查看“Pandas”的源代码

Python Data Analysis Library

==数据结构==
*https://www.cnblogs.com/songxiaohua/p/9445087.html
===DataFrame===
*参见 https://blog.csdn.net/u014281392/article/details/75331570
 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

===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]

*现在推荐read_csv 读普通表格了，默认总是把第一行做表头，如果没有表头用header=None
*详见 https://blog.csdn.net/brucewong0516/article/details/79092579
: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
*sep='\s+'（分隔符号是空格，多个空格也行）等价于delim_whitespace=True

===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 [https://www.cnblogs.com/feffery/p/11135082.html]
*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')