Pandas

来自Shiyin's note
跳到导航 跳到搜索

Python Data Analysis Library

数据结构

DataFrame

df = pd.DataFrame([[1, 2, 3],[4, 5, 6]], columns=['col1','col2','col3'], index=['a','b'])
  • 表格方式定义,行是 index, 列是columns,值是values
df.index 
df.columns
df.values  #二维数组
  • df[0:1]调用第一行,调用列 df['col1']
  • 调用行 df.loc['a'],调用1到3行:df.loc[0:2](注意df[0:2]调用的是前2行,可以调用一组指定的行df.loc[sel], sel是序列的切片index
  • df.iloc[] :是index location,以二维矩阵的位置指标(即0,1,2……)作为参数。
df.iloc[2,2],调用第二行,第二列
  • 输出为markdown文件 print(df.head().to_markdown())

DataFrame和ndarray相互转换

  • ndarray转Dataframe :直接用pd.Dataframe,如 dataDf=pd.DataFrame(np.arange(12).reshape(3,4))
  • Dataframe 转换为ndarray: dataDF.as_matrix()或者dataDF.values

Series

  • 每一项称为items,比较像字典,又分为index和values
  • 默认的index是range(),所以可以从ndarray转换而来
  • 可以从字典装换而来,key是变成index
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
ser3 = Series(sdata)
  • 不同Series对象可以根据索引进行匹配计算。
  • 根据索引进行检索:ser3.loc['Ohio']
  • Series.describe() #看这个序列数值的基本统计量
  • 缺失值处理 Series.isnull(), Series.notnull(), Series.fillnull()

Index

  • 比较像集合set,但是元素可以重复

io

read_csv

data=pd.read_csv('cGs_for_LAMOST.csv',comment='#')
data.columns
ra=data['ra']
dec=data['dec]
comment='#'
sep=' '(或者'\s' ;sep='\t'(分隔符是Tab键)或者delim_whitespace=True
usecols=[0,1,2] 读取指定列(这是在columns没有name的情况下)
names=["col1","col2"]指定读取进去之后columns的name

read_table

:读普通的ascii文件

file=pd.read_table(path+'test1.spectrum',skiprows=range(0,6),usecols=range(3),\
                 delim_whitespace=True, names=('A', 'B', 'C'), dtype={'A': np.int64, 'B': np.float64, 'C': np.float64})
a=file['A'].values
read_table('desi_kcorr.ini',header=None, sep='\s+',dtype=np.float32)
  • sep='\s+'(分隔符号是空格,多个空格也行)等价于delim_whitespace=True, header=None 没有标题行,所有数都按照浮点格式

write_csv

  • 例子,xmean,ymean,ystd是三个一维数组,需要输出
data={'RtoRe':xmean,'ymean':ymean,'ystd':ystd} #先生成一个字典
df=pd.DataFrame(data)
df.to_csv('mydata.csv',index=False)

hdf5

  • 复杂数据结构可以组合成一个hdf5结构 [1]
  • 写入
store = pd.HDFStore('store.h5')
#生成一个1亿行,5列的标准正态分布随机数表
df = pd.DataFrame(np.random.rand(100000000,5))
store['df'] = df
####压缩格式存储
h5 = pd.HDFStore('store_comp.h5','w', complevel=4, complib='blosc')
h5['data'] = df
  • 读入
  • store = pd.HDFStore('Omet_CEM.h5')
  • store.keys()
data=pd.read_hdf('/data/stock/test_c4.h5',key='data')
  • pandas 生成的h5文件,其数据块只可以是series或者DataFrame,不支持其他格式。反过来h5py生成的h5文件其value可以直接是ndarray
#numpy数据直接写入H5文件
f = h5py.File('test-dev.h5','w') 
f['bndbox'] = h5_bndbox 
f['imgname'] = h5_imgname 
f.close()
  • 打开h5文件出错:'Resource temporarily unavailable',一般是因为打开了文件接口没有关闭,可以强行用一下模式进行
os.environ["HDF5_USE_FILE_LOCKING"] = "FALSE"
  • pd.read_hdf和pd.HDFstore的效果好像不一样(碰到HDFStore生成的文件用前者读取出错)

pickle

  • 使用DataFrame的to_pickle属性就可以生成pickle文件对数据进行永久储存
df = pd.DataFrame(np.arange(20).reshape(4,5))
df.to_pickle('foo.pkl')
pd.read_pickle('foo.pkl')