欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  资讯频道

量化分析师的Python日记【第5天:数据处理的瑞士军刀pandas】

程序员文章站 2022-03-08 16:37:52
...

 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(vectorC++中的特定数据结构)。在Python中,pandas包含了高级的数据结构SeriesDataFrame,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SeriesDataFrame,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NaNnot a numberpandas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NumPymatrix类型比较便利一些。

3.1 创建DataFrame

首先来看如何从字典创建DataFrameDataFrame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.indexdataframe.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.]

font-family: Helvetica