量化分析师的Python日记【第5天：数据处理的瑞士军刀pandas】

网中网

　　http://q.datayes.com
Python数据处理的瑞士军刀：pandas
第一篇：基本数据结构介绍
一、Pandas介绍
终于写到了作者最想介绍，同时也是Python在数据处理方面功能最为强大的扩展模块了。在处理实际的金融数据时，一个条数据通常包含了多种类型的数据，例如，股票的代码是字符串，收盘价是浮点型，而成交量是整型等。在C++中可以实现为一个给定结构体作为单元的容器，如向量（vector，C++中的特定数据结构）。在Python中，pandas包含了高级的数据结构Series和DataFrame，使得在Python中处理数据变得非常方便、快速和简单。
pandas不同的版本之间存在一些不兼容性，为此，我们需要清楚使用的是哪一个版本的pandas。现在我们就查看一下量化实验室的pandas版本：
 

1

import pandas as pd

2

pd.__version__

'0.14.1'
pandas主要的两个数据结构是Series和DataFrame，随后两节将介绍如何由其他类型的数据结构得到这两种数据结构，或者自行创建这两种数据结构，我们先导入它们以及相关模块：
 

1

import numpy as np

2

from pandas import Series, DataFrame

二、Pandas数据结构：Series
从一般意义上来讲，Series可以简单地被认为是一维的数组。Series和一维数组最主要的区别在于Series类型具有索引（index），可以和另一个编程中常见的数据结构哈希（Hash）联系起来。
2.1 创建Series
创建一个Series的基本格式是s = Series(data, index=index, name=name)，以下给出几个创建Series的例子。首先我们从数组创建Series：
 

1

a = np.random.randn(5)

2

print"a is an array:"

3

print a

4

s = Series(a)

5

print"s is a Series:"

6

print s

a is an array:
 
[-1.24962807 -0.85316907  0.13032511 -0.19088881  0.40475505]
s is a Series:
0   -1.249628
1   -0.853169
2    0.130325
3   -0.190889
4    0.404755
dtype: float64
可以在创建Series时添加index，并可使用Series.index查看具体的index。需要注意的一点是，当从数组创建Series时，若指定index，那么index长度要和data的长度一致：
 

1

s = Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])

2

print s

3

s.index

a    0.509906
b   -0.764549
c    0.919338
d   -0.084712
e    1.896407
dtype: float64
 
Index([u'a', u'b', u'c', u'd', u'e'], dtype='object')
创建Series的另一个可选项是name，可指定Series的名称，可用Series.name访问。在随后的DataFrame中，每一列的列名在该列被单独取出来时就成了Series的名称：
 

1

s = Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'], name='my_series')

2

print s

3

print s.name

a   -1.898245
b    0.172835
c    0.779262
d    0.289468
e   -0.947995
Name: my_series, dtype: float64
 
my_series
Series还可以从字典（dict）创建：
 

1

d = {'a': 0., 'b': 1, 'c': 2}

2

print"d is a dict:"

3

print d

4

s = Series(d)

5

print"s is a Series:"

6

print s

d is a dict:
 
{'a': 0.0, 'c': 2, 'b': 1}
s is a Series:
a    0
b    1
c    2
dtype: float64
让我们来看看使用字典创建Series时指定index的情形（index长度不必和字典相同）：
 

1

Series(d, index=['b', 'c', 'd', 'a'])

b     1
c     2
d   NaN
a     0
dtype: float64
我们可以观察到两点：一是字典创建的Series，数据将按index的顺序重新排列；二是index长度可以和字典长度不一致，如果多了的话，pandas将自动为多余的index分配NaN（not a number，pandas中数据缺失的标准记号)，当然index少的话就截取部分的字典内容。
如果数据就是一个单一的变量，如数字4，那么Series将重复这个变量：
 

1

Series(4., index=['a', 'b', 'c', 'd', 'e'])

a    4
b    4
c    4
d    4
e    4
dtype: float64
2.2 Series数据的访问
访问Series数据可以和数组一样使用下标，也可以像字典一样使用索引，还可以使用一些条件过滤：
 

1

s = Series(np.random.randn(10),index=['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'])

2

s[0]

1.4328106520571824
 

1

s[:2]

a    1.432811
b    0.120681
dtype: float64
 

1

s[[2,0,4]]

c    0.578146
a    1.432811
e    1.327594
dtype: float64
 

1

s[['e', 'i']]

e    1.327594
i   -0.634347
dtype: float64
 

1

s[s > 0.5]

a    1.432811
c    0.578146
e    1.327594
g    1.850783
dtype: float64
 

1

'e'in s

True
三、Pandas数据结构：DataFrame
在使用DataFrame之前，我们说明一下DataFrame的特性。DataFrame是将数个Series按列合并而成的二维数据结构，每一列单独取出来是一个Series，这和SQL数据库中取出的数据是很类似的。所以，按列对一个DataFrame进行处理更为方便，用户在编程时注意培养按列构建数据的思维。DataFrame的优势在于可以方便地处理不同类型的列，因此，就不要考虑如何对一个全是浮点数的DataFrame求逆之类的问题了，处理这种问题还是把数据存成NumPy的matrix类型比较便利一些。
3.1 创建DataFrame
首先来看如何从字典创建DataFrame。DataFrame是一个二维的数据结构，是多个Series的集合体。我们先创建一个值是Series的字典，并转换为DataFrame：
 

1

d = {'one': Series([1., 2., 3.], index=['a', 'b', 'c']), 'two': Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}

2

df = DataFrame(d)

3

print df

   one  two
a    1    1
b    2    2
c    3    3
d  NaN    4
 
可以指定所需的行和列，若字典中不含有对应的元素，则置为NaN：
 

1

df = DataFrame(d, index=['r', 'd', 'a'], columns=['two', 'three'])

2

print df

   two three
r  NaN   NaN
d    4   NaN
a    1   NaN
 
可以使用dataframe.index和dataframe.columns来查看DataFrame的行和列，dataframe.values则以数组的形式返回DataFrame的元素：
 

1

print"DataFrame index:"

2

print df.index

3

print"DataFrame columns:"

4

print df.columns

5

print"DataFrame values:"

6

print df.values

DataFrame index:
 
Index([u'alpha', u'beta', u'gamma', u'delta', u'eta'], dtype='object')
DataFrame columns:
Index([u'a', u'b', u'c', u'd', u'e'], dtype='object')
DataFrame values:
[[  0.   0.   0.   0.   0.]
 [  1.   2.   3.   4.   5.]
 [  2.   4.   6.   8.  10.]
 [  3.   6.   9.  12.  15.]
 [  4.   8.  12.  16.  20.]]
DataFrame也可以从值是数组的字典创建，但是各个数组的长度需要相同：
 

1

d = {'one': [1., 2., 3., 4.], 'two': [4., 3., 2., 1.]}

2

df = DataFrame(d, index=['a', 'b', 'c', 'd'])

3

print df

   one  two
a    1    4
b    2    3
c    3    2
d    4    1
 
值非数组时，没有这一限制，并且缺失值补成NaN：
 

1

d= [{'a': 1.6, 'b': 2}, {'a': 3, 'b': 6, 'c': 9}]

2

df = DataFrame(d)

3

print df

     a  b   c
0  1.6  2 NaN
1  3.0  6   9
 
在实际处理数据时，有时需要创建一个空的DataFrame，可以这么做：
 

1

df = DataFrame()

2

print df

Empty DataFrame
Columns: []
Index: []
 
另一种创建DataFrame的方法十分有用，那就是使用concat函数基于Serie或者DataFrame创建一个DataFrame
 

1

a = Series(range(5))

2

b = Series(np.linspace(4, 20, 5))

3

df = pd.concat([a, b], axis=1)

4

print df

   0   1
0  0   4
1  1   8
2  2  12
3  3  16
4  4  20
 
其中的axis=1表示按列进行合并，axis=0表示按行合并，并且，Series都处理成一列，所以这里如果选axis=0的话，将得到一个10×1的DataFrame。下面这个例子展示了如何按行合并DataFrame成一个大的DataFrame：
 

1

df = DataFrame()

2

index = ['alpha', 'beta', 'gamma', 'delta', 'eta']

3

for i inrange(5):

4

    a = DataFrame([np.linspace(i, 5*i, 5)], index=[index])

5

    df = pd.concat([df, a], axis=0)

6

print df

       0  1   2   3   4
alpha  0  0   0   0   0
beta   1  2   3   4   5
gamma  2  4   6   8  10
delta  3  6   9  12  15
eta    4  8  12  16  20
 
3.2 DataFrame数据的访问
首先，再次强调一下DataFrame是以列作为操作的基础的，全部操作都想象成先从DataFrame里取一列，再从这个Series取元素即可。可以用datafrae.column_name选取列，也可以使用dataframe[]操作选取列，我们可以马上发现前一种方法只能选取一列，而后一种方法可以选择多列。若DataFrame没有列名，[]可以使用非负整数，也就是“下标”选取列；若有列名，则必须使用列名选取，另外datafrae.column_name在没有列名的时候是无效的：
 

1

print df[1]

2

printtype(df[1])

3

df.columns = ['a', 'b', 'c', 'd', 'e']

4

print df['b']

5

printtype(df['b'])

6

print df.b

7

printtype(df.b)

8

print df[['a', 'd']]

9

printtype(df[['a', 'd']])

alpha    0
beta     2
gamma    4
delta    6
eta      8
Name: 1, dtype: float64
 
<class 'pandas.core.series.Series'>
alpha    0
beta     2
gamma    4
delta    6
eta      8
Name: b, dtype: float64
<class 'pandas.core.series.Series'>
alpha    0
beta     2
gamma    4
delta    6
eta      8
Name: b, dtype: float64
<class 'pandas.core.series.Series'>
       a   d
alpha  0   0
beta   1   4
gamma  2   8
delta  3  12
eta    4  16
<class 'pandas.core.frame.DataFrame'>
以上代码使用了dataframe.columns为DataFrame赋列名，并且我们看到单独取一列出来，其数据结构显示的是Series，取两列及两列以上的结果仍然是DataFrame。访问特定的元素可以如Series一样使用下标或者是索引:
 

1

print df['b'][2]

2

print df['b']['gamma']

4.0
 
4.0
若需要选取行，可以使用dataframe.iloc按下标选取，或者使用dataframe.loc按索引选取：
 

1

print df.iloc[1]

2

print df.loc['beta']

a    1
b    2
c    3
d    4
e    5
Name: beta, dtype: float64
 
a    1
b    2
c    3
d    4
e    5
Name: beta, dtype: float64
选取行还可以使用切片的方式或者是布尔类型的向量：
 

1

print"Selecting by slices:"

2

print df[1:3]

3

bool_vec = [True, False, True, True, False]

4

print"Selecting by boolean vector:"

5

print df[bool_vec]

Selecting by slices:
 
       a  b  c  d   e
beta   1  2  3  4   5
gamma  2  4  6  8  10
Selecting by boolean vector:
       a  b  c   d   e
alpha  0  0  0   0   0
gamma  2  4  6   8  10
delta  3  6  9  12  15
行列组合起来选取数据：
 

1

print df[['b', 'd']].iloc[[1, 3]]

2

print df.iloc[[1, 3]][['b', 'd']]

3

print df[['b', 'd']].loc[['beta', 'delta']]

4

print df.loc[['beta', 'delta']][['b', 'd']]

       b   d
beta   2   4
delta  6  12
 
       b   d
beta   2   4
delta  6  12
       b   d
beta   2   4
delta  6  12
       b   d
beta   2   4
delta  6  12
如果不是需要访问特定行列，而只是某个特殊位置的元素的话，dataframe.at和dataframe.iat是最快的方式，它们分别用于使用索引和下标进行访问：
 

1

print df.iat[2, 3]

2

print df.at['gamma', 'd']

8.0
 
8.0
dataframe.ix可以混合使用索引和下标进行访问，唯一需要注意的地方是行列内部需要一致，不可以同时使用索引和标签访问行或者列，不然的话，将会得到意外的结果：
 

1

print df.ix['gamma', 4]

2

print df.ix[['delta', 'gamma'], [1, 4]]

3

print df.ix[[1, 2], ['b', 'e']]

4

print"Unwanted result:"

5

print df.ix[['beta', 2], ['b', 'e']]

6

print df.ix[[1, 2], ['b', 4]]

10.0
 
       b   e
delta  6  15
gamma  4  10
       b   e
beta   2   5
gamma  4  10
Unwanted result:
       b   e
beta   2   5
2    NaN NaN
       b   4
beta   2 NaN
gamma  4 NaN
 
 http://q.datayes.com