pandas使用(1)
note:学习环境python3.5,pandas库
pandas是基于NumPy的一个非常好用的库，正如名字一样，人见人爱。之所以如此，就在于无论读取，处理数据用它都非常简单。
基本的数据结构
Pandas有两种自己独有的基本数据结构。应该注意的是，它固然有找两种数据结构，因为它依然是Python的一个 库，所以，Python中有的数据类型在这里依然使用，也同样可以使用类自己定义数据类型。只不过，Pandas里面又定义了两种数据类型：Series 和DataFrame,它们让数据操作更简单了。
以下操作都只基于：
frome pandas import Series,DataFrame
import pandas as pd
为了省事，后面就不在显示了。并且如果使用Ipython notebook,只需要开始引入了模块即可。
1.Series
Series 就如同列表一样，一系列数据，每个数据对应一个索引值。比如这样一个列表：[9, 3, 8]，如果跟索引值写到一起，就是：
| data | 9 | 3 | 8 |
|---|---|---|---|
| index | 0 | 1 | 2 |
这种样式我们已经熟悉了，不过，在有些时候，需要它竖过来表示：
| index | data |
|---|---|
| 0 | 9 |
| 1 | 3 |
| 2 | 8 |
上面两种，只是表现形式上的差别罢了。
Series就是"竖起来"的list:
s = Series([100,"PYTHON", "Soochow", "Qiwsir"])
s
Out[2]:
0 100
1 PYTHON
2 Soochow
3 Qiwsir
dtype: object
另外一点也很像列表，就是里面的元素的类型，由你任意决定（其实是由需要来决定）。
这里，我们实质上创建了一个 Series 对象，这个==对象当然就有其属性和方法==了。比如，下面的两个属性依次可以显示 Series 对象的数据值和索引：
s.values
s.index
Out[3]
[100 'PYTHON' 'Soochow' 'Qiwsir']
RangeIndex(start=0, stop=4, step=1)
列表的索引只能是从 0 开始的整数，Series 数据类型在默认情况下，其索引也是如此。不过，区别于列表的是，Series 可以自定义索引：
s2 = Series([100,"PYTHON","Soochow","Qiwsir"],index =["mark","title","university","name"])
s2
Out[4]
mark 100
title PYTHON
university Soochow
name Qiwsir
dtype: object
In [5]:s2.index
Out[5]: Index(['mark', 'title', 'university', 'name'], dtype='object')
自定义索引，的确比较有意思。就凭这个，也是必须的。
每个元素都有了索引，就可以根据索引操作元素了。还记得 list 中的操作吗？Series 中，也有类似的操作。先看简单的，根据索引查看其值和修改其值：
In [10]:s2['name']
Out[10]:
'Qiwsir'
In [11]:
#更改索引的值
s2['name'] = 'AOI'
In [12]:s2
Out[12]:
mark 100
title PYTHON
university Soochow
name AOI
dtype: object
这是不是又有点类似 dict 数据了呢？的确如此。看下面就理解了。
读者是否注意到，前面定义 Series 对象的时候，用的是列表，即 Series() 方法的参数中，第一个列表就是其数据值，如果需要定义 index，放在后面，依然是一个列表。除了这种方法之外，还可以用下面的方法定义 Series 对象：
sd = {"Python":8000,"c++":8100,"c#":4000}
s4 = Series(sd)
s4
Python 8000
c# 4000
c++ 8100
dtype: int64
现在是否理解为什么前面那个类似 dict 了？因为本来就是可以这样定义的。
这时候，索引依然可以自定义。Pandas 的优势在这里体现出来，如果自定义了索引，自定的索引会自动寻找原来的索引，如果一样的，就取原来索引对应的值，这个可以简称为“自动对齐”。
s6 = Series(sd, index =["Java","Python","c++","c#"])
s6
Java NaN
Python 8000.0
c++ 8100.0
c# 4000.0
dtype: float64
注意：在这里values类型变成了float
在 sd 中，只有'python':8000, 'c++':8100, 'c#':4000，没有"java"，但是在索引参数中有，于是其它能够“自动对齐”的照搬原值，没有的那个"java"，依然在新 Series 对象的索引中存在，并且自动为其赋值 NaN。在 Pandas 中，如果没有值，都对齐赋给 NaN。来一个更特殊的：
ilst = ["java", "perl"]
s5 = Series(sd , index= ilst)
s5
java NaN
perl NaN
dtype: float64
新得到的 Series 对象索引与 sd 对象一个也不对应，所以都是 NaN。
Pandas 有专门的方法来判断值是否为空。
- pd.isnull() :空->True,不空->False
- pd.notnull() :空->False,不空->True
In [ ]:
pd.isnull(s6)
Out[ ]:
Java True
Python False
c++ False
c# False
dtype: bool
In [ ]:
pd.notnull(s6)
Out[ ]:
Java False
Python True
c++ True
c# True
dtype: bool
其实，对索引的名字，是可以从新定义的：
In [ ]:
s6.index =['p1','p2','p3','p4']
s6
Out[ ]:
p1 NaN
p2 8000.0
p3 8100.0
p4 4000.0
dtype: float64
对于 Series 数据，也可以做类似下面的运算（关于运算，后面还要详细介绍）：
In [ ]:
s3 = Series([3.9,4,7], index =['a','b','c','d']
Out[ ]:
a 3
b 9
c 4
d 7
dtype: int64
In [ ]:
s3[s3 > 5]
Out[ ]:
b 9
d 7
dtype: int64
In [ ]:
s3*5
Out[ ]:
a 15
b 45
c 20
d 35
dtype: int64
In [ ]:
sd = {'Python':8000,'c++':8100, 'c#':4000}
sd1= [800,800,400]
s8 = Series(sd, index =["Java","Python","c++","c#"])
s10 = Series(sd, index =["Python","c++","c#"])
s8+s10
Out[ ]:
Java NaN
Python NaN
c# 8000.0
c++ 16200.0
ython NaN
dtype: float64
DataFrame
DataFrame 是一种二维的数据结构，非常接近于电子表格或者类似 mysql 数据库的形式。它的竖行称之为 columns，横行跟前面的 Series 一样，称之为 index，也就是说可以通过 columns 和 index 来确定一个主句的位置。（有人把 DataFrame 翻译为“数据框”，是不是还可以称之为“筐”呢？向里面装数据嘛。)
在 ipython notebook 环境/ Python交互式环境中测试。
In [ ]:
from pandas import Series, DataFrame
import pandas as pd
data = {"name":['yahoo','google','facebook'],"marks":[200,400,800],"price":[9,3,7]}
f1 = DataFrame(data)
f1
- 这是定义一个 DataFrame 对象的常用方法——使用 dict 定义。
字典的“键”（"name"，"marks"，"price"）就是 DataFrame 的 columns 的值（名称），字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。上面的定义中没有确定索引，所以，按照惯例（Series 中已经形成的惯例）就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构（类似 excel 或者 mysql 中的查看效果）。
上面的数据显示中，columns 的顺序没有规定，就如同字典中键的顺序一样，但是在 DataFrame 中，columns 跟字典键相比，有一个明显不同，就是其顺序可以被规定，向下面这样做：
f2 = DataFrame(data, columns = ['name','price','marks'])
f2
跟 Series 类似的，DataFrame 数据的索引也能够自定义。
f3 = DataFrame(data, columns=['name','price','marks','debt'],index =['a','b','c','d'])
这样将会报错，在交互状态下：
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/usr/lib/pymodules/python2.7/pandas/core/frame.py", line 283, in __init__
mgr = self._init_dict(data, index, columns, dtype=dtype)
File "/usr/lib/pymodules/python2.7/pandas/core/frame.py", line 368, in _init_dict
mgr = BlockManager(blocks, axes)
File "/usr/lib/pymodules/python2.7/pandas/core/internals.py", line 285, in __init__
self._verify_integrity()
File "/usr/lib/pymodules/python2.7/pandas/core/internals.py", line 367, in _verify_integrity
assert(block.values.shape[1:] == mgr_shape[1:])
AssertionError
在jupyter notebook下：
ValueError: Shape of passed values is (4, 3), indices imply (4, 4)
python交互状态下没有提供什么线索，这就是交互模式的不利之处。在jupyter notebook显示错误在于 index 的值——列表——的数据项多了一个，data 中是三行，这里给出了四个项（['a','b','c','d']）。
修改后：
f3 = DataFrame(data, columns=['name','price','marks','debt'],index =['a','b','c'])
还要注意观察上面的显示结果。因为在定义 f3 的时候，columns 的参数中，比以往多了一项('debt')，但是这项在 data 这个字典中并没有，所以 debt 这一竖列的值都是空的，在 Pandas 中，空就用 NaN 来代表了。
- 定义 DataFrame 的方法，除了上面的之外，还可以使用“字典套字典”的方式。
newdata = {"lang":{"firstline":"Python","aecondline":"java"},"price":{"firstline":8000}
f4 = DataFrame(newdata)
f4
在字典中就规定好数列名称（第一层键）和每横行索引（第二层字典键）以及对应的数据（第二层字典值），也就是在字典中规定好了每个数据格子中的数据，没有规定的都是空。
f5 = DataFrame(newdata, index =["firstline","secondline","thirdline"])
f5
如果额外确定了索引，就如同上面显示一样，除非在字典中有相应的索引内容，否则都是 NaN。
前面定义了 DataFrame 数据（可以通过两种方法），它也是一种对象类型，比如变量 f3 引用了一个对象，它的类型是 DataFrame。承接以前的思维方法：对象有属性和方法。
In [ ]:
f3.columns
Out[ ]:
Index(['name', 'price', 'marks', 'debt'], dtype='object')
In [ ]:
f3['name']
Out[ ]:
a yahoo
b google
c facebook
Name: name, dtype: object
这是什么？这其实就是一个 Series，或者说，可以将 DataFrame 理解为是有一个一个的 Series 组成的。
一直耿耿于怀没有数值的那一列，下面的操作是统一给那一列赋值：
f3['debt']=89.2
f3
下面的操作是分别给那一列赋值：
f3['debt']=[89.2,55,89]
f3
除了能够统一赋值之外，还能够“点对点”添加数值，结合前面的 Series，既然 DataFrame 对象的每竖列都是一个 Series 对象，那么可以先定义一个 Series 对象，然后把它放到 DataFrame 对象中。如下：
sdebt = Series([2.2,3.3], index =['a','c'])#注意索引
f3['debt'] =sdebt
f3
将 Series 对象(sdebt 变量所引用) 赋给 f3['debt']列，Pandas 的一个重要特性——自动对齐——在这里起做用了，在 Series 中，只有两个索引（"a","c"），它们将和 DataFrame 中的索引自动对齐。于是乎：
自动对齐之后，没有被复制的依然保持 NaN。
还可以更精准的修改数据吗？当然可以，完全仿照字典的操作：
f3['prce']['c'] =300
f3
这就是 Pandas 中的两种数据对象。
