 'col2'])
pd.read_table('data/my_table.txt', usecols=['col1', 'col2'])
pd.read_csv('data/my_csv.csv', parse_dates=['col5'])
pd.read_excel('data/my_excel.xlsx', nrows=2)

在读取 txt 文件时，经常遇到分隔符非空格的情况， read_table 有一个分割参数 sep ，它使得用户可以自定义分割符号，进行 txt 数据的读取。例如，下面的读取的表以 |||| 为分割：

python

pd.read_table('data/my_table_special_sep.txt')

上面的结果显然不是理想的，这时可以使用 sep ，同时需要指定引擎为 python ：

python

pd.read_table('data/my_table_special_sep.txt',

:   sep=' |||| ', engine='python')

`sep` 是正则参数

在使用 `read_table` 的时候需要注意，参数 `sep`
中使用的是正则表达式，因此需要对 `|` 进行转义变成 `|`
，否则无法读取到正确的结果。有关正则表达式的基本内容可以参考第八章或者其他相关资料。

2. 数据写入

一般在数据写入中，最常用的操作是把 index 设置为 False ，特别当索引没有特殊意义的时候，这样的行为能把索引在保存的时候去除。

python

df_csv.to_csv('data/my_csv_saved.csv', index=False)
df_excel.to_excel('data/my_excel_saved.xlsx', index=False)

pandas 中没有定义 to_table 函数，但是 to_csv 可以保存为 txt 文件，并且允许自定义分隔符，常用制表符 t 分割：

python

df_txt.to_csv('data/my_txt_saved.txt', sep='t', index=False)

如果想要把表格快速转换为 markdown 和 latex 语言，可以使用 to_markdown 和 to_latex 函数，此处需要安装 tabulate 包。

python

print(df_csv.to_markdown()) print(df_csv.to_latex())

二、基本数据结构

pandas 中具有两种基本的数据存储结构，存储一维 values 的 Series 和存储二维 values 的 DataFrame ，在这两种结构上定义了很多的属性和方法。

1. Series

Series 一般由四个部分组成，分别是序列的值 data 、索引 index 、存储类型 dtype 、序列的名字 name 。其中，索引也可以指定它的名字，默认为空。

python

s = pd.Series(data = [100, 'a', {'dic1':5}],

:   index = pd.Index(['id1', 20, 'third'], name='my_idx'),
    dtype = 'object', name = 'my_name')

s

`object` 类型

`object` 代表了一种混合类型，正如上面的例子中存储了整数、字符串以及
`Python` 的字典数据结构。此外，目前 `pandas`
把纯字符串序列也默认认为是一种 `object` 类型的序列，但它也可以用
`string` 类型存储，文本序列的内容会在第八章中讨论。

对于这些属性，可以通过 . 的方式来获取：

python

s.values s.index s.dtype s.name

利用 .shape 可以获取序列的长度：

python

s.shape

索引是 pandas 中最重要的概念之一，它将在第三章中被详细地讨论。如果想要取出单个索引对应的值，可以通过 [index_item] 可以取出。

python

s['third']

2. DataFrame

DataFrame 在 Series 的基础上增加了列索引，一个数据框可以由二维的 data 与行列索引来构造：

python

data = [[1, 'a', 1.2], [2, 'b', 2.2], [3, 'c', 3.2]] df =
pd.DataFrame(data = data, index = ['[row]()%d'%i for i in range(3)],
columns=['col_0', 'col_1', 'col_2']) df

但一般而言，更多的时候会采用从列索引名到数据的映射来构造数据框，同时再加上行索引：

python

df = pd.DataFrame(data = {'col_0': [1,2,3], 'col_1':list('abc'),

:   'col_2': [1.2, 2.2, 3.2]},

> index = ['[row]()%d'%i for i in range(3)])

df

由于这种映射关系，在 DataFrame 中可以用 [col_name] 与 [col_list] 来取出相应的列与由多个列组成的表，结果分别为 Series 和 DataFrame ：

python

df['col_0'] df[['col_0', 'col_1']]

与 Series 类似，在数据框中同样可以取出相应的属性：

python

df.values df.index df.columns df.dtypes #
返回的是值为相应列数据类型的Series df.shape

通过 .T 可以把 DataFrame 进行转置：

python

df.T

三、常用基本函数

为了进行举例说明，在接下来的部分和其余章节都将会使用一份 learn_pandas.csv 的虚拟数据集，它记录了四所学校学生的体测个人信息。

python

df = pd.read_csv('data/learn_pandas.csv') df.columns

上述列名依次代表学校、年级、姓名、性别、身高、体重、是否为转系生、体测场次、测试时间、1000米成绩，本章只需使用其中的前七列。

python

df = df[df.columns[:7]]

1. 汇总函数

head, tail 函数分别表示返回表或者序列的前 n 行和后 n 行，其中 n 默认为5：

python

df.head(2) df.tail(3)

info, describe 分别返回表的 信息概况{.interpreted-text role="red"} 和表中 数值列对应的主要统计量{.interpreted-text role="red"} ：

python

df.info() df.describe()

更全面的数据汇总

`info, describe`
只能实现较少信息的展示，如果想要对一份数据集进行全面且有效的观察，特别是在列较多的情况下，推荐使用
[pandas-profiling](https://pandas-profiling.github.io/pandas-profiling/docs/master/index.html)
包，它将在第十一章被再次提到。

2. 特征统计函数

在 Series 和 DataFrame 上定义了许多统计函数，最常见的是 sum, mean, median, var, std, max, min 。例如，选出身高和体重列进行演示：

python

df_demo = df[['Height', 'Weight']] df_demo.mean()
df_demo.max()

此外，需要介绍的是 quantile, count, idxmax 这三个函数，它们分别返回的是分位数、非缺失值个数、最大值对应的索引：

python

df_demo.quantile(0.75) df_demo.count() df_demo.idxmax() #
idxmin是对应的函数

上面这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数 axis ，默认为0代表逐列聚合，如果设置为1则表示逐行聚合：

python

df_demo.mean(axis=1).head() # 在这个数据集上体重和身高的均值并没有意义

3. 唯一值函数

对序列使用 unique 和 nunique 可以分别得到其唯一值组成的列表和唯一值的个数：

python

df['School'].unique() df['School'].nunique()

value_counts 可以得到唯一值和其对应出现的频数：

python

df['School'].value_counts()

如果想要观察多个列组合的唯一值，可以使用 drop_duplicates 。其中的关键参数是 keep ，默认值 first 表示每个组合保留第一次出现的所在行， last 表示保留最后一次出现的所在行， False 表示把所有重复组合所在的行剔除。

python

df_demo = df[['Gender','Transfer','Name']]
df_demo.drop_duplicates(['Gender', 'Transfer'])
df_demo.drop_duplicates(['Gender', 'Transfer'], keep='last')
df_demo.drop_duplicates(['Name', 'Gender'], keep=False).head()
# 保留只出现过一次的性别和姓名组合 df['School'].drop_duplicates()
# 在Series上也可以使用

此外， duplicated 和 drop_duplicates 的功能类似，但前者返回了是否为唯一值的布尔列表，其 keep 参数与后者一致。其返回的序列，把重复元素设为 True ，否则为 False 。 drop_duplicates 等价于把 duplicated 为 True 的对应行剔除。

python

df_demo.duplicated(['Gender', 'Transfer']).head()
df['School'].duplicated().head() # 在Series上也可以使用

4. 替换函数

一般而言，替换操作是针对某一个列进行的，因此下面的例子都以 Series 举例。 pandas 中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。其中映射替换包含 replace 方法、第八章中的 str.replace 方法以及第九章中的 cat.codes 方法，此处介绍 replace 的用法。

在 replace 中，可以通过字典构造，或者传入两个列表来进行替换：

python

df['Gender'].replace({'Female':0, 'Male':1}).head()
df['Gender'].replace(['Female', 'Male'], [0, 1]).head()

另外， replace 还有一种特殊的方向替换，指定 method 参数为 ffill 则为用前面一个最近的未被替换的值进行替换， bfill 则使用后面最近的未被替换的值进行替换。从下面的例子可以看到，它们的结果是不同的：

python

s = pd.Series(['a', 1, 'b', 2, 1, 1, 'a']) s.replace([1, 2],
method='ffill') s.replace([1, 2], method='bfill')

正则替换请使用 `str.replace`

虽然对于 `replace` 而言可以使用正则替换，但是当前版本下对于 `string`
类型的正则替换还存在
[bug](https://github.com/pandas-dev/pandas/pull/36038)
，因此如有此需求，请选择 `str.replace`
进行替换操作，具体的方式将在第八章中讲解。

逻辑替换包括了 where 和 mask ，这两个函数是完全对称的： where 函数在传入条件为 False 的对应行进行替换，而 mask 在传入条件为 True 的对应行进行替换，当不指定替换值时，替换为缺失值。

python

s = pd.Series([-1, 1.2345, 100, -50]) s.where(s<0) s.where(s<0, 100)
s.mask(s<0) s.mask(s<0, -50)

需要注意的是，传入的条件只需是与被调用的 Series 索引一致的布尔序列即可：

python

s_condition= pd.Series([True,False,False,True],index=s.index)
s.mask(s_condition, -50)

数值替换包含了 round, abs, clip 方法，它们分别表示按照给定精度四舍五入、取绝对值和截断：

python

s = pd.Series([-1, 1.2345, 100, -50]) s.round(2) s.abs() s.clip(0, 2)
# 前两个数分别表示上下截断边界

练一练

在 `clip`
中，超过边界的只能截断为边界值，如果要把超出边界的替换为自定义的值，应当如何做？

5. 排序函数

排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是 sort_values 和 sort_index 。

为了演示排序函数，下面先利用 set_index 方法把年级和姓名两列作为索引，多级索引的内容和索引设置的方法将在第三章进行详细讲解。

python

df_demo = df[['Grade', 'Name', 'Height',

:   'Weight']].set_index(['Grade','Name'])

对身高进行排序，默认参数 ascending=True 为升序：

python

df_demo.sort_values('Height').head()
df_demo.sort_values('Height', ascending=False).head()

在排序中，经常遇到多列排序的问题，比如在体重相同的情况下，对身高进行排序，并且保持身高降序排列，体重升序排列：

python

df_demo.sort_values(['Weight','Height'],ascending=[True,False]).head()

索引排序的用法和值排序完全一致，只不过元素的值在索引中，此时需要指定索引层的名字或者层号，用参数 level 表示。另外，需要注意的是字符串的排列顺序由字母顺序决定。

python

df_demo.sort_index(level=['Grade','Name'],ascending=[True,False]).head()

6. apply方法

apply 方法常用于 DataFrame 的行迭代或者列迭代，它的 axis 含义与第2小节中的统计聚合函数一致， apply 的参数往往是一个以序列为输入的函数。例如对于 .mean() ，使用 apply 可以如下地写出：

python

df_demo = df[['Height', 'Weight']] def my_mean(x): res =
x.mean() return res

df_demo.apply(my_mean)

同样的，可以利用 lambda 表达式使得书写简洁，这里的 x 就指代被调用的 df_demo 表中逐个输入的序列：

python

df_demo.apply(lambda x:x.mean())

若指定 axis=1 ，那么每次传入函数的就是行元素组成的 Series ，其结果与之前的逐行均值结果一致。

python

df_demo.apply(lambda x:x.mean(), axis=1).head()

这里再举一个例子： mad 函数返回的是一个序列中偏离该序列均值的绝对值大小的均值，例如序列1,3,7,10中，均值为5.25，每一个元素偏离的绝对值为4.25,2.25,1.75,4.75，这个偏离序列的均值为3.25。现在利用 apply 计算升高和体重的 mad 指标：

python

df_demo.apply(lambda x:(x-x.mean()).abs().mean())

这与使用内置的 mad 函数计算结果一致：

python

df_demo.mad()

谨慎使用 `apply`

得益于传入自定义函数的处理， `apply`
的自由度很高，但这是以性能为代价的。一般而言，使用 `pandas`
的内置函数处理和 `apply`
来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用
`apply` 。

四、窗口对象

pandas 中有3类窗口，分别是滑动窗口 rolling 、扩张窗口 expanding 以及指数加权窗口 ewm 。需要说明的是，以日期偏置为窗口大小的滑动窗口将在第十章讨论，指数加权窗口见本章练习。

1. 滑窗对象

要使用滑窗函数，就必须先要对一个序列使用 .rolling 得到滑窗对象，其最重要的参数为窗口大小 window 。

python

s = pd.Series([1,2,3,4,5]) roller = s.rolling(window = 3) roller

在得到了滑窗对象后，能够使用相应的聚合函数进行计算，需要注意的是窗口包含当前行所在的元素，例如在第四个位置进行均值运算时，应当计算(2+3+4)/3，而不是(1+2+3)/3：

python

roller.mean() roller.sum()

对于滑动相关系数或滑动协方差的计算，可以如下写出：

python

s2 = pd.Series([1,2,6,16,30]) roller.cov(s2) roller.corr(s2)

此外，还支持使用 apply 传入自定义函数，其传入值是对应窗口的 Series ，例如上述的均值函数可以等效表示：

python

roller.apply(lambda x:x.mean())

shift, diff, pct_change 是一组类滑窗函数，它们的公共参数为 periods=n ，默认为1，分别表示取向前第 n 个元素的值、与向前第 n 个元素做差（与 Numpy 中不同，后者表示 n 阶差分）、与向前第 n 个元素相比计算增长率。这里的 n 可以为负，表示反方向的类似操作。

python

s = pd.Series([1,3,6,10,15]) s.shift(2) s.diff(3) s.pct_change()
s.shift(-1) s.diff(-2)

将其视作类滑窗函数的原因是，它们的功能可以用窗口大小为 n+1 的 rolling 方法等价代替：

python

s.rolling(3).apply(lambda x:list(x)[0]) # s.shift(2)
s.rolling(4).apply(lambda x:list(x)[-1]-list(x)[0]) # s.diff(3) def
my_pct(x): L = list(x) return L[-1]/L[0]-1

s.rolling(2).apply(my_pct) # s.pct_change()

练一练

`rolling`
对象的默认窗口方向都是向前的，某些情况下用户需要向后的窗口，例如对1,2,3设定向后窗口为2的
`sum` 操作，结果为3,5,NaN，此时应该如何实现向后的滑窗操作？

2. 扩张窗口

扩张窗口又称累计窗口，可以理解为一个动态长度的窗口，其窗口的大小就是从序列开始处到具体操作的对应位置，其使用的聚合函数会作用于这些逐步扩张的窗口上。具体地说，设序列为a1, a2, a3, a4，则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。

python

s = pd.Series([1, 3, 6, 10]) s.expanding().mean()

练一练

`cummax, cumsum, cumprod` 函数是典型的类扩张窗口函数，请使用 `expanding`
对象依次实现它们。

五、练习

Ex1：口袋妖怪数据集

现有一份口袋妖怪的数据集，下面进行一些背景说明：

• # 代表全国图鉴编号，不同行存在相同数字则表示为该妖怪的不同状态
• 妖怪具有单属性和双属性两种，对于单属性的妖怪， Type 2 为缺失值
• Total, HP, Attack, Defense, Sp. Atk, Sp. Def, Speed 分别代表种族值、体力、物攻、防御、特攻、特防、速度，其中种族值为后6项之和

python

df = pd.read_csv('data/pokemon.csv') df.head(3)

1. 对 HP, Attack, Defense, Sp. Atk, Sp. Def, Speed 进行加总，验证是否为 Total 值。
2. 对于 # 重复的妖怪只保留第一条记录，解决以下问题：

(a) 求第一属性的种类数量和前三多数量对应的种类 (b) 求第一属性和第二属性的组合种类 (c) 求尚未出现过的属性组合

3. 按照下述要求，构造 Series ：

(a) 取出物攻，超过120的替换为 high ，不足50的替换为 low ，否则设为 mid (b) 取出第一属性，分别用 replace 和 apply 替换所有字母为大写 (c) 求每个妖怪六项能力的离差，即所有能力中偏离中位数最大的值，添加到 df 并从大到小排序

Ex2：指数加权窗口

1. 作为扩张窗口的 ewm 窗口

在扩张窗口中，用户可以使用各类函数进行历史的累计指标统计，但这些内置的统计函数往往把窗口中的所有元素赋予了同样的权重。事实上，可以给出不同的权重来赋给窗口中的元素，指数加权窗口就是这样一种特殊的扩张窗口。

其中，最重要的参数是 alpha ，它决定了默认情况下的窗口权重为 $w_i = (1 - alpha)^i, iin {0, 1, ..., t}$ ，其中 $i=t$ 表示当前元素， $i=0$ 表示序列的第一个元素。

从权重公式可以看出，离开当前值越远则权重越小，若记原序列为 x ，更新后的当前元素为 $y_t$ ，此时通过加权公式归一化后可知：

$$begin{aligned} yt &=frac{sum{i=0}^{t} wi x{t-i}}{sum{i=0}^{t} w_i} &=frac{x_t + (1 - alpha)x{t-1} + (1 - alpha)^2 x_{t-2} + ...

• (1 - alpha)^{t} x_{0}}{1 + (1 - alpha) + (1 - alpha)^2 + ...
• (1 - alpha)^{t}} end{aligned}$$

对于 Series 而言，可以用 ewm 对象如下计算指数平滑后的序列：

python

np.random.seed(0) s = pd.Series(np.random.randint(-1,2,30).cumsum())
s.head() s.ewm(alpha=0.2).mean().head()

请用 expanding 窗口实现。

2. 作为滑动窗口的 ewm 窗口

从第1问中可以看到， ewm 作为一种扩张窗口的特例，只能从序列的第一个元素开始加权。现在希望给定一个限制窗口 n ，只对包含自身的最近的 n 个元素作为窗口进行滑动加权平滑。请根据滑窗函数，给出新的 $w_i$ 与 $y_t$ 的更新公式，并通过 rolling 窗口实现这一功能。