pandas 是基於 Numpy 構建的含有更高級數據結構和工具的數據分析包
類似於 Numpy 的核心是 ndarray，pandas 也是圍繞着 Series 和 DataFrame 兩個核心數據結構展開的 。Series 和 DataFrame 分別對應於一維的序列和二維的表結構。pandas 約定俗成的導入方法如下：
from pandas import Series,DataFrame import pandas as pd
Series
Series 可以看做一個定長的有序字典。基本任意的一維數據都可以用來構造 Series 對象：
>>> s = Series([1,2,3.0,'abc']) >>> s 0 1 1 2 2 3 3 abc dtype: object
雖然 dtype:object 可以包含多種基本數據類型，但總感覺會影響性能的樣子，最好還是保持單純的 dtype。
Series 對象包含兩個主要的屬性：index 和 values，分別為上例中左右兩列。因為傳給構造器的是一個列表，所以 index 的值是從 0 起遞增的整數，如果傳入的是一個類字典的鍵值對結構，就會生成 index-value 對應的 Series；或者在初始化的時候以關鍵字參數顯式指定一個 index 對象：
>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y']) >>> s a 1 b 3 x 5 y 7 dtype: int64 >>> s.index Index(['a', 'b', 'x', 'y'], dtype='object') >>> s.values array([1, 3, 5, 7], dtype=int64)
Series 對象的元素會嚴格依照給出的 index 構建，這意味着：如果 data 參數是有鍵值對的，那么只有 index 中含有的鍵會被使用；以及如果 data 中缺少響應的鍵，即使給出 NaN 值，這個鍵也會被添加。
注意 Series 的 index 和 values 的元素之間雖然存在對應關系，但這與字典的映射不同。index 和 values 實際仍為互相獨立的 ndarray 數組，因此 Series 對象的性能完全 ok。
Series 這種使用鍵值對的數據結構最大的好處在於，Series 間進行算術運算時，index 會自動對齊。
另外，Series 對象和它的 index 都含有一個 name 屬性：
>>> s.name = 'a_series' >>> s.index.name = 'the_index' >>> s the_index a 1 b 3 x 5 y 7 Name: a_series, dtype: int64
DataFrame
DataFrame 是一個表格型的數據結構，它含有一組有序的列（類似於 index），每列可以是不同的值類型（不像 ndarray 只能有一個 dtype）。基本上可以把 DataFrame 看成是共享同一個 index 的 Series 的集合。
DataFrame 的構造方法與 Series 類似，只不過可以同時接受多條一維數據源，每一條都會成為單獨的一列：
>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],
'year':[2000,2001,2002,2001,2002],
'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df = DataFrame(data)
>>> df
pop state year
0 1.5 Ohino 2000
1 1.7 Ohino 2001
2 3.6 Ohino 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002
[5 rows x 3 columns]
雖然參數 data 看起來是個字典，但字典的鍵並非充當 DataFrame 的 index 的角色，而是 Series 的 “name” 屬性。這里生成的 index 仍是 “01234”。
較完整的 DataFrame 構造器參數為：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：
>>> df = DataFrame(data,index=['one','two','three','four','five'],
columns=['year','state','pop','debt'])
>>> df
year state pop debt
one 2000 Ohino 1.5 NaN
two 2001 Ohino 1.7 NaN
three 2002 Ohino 3.6 NaN
four 2001 Nevada 2.4 NaN
five 2002 Nevada 2.9 NaN
[5 rows x 4 columns]
同樣缺失值由 NaN 補上。看一下 index、columns 和 索引的類型：
>>> df.index Index(['one', 'two', 'three', 'four', 'five'], dtype='object') >>> df.columns Index(['year', 'state', 'pop', 'debt'], dtype='object') >>> type(df['debt']) <class 'pandas.core.series.Series'>
DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。
對象屬性
重新索引
Series 對象的重新索引通過其 .reindex(index=None,**kwargs) 方法實現。**kwargs 中常用的參數有倆：method=None,fill_value=np.NaN：
ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c']) >>> a = ['a','b','c','d','e'] >>> ser.reindex(a) a -5.3 b 7.2 c 3.6 d 4.5 e NaN dtype: float64 >>> ser.reindex(a,fill_value=0) a -5.3 b 7.2 c 3.6 d 4.5 e 0.0 dtype: float64 >>> ser.reindex(a,method='ffill') a -5.3 b 7.2 c 3.6 d 4.5 e 4.5 dtype: float64 >>> ser.reindex(a,fill_value=0,method='ffill') a -5.3 b 7.2 c 3.6 d 4.5 e 4.5 dtype: float64
.reindex() 方法會返回一個新對象，其 index 嚴格遵循給出的參數，method:{'backfill', 'bfill', 'pad', 'ffill', None} 參數用於指定插值（填充）方式，當沒有給出時，自動用 fill_value 填充，默認為 NaN（ffill = pad，bfill = back fill，分別指插值時向前還是向后取值）
DataFrame 對象的重新索引方法為：.reindex(index=None,columns=None,**kwargs)。僅比 Series 多了一個可選的 columns 參數，用於給列索引。用法與上例類似，只不過插值方法method 參數只能應用於行，即軸 0。
>>> state = ['Texas','Utha','California']
>>> df.reindex(columns=state,method='ffill')
Texas Utha California
a 1 NaN 2
c 4 NaN 5
d 7 NaN 8
[3 rows x 3 columns]
>>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill')
Texas Utha California
a 1 NaN 2
b 1 NaN 2
c 4 NaN 5
d 7 NaN 8
[4 rows x 3 columns]
不過 fill_value 依然對有效。聰明的小伙伴可能已經想到了，可不可以通過 df.T.reindex(index,method='**').T 這樣的方式來實現在列上的插值呢，答案是可行的。另外要注意，使用 reindex(index,method='**') 的時候，index 必須是單調的，否則就會引發一個 ValueError: Must be monotonic for forward fill，比如上例中的最后一次調用，如果使用index=['a','b','d','c'] 的話就不行。
刪除指定軸上的項
即刪除 Series 的元素或 DataFrame 的某一行（列）的意思，通過對象的.drop(labels, axis=0) 方法：
>>> ser
d 4.5
b 7.2
a -5.3
c 3.6
dtype: float64
>>> df
Ohio Texas California
a 0 1 2
c 3 4 5
d 6 7 8
[3 rows x 3 columns]
>>> ser.drop('c')
d 4.5
b 7.2
a -5.3
dtype: float64
>>> df.drop('a')
Ohio Texas California
c 3 4 5
d 6 7 8
[2 rows x 3 columns]
>>> df.drop(['Ohio','Texas'],axis=1)
California
a 2
c 5
d 8
[3 rows x 1 columns]
.drop() 返回的是一個新對象，元對象不會被改變。
索引和切片
就像 Numpy，pandas 也支持通過 obj[::] 的方式進行索引和切片，以及通過布爾型數組進行過濾。
不過須要注意，因為 pandas 對象的 index 不限於整數，所以當使用非整數作為切片索引時，它是末端包含的。
>>> foo a 4.5 b 7.2 c -5.3 d 3.6 dtype: float64 >>> bar 0 4.5 1 7.2 2 -5.3 3 3.6 dtype: float64 >>> foo[:2] a 4.5 b 7.2 dtype: float64 >>> bar[:2] 0 4.5 1 7.2 dtype: float64 >>> foo[:'c'] a 4.5 b 7.2 c -5.3 dtype: float64
這里 foo 和 bar 只有 index 不同——bar 的 index 是整數序列。可見當使用整數索引切片時，結果與 Python 列表或 Numpy 的默認狀況相同；換成'c' 這樣的字符串索引時，結果就包含了這個邊界元素。
另外一個特別之處在於 DataFrame 對象的索引方式，因為他有兩個軸向（雙重索引）。
可以這么理解：DataFrame 對象的標准切片語法為：.ix[::,::]。ix 對象可以接受兩套切片，分別為行（axis=0）和列（axis=1）的方向：
>>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.ix[:2,:2] Ohio Texas a 0 1 c 3 4 [2 rows x 2 columns] >>> df.ix['a','Ohio'] 0
而不使用 ix ，直接切的情況就特殊了：
- 索引時，選取的是列
- 切片時，選取的是行
這看起來有點不合邏輯，但作者解釋說 “這種語法設定來源於實踐”，我們信他。
>>> df['Ohio'] a 0 c 3 d 6 Name: Ohio, dtype: int32 >>> df[:'c'] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns] >>> df[:2] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns]
使用布爾型數組的情況，注意行與列的不同切法（列切法的 : 不能省）：
>>> df['Texas']>=4 a False c True d True Name: Texas, dtype: bool >>> df[df['Texas']>=4] Ohio Texas California c 3 4 5 d 6 7 8 [2 rows x 3 columns] >>> df.ix[:,df.ix['c']>=4] Texas California a 1 2 c 4 5 d 7 8 [3 rows x 2 columns]
算術運算和數據對齊
pandas 最重要的一個功能是，它可以對不同索引的對象進行算術運算。在將對象相加時，結果的索引取索引對的並集。自動的數據對齊在不重疊的索引處引入空值，默認為 NaN。
>>> foo = Series({'a':1,'b':2})
>>> foo
a 1
b 2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b 3
d 4
dtype: int64
>>> foo + bar
a NaN
b 5
d NaN
dtype: float64
DataFrame 的對齊操作會同時發生在行和列上。
當不希望在運算結果中出現 NA 值時，可以使用前面 reindex 中提到過fill_value 參數，不過為了傳遞這個參數，就需要使用對象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算術方法還有：sub(), div(), mul()。
Series 和 DataFrame 之間的算術運算涉及廣播，暫時先不講。
函數應用和映射
Numpy 的 ufuncs（元素級數組方法）也可用於操作 pandas 對象。
當希望將函數應用到 DataFrame 對象的某一行或列時，可以使用.apply(func, axis=0, args=(), **kwds) 方法。
f = lambda x:x.max()-x.min() >>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.apply(f) Ohio 6 Texas 6 California 6 dtype: int64 >>> df.apply(f,axis=1) a 2 c 2 d 2 dtype: int64
排序和排名
Series 的 sort_index(ascending=True) 方法可以對 index 進行排序操作，ascending 參數用於控制升序或降序，默認為升序。
若要按值對 Series 進行排序，當使用 .order() 方法，任何缺失值默認都會被放到 Series 的末尾。
在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一個軸向的選擇參數與一個 by 參數，by 參數的作用是針對某一（些）列進行排序（不能對行使用 by 參數）：
>>> df.sort_index(by='Ohio') Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(by=['California','Texas']) Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(axis=1) California Ohio Texas a 2 0 1 c 5 3 4 d 8 6 7 [3 rows x 3 columns]
排名（Series.rank(method='average', ascending=True)）的作用與排序的不同之處在於，他會把對象的 values 替換成名次（從 1 到 n）。這時唯一的問題在於如何處理平級項，方法里的 method 參數就是起這個作用的，他有四個值可選：average, min, max, first。
>>> ser=Series([3,2,0,3],index=list('abcd'))
>>> ser
a 3
b 2
c 0
d 3
dtype: int64
>>> ser.rank()
a 3.5
b 2.0
c 1.0
d 3.5
dtype: float64
>>> ser.rank(method='min')
a 3
b 2
c 1
d 3
dtype: float64
>>> ser.rank(method='max')
a 4
b 2
c 1
d 4
dtype: float64
>>> ser.rank(method='first')
a 3
b 2
c 1
d 4
dtype: float64
注意在 ser[0]=ser[3] 這對平級項上，不同 method 參數表現出的不同名次。
DataFrame 的 .rank(axis=0, method='average', ascending=True) 方法多了個 axis 參數，可選擇按行或列分別進行排名，暫時好像沒有針對全部元素的排名方法。
統計方法
pandas 對象有一些統計方法。它們大部分都屬於約簡和匯總統計，用於從 Series 中提取單個值，或從 DataFrame 的行或列中提取一個 Series。
比如 DataFrame.mean(axis=0,skipna=True) 方法，當數據集中存在 NA 值時，這些值會被簡單跳過，除非整個切片（行或列）全是 NA，如果不想這樣，則可以通過 skipna=False 來禁用此功能：
>>> df
one two
a 1.40 NaN
b 7.10 -4.5
c NaN NaN
d 0.75 -1.3
[4 rows x 2 columns]
>>> df.mean()
one 3.083333
two -2.900000
dtype: float64
>>> df.mean(axis=1)
a 1.400
b 1.300
c NaN
d -0.275
dtype: float64
>>> df.mean(axis=1,skipna=False)
a NaN
b 1.300
c NaN
d -0.275
dtype: float64
其他常用的統計方法有：
| ######################## | ****************************************** |
| count | 非 NA 值的數量 |
| describe | 針對 Series 或 DF 的列計算匯總統計 |
| min , max | 最小值和最大值 |
| argmin , argmax | 最小值和最大值的索引位置（整數） |
| idxmin , idxmax | 最小值和最大值的索引值 |
| quantile | 樣本分位數（0 到 1） |
| sum | 求和 |
| mean | 均值 |
| median | 中位數 |
| mad | 根據均值計算平均絕對離差 |
| var | 方差 |
| std | 標准差 |
| skew | 樣本值的偏度（三階矩） |
| kurt | 樣本值的峰度（四階矩） |
| cumsum | 樣本值的累計和 |
| cummin , cummax | 樣本值的累計最大值和累計最小值 |
| cumprod | 樣本值的累計積 |
| diff | 計算一階差分（對時間序列很有用） |
| pct_change | 計算百分數變化 |
處理缺失數據
pandas 中 NA 的主要表現為 np.nan，另外 Python 內建的 None 也會被當做 NA 處理。
處理 NA 的方法有四種：dropna , fillna , isnull , notnull 。
is(not)null
這一對方法對對象做元素級應用，然后返回一個布爾型數組，一般可用於布爾型索引。
dropna
對於一個 Series，dropna 返回一個僅含非空數據和索引值的 Series。
問題在於對 DataFrame 的處理方式，因為一旦 drop 的話，至少要丟掉一行（列）。這里的解決方式與前面類似，還是通過一個額外的參數：dropna(axis=0, how='any', thresh=None) ，how 參數可選的值為 any 或者 all。all 僅在切片元素全為 NA 時才拋棄該行(列)。另外一個有趣的參數是 thresh，該參數的類型為整數，它的作用是，比如 thresh=3，會在一行中至少有 3 個非 NA 值時將其保留。
fillna
fillna(value=None, method=None, axis=0) 中的 value 參數除了基本類型外，還可以使用字典，這樣可以實現對不同的列填充不同的值。method 的用法與前面 .reindex() 方法相同，這里不再贅述。
inplace 參數
前面有個點一直沒講，結果整篇示例寫下來發現還挺重要的。就是 Series 和 DataFrame 對象的方法中，凡是會對數組作出修改並返回一個新數組的，往往都有一個 replace=False 的可選參數。如果手動設定為 True，那么原數組就可以被替換。