导入数据

使用read_csv导入数据非常方便
导入的数据的数据类型是DataFrame。
导入数据主要使用read系列函数
还有read_table、read_excel、read_json等

df = pd.read_csv(
    # 该参数为数据在电脑中的路径，可以不填写
    filepath_or_buffer='/Users/Weidu/Desktop/sz000002.csv',
    
    # 该参数代表数据的分隔符，csv文件默认是逗号。其他常见的是'\t'
    sep=',',
    
    # 该参数代表跳过数据文件的的第1行不读入
    skiprows=1,
    
    # nrows，只读取前n行数据，若不指定，读入全部的数据
    nrows=15,
    
    # 将指定列的数据识别为日期格式。若不指定，时间数据将会以字符串形式读入。一开始先不用。
    # parse_dates=['交易日期'],
    
    # 将指定列设置为index。若不指定，index默认为0, 1, 2, 3, 4...
    # index_col=['交易日期'],
    
    # 读取指定的这几列数据，其他数据不读取。若不指定，读入全部列
    usecols=['交易日期', '股票代码', '股票名称', '收盘价', '涨跌幅', '成交量', '新浪概念'],
    
    # 当某行数据有问题时，报错。设定为False时即不报错，直接跳过该行。当数据比较脏乱的时候用这个。
    error_bad_lines=False,
    
    # 将数据中的null识别为空值
    na_values='NULL',
    
    # 添加列名
    names = ['a','b','c']
    
    # 一组用于替换NA/NaN的值。如果传参，需要制定特定列的空值
    na_values 
    
    # 备选分割符 （如果指定该参数，则sep参数失效）
    delimiter 
)

查看读入数据的常规操作

print(df.shape)  # 输出dataframe有多少行、多少列。
print(df.shape[0])  # 取行数量，相应的列数量就是df.shape[1]
print(df.columns) # 顺序输出每一列的名字，演示如何for语句遍历。
print(df.index) # 顺序输出每一行的名字，可以for语句遍历。
print(df.dtypes) # 数据每一列的类型不一样，比如数字、字符串、日期等。该方法输出每一列变量类型
print(df.head(3))  # 看前3行的数据，默认是5。与自然语言很接近
print(df.tail(3))  # 看最后3行的数据，默认是5。
print(df.sample(n=3))  # 随机抽取3行，想要去固定比例的话，可以用frac参数
print(df.describe())  # 非常方便的函数，对每一列数据有直观感受；只会对数字类型的列有效

对print的数据格式进行修正

# 当列太多时不换行
pd.set_option('expand_frame_repr', False)  

#设定每一列的最大宽度，恢复原设置的方法，pd.reset_option('max_colwidth')
pd.set_option('max_colwidth', 8) # 

如何选取指定的行、列

print(df['股票代码'])  # 根据列名称来选取，读取的数据是Series类型
print(df[['股票代码', '收盘价']]) # 同时选取多列，需要两个括号，读取的数据是DataFrame类型
print(df[[0, 1, 2]])  # 也可以通过列的position来选取

行列加减乘除

print(df['股票名称'] + '_地产')  # 字符串列可以直接加上字符串，对整列进行操作
print(df['收盘价'] * 100)  # 数字列直接加上或者乘以数字，对整列进行操作。
print(df['收盘价'] * df['成交量'])  # 两列之间可以直接操作

新增一列

df['股票名称+行业'] = df['股票名称'] + '_地产'

统计函数

print(df['收盘价'].mean())  # 求一整列的均值，返回一个数。会自动排除空值。
print(df[['收盘价', '成交量']].mean())  # 求两列的均值，返回两个数，Series
print(df[['收盘价', '成交量']])
print(df[['收盘价', '成交量']].mean(axis=1))  
# 求两列的均值，返回DataFrame。axis=0或者1要搞清楚。
# axis=1，代表对整几列进行操作。
# axis=0（默认）代表对几行进行操作。
# 实际中弄混很正常，到时候试一下就知道了。
print(df['收盘价'].max())  # 最大值
print(df['收盘价'].min())  # 最小值
print(df['收盘价'].std())  # 标准差
print(df['收盘价'].count())  # 非空的数据的数量
print(df['收盘价'].median())  # 中位数
print(df['收盘价'].quantile(0.25))  # 25%分位数

删除列

df.drop(['涨跌'], axis=1, inplace=True)  
# 删除某一列的另外一种方式，inplace参数指是否替代原来的df

df['涨跌'] = df['收盘价'].diff(-1)  
# 求本行数据和上一行数据相减得到的值

排序和计数

df['收盘价_排名'] = df['收盘价'].rank(ascending=True, pct=False)  
# 输出排名。ascending参数代表是顺序还是逆序。pct参数代表输出的是排名还是排名比例

df['股票代码'].value_counts()
# 计数。统计该列中每个元素出现的次数。返回的数据是Series

筛选符合条件的数据

print(df['股票代码'] == 'sh000002') 
# 判断股票代码是否等于sz000002
print(df[df['股票代码'] == 'sz000002'])  
# 将判断为True的输出：选取股票代码等于sz000002的行
print(df[df['股票代码'].isin(['sz000002', 'sz000003 ', 'sz000004'])])  
# 选取股票代码等于sz000002的行
print(df[df['收盘价'] >= 24.0])  
# 选取收盘价大于24的行
print(df[(df.index >= '03/12/2016') & (df.index <= '06/12/2016')])  
# 两个条件，或者的话就是|

删除缺失值

print(df.dropna(how='any'))  
# 将带有空值的行删除。how='any'意味着，该行中只要有一个空值，就会删除，可以改成all。
print(df.dropna(subset=['MACD', '涨跌幅'], how='all'))  
# subset参数指定在特定的列中判断空值。
# all代表全部为空，才会删除该行；any只要一个为空，就删除该行。

补全缺失值

print(df.fillna(value='叉'))  
# 直接将缺失值赋值为固定的值'没有'

# 替换填充 平均值，中位数 
movie['xxx'].fillna(movie['xxx'].mean(), inplace=True)

df['MACD'].fillna(value=df['收盘价'], inplace=True)  
# 直接将缺失值赋值其他列的数据

print(df.fillna(method='ffill'))  
# 向上寻找最近的一个非空值，以该值来填充缺失的位置，全称forward fill，非常有用

print(df.fillna(method='bfill'))  
# 向下寻找最近的一个非空值，以该值来填充确实的位置，全称backward fill

# 替换所有的缺失值
for i in movie.columns:
    if np.all(pd.notnull(movie[i])) == False:
        print(i)
        movie[i].fillna(movie[i].mean(), inplace=True)
        
# 把一些其它值标记的缺失值，替换成np.nan
wis = wis.replace(to_replace='?', value=np.nan)

排序函数

df.reset_index(inplace=True)

print(df.sort_values(by=['交易日期'], ascending=1))  
# by参数指定按照什么进行排序，acsending参数指定是顺序还是逆序，1顺序，0逆序

print(df.sort_values(by=['股票名称', '交易日期'], ascending=[1, 1])) 
# 按照多列进行排序

df上下合并

df.reset_index(inplace=True)
df1 = df.iloc[0:10][['交易日期', '股票代码', '收盘价', '涨跌幅']]
print(df1)
df2 = df.iloc[5:15][['交易日期', '股票名称', '收盘价', '涨跌幅']]
print(df2)
print(df1.append(df2))  
# append操作，将df1和df2上下拼接起来。注意观察拼接之后的index
df3 = df1.append(df2, ignore_index=True)  
# ignore_index参数，用户重新确定index
print(df3)

对数据进行去重

# df3中有重复的行数，我们如何将重复的行数去除？
df3.drop_duplicates(
    subset=['收盘价', '交易日期'],  
    # subset参数用来指定根据哪类类数据来判断是否重复。若不指定，则用全部列的数据来判断是否重复
    
    keep='first',  
    # 在去除重复值的时候，我们是保留上面一行还是下面一行？first保留上面一行，last保留下面一行，False就是一行都不保留
    
    inplace=True
)
print(df3)

数据行和列转置

print(df.T)  # 将数据转置，行变成列，很有用

字符串处理

print(df['股票代码'])
print('sz000002'[:2])
print(df['股票代码'].str[:2])
print(df['股票代码'].str.upper())  
# 加上str之后可以使用常见的字符串函数对整列进行操作
print(df['股票代码'].str.lower())
print(df['股票代码'].str.len())  
# 计算字符串的长度,length
df['股票代码'].str.strip()  
# strip操作，把字符串两边的空格去掉
print(df['股票代码'].str.contains('sh'))  
# 判断字符串中是否包含某些特定字符
print(df['股票代码'].str.replace('sz', 'sh'))  
# 进行替换，将sz替换成sh

时间处理

df['交易日期'] = pd.to_datetime(df['交易日期'])  
# 将交易日期由字符串改为时间变量
# args：string[D,s,ms,us,ns], default ‘ns’

pd.DatetimeIndex(time_value)

print(df['交易日期'])
print(df.iloc[0]['交易日期'])
print(df.dtypes)
print(pd.to_datetime('1999年01月01日')) # pd.to_datetime函数：将字符串转变为时间变量
print(df.at[0, '交易日期'])
print(df['交易日期'].dt.year)  
# 输出这个日期的年份。相应的month是月份，day是天数，还有hour, minute, second


print(df['交易日期'].dt.dayofyear)  # 这一天是一年当中的第几天
print(df['交易日期'].dt.dayofweek) # 这一天是这一周当中的第几天，0代表星期一
print(df['交易日期'].dt.weekday)  # 和上面函数相同，更加常用
print(df['交易日期'].dt.weekday_name)  # 和上面函数相同，返回的是星期几的英文，用于报表的制作。
print(df['交易日期'].dt.days_in_month)  # 这一天是这一月当中的第几天
print(df['交易日期'].dt.is_month_end)  # 这一天是否是该月的开头，是否存在is_month_end？
print(df['交易日期'] + pd.Timedelta(days=1))  # 增加一天，Timedelta用于表示时间差数据
print((df['交易日期'] + pd.Timedelta(days=1)) - df['交易日期'])  # 增加一天然后再减去今天的日期

rolling expanding

#计算'收盘价'这一列的均值
print(df['收盘价'].mean())
# 如何得到每一天的最近3天收盘价的均值呢？即如何计算常用的移动平均线？
# 使用rolling函数
df['收盘价_3天均值'] = df['收盘价'].rolling(5).mean()
print(df[['收盘价', '收盘价_3天均值']])
# rolling(n)即为取最近n行数据的意思，只计算这n行数据。后面可以接各类计算函数，例如max、min、std等
print(df['收盘价'].rolling(3).max())
print(df['收盘价'].rolling(3).min())
print(df['收盘价'].rolling(3).std())


# expanding
print(df['收盘价'].expanding().max())
print(df['收盘价'].expanding().min())
print(df['收盘价'].expanding().std())

输出为csv文件

‘output.csv’ 不能加路径，加路径会报错

df.to_csv('output.csv', encoding='gbk', index=False)

pd.query

查询操作

data = data.query("x>1.0 & x<1.25 & y>2.5 &y<2.75")

pd.plot

利用pandas工具调用matplotlib画图,更方便。

pandas.DataFrame.plot
DataFrame.plot(kind='line')

#kind : str，需要绘制图形的种类
‘line’ : line plot (default)
‘bar’ : vertical bar plot
‘barh’ : horizontal bar plot
#关于“barh”的解释：
#http://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.#arh.html
‘hist’ : histogram
‘pie’ : pie plot
‘scatter’ : scatter plot

#更多细节：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html?highlight=plot#pandas.DataFrame.plot

得到one_hot编码

pandas.get_dummies(data, prefix=None)
参数：
data: array-like, Series, or DataFrame
prefix:分组名字

dummies = pd.get_dummies(p_counts, prefix="rise")

数据合并

pd.concat

# 按照行或列进行合并,axis=0为列索引，axis=1为行索引
pd.concat([data1, data2], axis=1)

pd.merge

# 可以指定按照两组数据的共同键值对合并或者左右各自
# left: DataFrame
# right: 另一个DataFrame
# on: 指定的共同键
# how:按照什么方式连接
pd.merge(left, right, how='inner', on=None)

pandas配置设置

# 配置pandas输出时的数据格式  保留3个小数
pd.set_option('display.float_format', lambda x: '%.3f' % x)
# 配置显示所有列
pd.set_option('display.max_columns',None)

转化为列表

# 下次实验的时候记得记笔记
# ndarray 转化为list
tolist()

原文链接:https://blog.csdn.net/lijiamingccc/article/details/119001635