Pandas

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

• 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]

• 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

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')