淺析Python數據處理

Numpy、Pandas是Python數據處理中經常用到的兩個框架，都是采用C語言編寫，所以運算速度快。Matplotlib是Python的的畫圖工具，可以把之前處理后的數據通過圖像繪制出來。之前只是看過語法，沒有系統學習總結過，本博文總結了這三個框架的API。

以下是這三個框架的的簡單介紹和區別：

• Numpy：經常用于數據生成和一些運算
• Pandas：基于Numpy構建的，是Numpy的升級版本
• Matplotlib：Python中強大的繪圖工具
  

Numpy

Numpy快速入門教程可參考：Numpy tutorial

Numpy屬性

ndarray.ndim：維度

ndarray.shape：行數和列數，例如(3, 5)

ndarray.size：元素的個數

ndarray.dtype：元素類型

Numpy創建

array(object, dtype=None)：使用Python的list或者tuple創建數據

zeors(shape, dtype=float)：創建全為0的數據

ones(shape, dtype=None)：創建全為1的數據

empty(shape, dtype=float)：創建沒有初始化的數據

arange([start, ]stop, [step, ]dtype=None)：創建固定間隔的數據段

linspace(start, stop, num=50, dtype=None)：在給定的范圍，均勻的創建數據

Numpy運算

加、減：a + b、a - b

乘：b*2、10*np.sin(a)

次方：b**2

判斷：a<35，輸出True或False的數組

矩陣乘：np.dot(A,B) 或 A.dot(B)

其他：+=、-+、sin、cos、exp

Numpy索引

數組索引方式：A[1, 1]

切片：A[1, 1:3]

迭代：for item in A.flat

Numpy其他

reshape(a, newshape)：改變數據形狀，不會對原始數據進行修改，返回一組新數據

resize(a, new_shape)：改變數據形狀，會對原始數據進行修改，不返回數據

ravel(a)：將成一維返回

vstack(tup)：上下合并

hstack(tup)：左右合并

hsplit(ary, indices_or_sections)：水平分割n份

vsplit(ary, indices_or_sections)：垂直分割n份

copy(a)：深度拷貝

Pandas

Pandas快速入門教程可參考：10 Minutes to pandas

Pandas數據結構

Pandas的數據結構有兩種：Series和DataFrame。

Series：索引在左邊，值在右邊。創建方式如下：

In [4]: s = pd.Series([1,3,5,np.nan,6,8])
In [5]: s
Out[5]: 
0  1.0
1  3.0
2  5.0
3  NaN
4  6.0
5  8.0
dtype: float64

DataFrame：是一個表格型的數據結構，既有行索引也有列索引， 它可以被看做由Series組成的大字典。創建方式如下：

In [6]: dates = pd.date_range('20130101', periods=6)

In [7]: dates
Out[7]: 
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
        '2013-01-05', '2013-01-06'],
       dtype='datetime64[ns]', freq='D')

In [8]: df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

Pandas查看數據

index：索引

columns：列索引

values：值

head(n=5)：返回前n項數據

tail(n=5)：返回后n項數據

describe()：打印出數據的數量、平均值等各項數據

sort_index(axis=1, ascending=False)：根據索引排序

sort_values(by='B')：根據索引值排序

Pandas選擇數據

數組選擇方式：df[‘A']

切片選擇方式：df[0:3] 或 df[‘20130102':'20130104']

根據標簽選擇：df.loc[‘20130102':'20130104',[‘A','B']]

根據位置選擇：df.iloc[3:5,0:2]

混合選擇：df.ix[:3,[‘A','C']]

條件判斷選擇：df[df.A > 0]

Pandas處理丟失數據

刪除丟失數據的行：df.dropna(how='any')

填充丟失數據：df.fillna(value=5)

數據值是否為NaN：pd.isna(df1)

Pandas合并數據

pd.concat([df1, df2, df3], axis=0)：合并df

pd.merge(left, right, on='key')：根據key字段合并

df.append(s, ignore_index=True)：添加數據

Pandas導入導出

df.to_csv(‘foo.csv')：保存到csv文件

pd.read_csv(‘foo.csv')：從csv文件讀取

df.to_excel(‘foo.xlsx', sheet_name='Sheet1')：保存到excel文件

pd.read_excel(‘foo.xlsx', ‘Sheet1', index_col=None, na_values=[‘NA'])：從excel文件讀取

Matplotlib

這里只介紹最簡單的出圖方式：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 隨機生成1000個數據
data = pd.Series(np.random.randn(1000),index=np.arange(1000))
# 為了方便觀看效果, 我們累加這個數據
data.cumsum()
# pandas 數據可以直接觀看其可視化形式
data.plot()
plt.show()