1 import語句

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

2 文件讀取

df = pd.read_csv(path=‘file.csv‘)
參數：header=None  用默認列名，0，1，2，3...
     names=[‘A‘, ‘B‘, ‘C‘...] 自定義列名
     index_col=‘A‘|[‘A‘, ‘B‘...]  給索引列指定名稱，如果是多重索引，可以傳list
     skiprows=[0,1,2] 需要跳過的行號，從文件頭0開始，skip_footer從文件尾開始
     nrows
 
=N 需要讀取的行數，前N行
     chunksize=M 返回叠代類型TextFileReader，每M條叠代一次，數據占用較大內存時使用
     sep=‘:‘數據分隔默認是‘,‘，根據文件選擇合適的分隔符，如果不指定參數，會自動解析
     skip_blank_lines=False 默認為True，跳過空行，如果選擇不跳過，會填充NaN
     converters={‘col1‘, func} 對選定列使用函數func轉換，通常表示編號的列會使用（避免轉換成int）

dfjs = pd.read_json(‘file.json‘)  可以傳入json格式字符串
dfex 
 
= pd.read_excel(‘file.xls‘, sheetname=[0,1..]) 讀取多個sheet頁，返回多個df的字典

3 數據預處理

df.duplicated()           返回各行是否是上一行的重復行
df.drop_duplicates()      刪除重復行，如果需要按照列過濾，參數選填[‘col1‘, ‘col2‘,...]
df.fillna(0)              用實數0填充na
df.dropna()               axis=0|1  0-index 1-column
                          how=‘all‘|‘any‘ all-全部是NA才刪  any-只要有NA就全刪
del df[‘col1‘]            直接刪除某一列              
df.drop([‘col1‘,...], aixs=1)   刪除指定列，也可以刪除行                          
df.column = col_lst       重新制定列名
df.rename(index={‘row1‘:‘A‘},   重命名索引名和列名
          columns={‘col1‘:‘A1‘})  
df.replace(dict)          替換df值，前後值可以用字典表，{1:‘A’, ‘2‘:‘B‘}

def get_digits(str):
    m = re.match(r‘(\d+(\.\d+)?)‘, str.decode(‘utf-8‘))
    if m is not None:   
        return float(m.groups()[0])
    else:
        return 0
df.apply(get_digits)      DataFrame.apply，只獲取小數部分，可以選定某一列或行
df[‘col1‘].map(func)      Series.map，只對列進行函數轉換

pd.merge(df1, df2, on=‘col1‘, 
         how=‘inner‘，sort=True) 合並兩個DataFrame，按照共有的某列做內連接（交集），outter為外連接（並集），結果排序

pd.merge(df1, df2, left_on=‘col1‘, 
         right_on=‘col2‘)   df1 df2沒有公共列名，所以合並需指定兩邊的參考列


pd.concat([sr1, sr2, sr3,...], axis=0) 多個Series堆疊成多行，結果仍然是一個Series
pd.concat([sr1, sr2, sr3,...], axis=1) 多個Series組合成多行多列，結果是一個DataFrame，索引取並集，沒有交集的位置填入缺省值NaN

df1.combine_first(df2)   用df2的數據補充df1的缺省值NaN，如果df2有更多行，也一並補上

df.stack()              列旋轉成行，也就是列名變為索引名，原索引變成多層索引，結果是具有多層索引的Series，實際上是把數據集拉長

df.unstack()            將含有多層索引的Series轉換為DataFrame，實際上是把數據集壓扁，如果某一列具有較少類別，那麽把這些類別拉出來作為列
df.pivot()              實際上是unstack的應用，把數據集壓扁

pd.get_dummies(df[‘col1‘], prefix=‘key‘) 某列含有有限個值，且這些值一般是字符串，例如國家，借鑒位圖的思想，可以把k個國家這一列量化成k列，每列用0、1表示

4 數據篩選

df.columns             列名，返回Index類型的列的集合
df.index               索引名，返回Index類型的索引的集合
df.shape               返回tuple，行x列
df.head(n=N)           返回前N條
df.tail(n=M)           返回後M條
df.values              值的二維數組，以numpy.ndarray對象返回
df.index               DataFrame的索引，索引不可以直接賦值修改
df.reindex(index=[‘row1‘, ‘row2‘,...]
           columns=[‘col1‘, ‘col2‘,...]) 根據新索引重新排序
df[m:n]                   切片，選取m~n-1行
df[df[‘col1‘] > 1]     選取滿足條件的行
df.query(‘col1 > 1‘)   選取滿足條件的行
df.query(‘col1==[v1,v2,...]‘) 
df.ix[:,‘col1‘]        選取某一列
df.ix[‘row1‘, ‘col2‘]  選取某一元素
df.ix[:,:‘col2‘]       切片選取某一列之前（包括col2）的所有列
df.loc[m:n]            獲取從m~n行（推薦）
df.iloc[m:n]           獲取從m~n-1行
df.loc[m:n-1,‘col1‘:‘coln‘]   獲取從m~n行的col1~coln列


sr=df[‘col‘]           取某一列，返回Series
sr.values              Series的值，以numpy.ndarray對象返回
sr.index               Series的索引，以index對象返回

5 數據運算與排序

df.T                   DataFrame轉置
df1 + df2              按照索引和列相加，得到並集，NaN填充
df1.add(df2, fill_value=0) 用其他值填充
df1.add/sub//mul/div   四則運算的方法
df - sr                DataFrame的所有行同時減去Series
df * N                 所有元素乘以N
df.add(sr, axis=0)     DataFrame的所有列同時減去Series


sr.order()             Series升序排列
df.sort_index(aixs=0, ascending=True) 按行索引升序
df.sort_index(by=[‘col1‘, ‘col2‘...])  按指定列優先排序
df.rank()              計算排名rank值

6 數學統計

sr.unique             Series去重
sr.value_counts()     Series統計頻率，並從大到小排序，DataFrame沒有這個方法
sr.describe()         返回基本統計量和分位數

df.describe()         按各列返回基本統計量和分位數
df.count()            求非NA值得數量
df.max()              求最大值
df.min()              求最大值
df.sum(axis=0)        按各列求和
df.mean()             按各列求平均值
df.median()           求中位數
df.var()              求方差
df.std()              求標準差
df.mad()              根據平均值計算平均絕對利差
df.cumsum()           求累計和
sr1.corr(sr2)         求相關系數
df.cov()              求協方差矩陣
df1.corrwith(df2)     求相關系數

pd.cut(array1, bins)  求一維數據的區間分布
pd.qcut(array1, 4)    按指定分位數進行區間劃分，4可以替換成自定義的分位數列表   

df[‘col1‘].groupby(df[‘col2‘]) 列1按照列2分組，即列2作為key
df.groupby(‘col1‘)    DataFrame按照列1分組
grouped.aggreagte(func) 分組後根據傳入函數來聚合
grouped.aggregate([f1, f2,...]) 根據多個函數聚合，表現成多列，函數名為列名
grouped.aggregate([(‘f1_name‘, f1), (‘f2_name‘, f2)]) 重命名聚合後的列名
grouped.aggregate({‘col1‘:f1, ‘col2‘:f2,...}) 對不同的列應用不同函數的聚合，函數也可以是多個


df.pivot_table([‘col1‘, ‘col2‘], 
               rows=[‘row1‘, ‘row2‘], 
               aggfunc=[np.mean, np.sum]
               fill_value=0,
               margins=True)  根據row1, row2對col1， col2做分組聚合，聚合方法可以指定多種，並用指定值替換缺省值


pd.crosstab(df[‘col1‘], df[‘col2‘]) 交叉表，計算分組的頻率

pandas常用函數