在Python中,进行数据分析的一个主要工具就是Pandas。Pandas是Wes McKinney在大型对冲基金AQR公司工作时开发的,后来该工具开源了,主要由社区进行维护和更新。
Pandas具有NumPy的ndarray所不具有的很多功能,比如集成时间序列、按轴对齐数据、处理缺失数据等常用功能。Pandas最初是针对金融分析而开发的,所以很适合用于量化投资。
在使用Pandas之前,需要导入Pandas包。惯例是将pandas简写为pd,命令如下:
importpandasaspd
Pandas包含两个主要的数据结构:
Series
和DataFrame
。其中最常用的是DataFrame,下面我们先来学习一下DataFrame。DataFrame是一个表格型的数据结构。每列都可以是不同的数据类型(数值、字符串、布尔值等)。
DataFrame既有行索引也有列索引,这两种索引在DataFrame的实现上,本质上是一样的。但在使用的时候,往往是将列索引作为区分不同数据的标签。DataFrame的数据结构与SQL数据表或者Excel工作表的结构非常类似,可以很方便地互相转换。
下面先来创建一个DataFrame,一种常用的方式是使用字典,这个字典是由等长的list或者ndarray组成的,示例代码如下:
data={'A':['x','y','z'],'B':[1000,2000,3000],'C':[10,20,30]}df=pd.DataFrame(data,index=['a','b','c'])df
运行结果如图3-2所示。
▲图3-2
我们可以看到,DataFrame主要由如下三个部分组成。
数据
,位于表格正中间的9个数据就是DataFrame的数据部分。索引
,最左边的a、b、c是索引,代表每一行数据的标识。这里的索引是显式指定的。如果没有指定,会自动生成从0开始的数字索引。列标签
,表头的A、B、C就是标签部分,代表了每一列的名称。下文列出了
DataFrame函数常用的参数
。其中,“类似列表”代表类似列表的形式,比如列表、元组、ndarray等。一般来说,data、index、columns这三个参数的使用频率是最高的。
data:
ndarray/字典/类似列表 | DataFrame数据;数据类型可以是ndarray、嵌套列表、字典等index:
索引/类似列表 | 使用的索引;默认值为range(n)columns:
索引/类似列表 | 使用的列标签;默认值为range(n)dtype:
dtype | 使用(强制)的数据类型;否则通过推导得出;默认值为Nonecopy:
布尔值 | 从输入复制数据;默认值为False其中data的数据类型有很多种。
下文列举了
可以作为data传给DataFrame函数的数据类型
。可以传给DataFrame构造器的数据:
二维ndarray:
可以自行指定索引和列标签嵌套列表或者元组:
类似于二维ndarray数据、列表或元组组成的字典:
每个序列变成一列。所有序列长度必须相同由Series组成的字典:
每个Series会成为一列。如果没有指定索引,各Series的索引会被合并另一个DataFrame:
该DataFrame的索引将会被沿用前面生成了一个DataFrame,变量名为df。下面我们来查看一下df的各个属性值。
获取df数据的示例代码如下:
df.values
输出结果如下:
array([['x',1000,10],['y',2000,20],['z',3000,30]],dtype=object)
获取df行索引的示例代码如下:
df.index
输出结果如下:
Index(['a','b','c'],dtype='object')
获取df列索引(列标签)的示例代码如下:
df.columns
输出结果如下:
Index(['A','B','C'],dtype='object')
可以看到,行索引和列标签都是Index数据类型。
创建的时候,如果指定了列标签,那么DataFrame的列也会按照指定的顺序进行排列,示例代码如下:
df=pd.DataFrame(data,columns=['C','B','A'],index=['a','b','c'])df
运行结果如图3-3所示。
▲图3-3
如果某列不存在,为其赋值,会创建一个新列。我们可以用这种方法来添加一个新的列:
df['D']=10df
运行结果如图3-4所示。
▲图3-4
使用del命令可以删除列,示例代码如下:
deldf['D']df
运行结果如图3-5所示。
▲图3-5
添加行的一种方法是先创建一个DataFrame,然后再使用append方法,代码如下:
new_df=pd.DataFrame({'A':'new','B':4000,'C':40},index=['d'])df=df.append(new_df)df
运行结果如图3-6所示。
▲图3-6
或者也可以使用loc方法来添加行,示例代码如下:
df.loc['e']=['new2',5000,50]df
运行结果如图3-7所示。
▲图3-7
loc方法将在后面的内容中详细介绍。
索引的存在,使得Pandas在处理缺漏信息的时候非常灵活。下面的示例代码会新建一个DataFrame数据df2。
df2=pd.DataFrame([1,2,3,4,5],index=['a','b','c','d','z'],columns=['E'])df2
运行结果如图3-8所示。
▲图3-8
如果现在想要合并df和df2,使得df有一个新的列E,那么可以使用join方法,代码如下:
df.join(df2)
运行结果如图3-9所示。
▲图3-9
可以看到,df只接受索引已经存在的值。由于df2中没有索引e,所以是NaN值,而且df2索引为z的值已经丢失了。为了保留df2中索引为z的值,我们可以提供一个参数,告诉Pandas如何连接。示例代码如下:
df.join(df2,how='outer')
运行结果如图3-10所示。
▲图3-10
在上述代码中,how='outer'表示使用两个索引中所有值的并集。连接操作的其他选项还有inner(索引的交集)、left(默认值,调用方法的对象的索引值)、right(被连接对象的索引值)等。
在金融数据分析中,我们要分析的往往是时间序列数据。下面介绍一下如何基于时间序列生成DataFrame。为了创建时间序列数据,我们需要一个时间索引。这里先生成一个DatetimeIndex对象的日期序列,代码如下:
dates=pd.date_range('20160101',periods=8)dates
输出结果如下:
DatetimeIndex(['2016-01-01','2016-01-02','2016-01-03','2016-01-04','2016-01-05','2016-01-06','2016-01-07','2016-01-08'],dtype='datetime64[ns]',freq='D')
可以看到,使用Pandas的date_range函数生成的是一个DatetimeIndex对象。date_range函数的参数及说明如下所示:
start:
字符串/日期时间 | 开始日期;默认为Noneend:
字符串/日期时间 | 结束日期;默认为Noneperiods:
整数/None | 如果start或者end空缺,就必须指定;从start开始,生成periods日期数据;默认为Nonefreq:
dtype | 周期;默认是D,即周期为一天。也可以写成类似5H的形式,即5小时。其他的频率参数见下文tz:
字符串/None | 本地化索引的时区名称normalize:
布尔值 | 将start和end规范化为午夜;默认为Falsename:
字符串 | 生成的索引名称date_range函数频率的参数及说明如下所示:
B:
交易日C:
自定义交易日(试验中)D:
日历日W:
每周M:
每月底SM:
半个月频率(15号和月底)BM:
每个月份最后一个交易日CBM:
自定义每个交易月MS:
日历月初SMS:
月初开始的半月频率(1号,15号)BMS:
交易月初CBMS:
自定义交易月初Q:
季度末BQ:
交易季度末QS:
季度初BQS:
交易季度初A:
年末BA:
交易年度末AS:
年初BAS:
交易年度初BH:
交易小时H:
小时T,min:
分钟S:
秒L,ms:
毫秒U,us:
微秒N:
纳秒接下来,我们再基于dates来创建DataFrame,代码如下:
df=pd.DataFrame(np.random.randn(8,4),index=dates,columns=list('ABCD'))df
运行结果如图3-11所示。
▲图3-11
有了df,我们就可以使用多个基于DataFrame的内建方法了,下面来看看相关的示例。
按列求总和,代码如下:
df.sum()
输出结果如下:
A0.241727B-0.785350C-0.547433D-1.449231dtype:float64
按列求均值,代码如下:
df.mean()
输出结果如下:
A0.030216B-0.098169C-0.068429D-0.181154dtype:float64
按列求累计总和,代码如下:
df.cumsum()
运行结果如图3-12所示。
▲图3-12
使用describe一键生成多种统计数据,代码如下:
df.describe()
运行结果如图3-13所示。
▲图3-13
可以根据某一列的值进行排序,代码如下:
df.sort_values('A')
运行结果如图3-14所示。
▲图3-14
根据索引(日期)排序(这里是倒序),代码如下:
df.sort_index(ascending=False)
运行结果如图3-15所示。
▲图3-15
选取某一列,返回的是Series对象,可以使用df.A,代码如下:
df['A']
输出结果如下:
2016-01-01-1.1423502016-01-02-0.8161782016-01-030.0302062016-01-041.9301752016-01-050.5715122016-01-060.2204452016-01-070.2921762016-01-08-0.844260Freq:D,Name:A,dtype:float64
使用[]选取某几行,代码如下:
df[0:5]
运行结果如图3-16所示。
▲图3-16
根据标签(Label)选取数据,使用的是loc方法,代码如下:
df.loc[dates[0]]
输出结果如下:
A-1.142350B-1.999351C0.772343D-0.851840Name:2016-01-0100:00:00,dtype:float64
再来看两个示例代码。
df.loc[:,['A','C']]
运行结果如图3-17所示。
▲图3-17
df.loc['20160102':'20160106',['A','C']]
运行结果如图3-18所示。
▲图3-18
需要注意的是,如果只有一个时间点,那么返回的值是Series对象,代码如下:
df.loc['20160102',['A','C']]
输出结果如下:
A-0.816178C-0.595195Name:2016-01-0200:00:00,dtype:float64
如果想要获取DataFrame对象,需要使用如下命令:
df.loc['20160102':'20160102',['A','C']]
运行结果如图3-19所示。
▲图3-19
上面介绍的是loc方法,是按标签(索引)来选取数据的。有时候,我们会希望按照DataFrame的绝对位置来获取数据,比如,如果想要获取第3行第2列的数据,但不想按标签(索引)获取,那么这时候就可以使用iloc方法。
根据位置选取数据,代码如下:
df.iloc[2]
输出结果如下:
A0.030206B0.759953C-1.446549D-0.874364Name:2016-01-0300:00:00,dtype:float64
再来看一个示例:
df.iloc[3:6,1:3]
运行结果如图3-20所示。
▲图3-20
注意:对于DataFrame数据类型,可以使用[]运算符来进行选取,这也是最符合习惯的。但是,对于工业代码,推荐使用loc、iloc等方法。因为这些方法是经过优化的,拥有更好的性能。
有时,我们需要选取满足一定条件的数据。这个时候可以使用条件表达式来选取数据。这时传给df的既不是标签,也不是绝对位置,而是布尔数组(Boolean Array)。下面来看一下示例。
例如,寻找A列中值大于0的行。首先,生成一个布尔数组,代码如下:
df.A>0
输出结果如下:
2016-01-01False2016-01-02False2016-01-03True2016-01-04True2016-01-05True2016-01-06True2016-01-07True2016-01-08FalseFreq:D,Name:A,dtype:bool
可以看到,这里生成了一个Series类型的布尔数组。可以通过这个数组来选取对应的行,代码如下:
df[df.A>0]
运行结果如图3-21所示。
▲图3-21
从结果可以看到,A列中值大于0的所有行都被选择出来了,同时也包括了BCD列。
现在我们要寻找df中所有大于0的数据,先生成一个全数组的布尔值,代码如下:
df>0
运行结果如图3-22所示。
▲图3-22
下面来看一下使用df>0选取出来的数据效果。由图3-23可以看到,大于0的数据都能显示,其他数据显示为NaN值。
df[df>0]
运行结果如图3-23所示。
▲图3-23
再来看一下如何改变df的值。首先我们为df添加新的一列E,代码如下:
df['E']=0df
运行结果如图3-24所示。
▲图3-24
使用loc改变一列值,代码如下:
df.loc[:,'E']=1df
运行结果如图3-25所示。
▲图3-25
使用loc改变单个值,代码如下:
df.loc['2016-01-01','E']=2df
运行结果如图3-26所示。
▲图3-26
使用loc改变一列值,代码如下:
df.loc[:,'D']=np.array([2]*len(df))df
运行结果如图3-27所示。
▲图3-27
可以看到,使用loc的时候,x索引和y索引都必须是标签值。对于这个例子,使用日期索引明显不方便,需要输入较长的字符串,所以使用绝对位置会更好。这里可以使用混合方法,DataFrame可以使用ix来进行混合索引。比如,行索引使用绝对位置,列索引使用标签,代码如下:
df.ix[1,'E']=3df
运行结果如图3-28所示。
▲图3-28
ix的处理方式是,对于整数,先假设为标签索引,并进行寻找;如果找不到,就作为绝对位置索引进行寻找。所以运行效率上会稍差一些,但好处是这样操作比较方便。
对于ix的用法,
需要注意如下两点。
假如索引本身就是整数类型,那么ix只会使用标签索引,而不会使用位置索引,即使没能在索引中找到相应的值(这个时候会报错)。
如果索引既有整数类型,也有其他类型(比如字符串),那么ix对于整数会直接使用位置索引,但对于其他类型(比如字符串)则会使用标签索引。
总的来说,除非想用混合索引,否则建议只使用loc或者iloc来进行索引,这样可以避免很多问题。
Series类似于一维数组,由一组数据以及相关的数据标签(索引)组成。
示例代码如下:importpandasaspds=pd.Series([1,4,6,2,3])s
Out:
0114263243
在这段代码中,我们首先导入pandas并命名为pd,然后向Series函数传入一个列表,生成一个Series对象。在输出Series对象的时候,左边一列是索引,右边一列是值。由于没有指定索引,因此会自动创建0到(N-1)的整数索引。也可以通过Series的values和index属性获取其值和索引。示例代码如下:
s.values
Out:
array([1,4,6,2,3],dtype=int64)
s.index
Out:
Int64Index([0,1,2,3,4],dtype='int64')
当然,我们也可以对索引进行定义,代码如下:
s=pd.Series([1,2,3,4],index=['a','b','c','d'])s
Out:
a1b2c3d4
在这里,我们将索引定义为a、b、c、d。这时也可以用索引来选取Series的数据,代码如下:
s['a']
Out:
1
s[['b','c']]
Out:
b2c3
对Series进行数据运算的时候也会保留索引。示例代码如下:
s[s>1]
Out:
b2c3d4
s*3
Out:
a3b6c9d12
Series最重要的功能之一是在不同索引中对齐数据。示例代码如下:
s1=pd.Series([1,2,3],index=['a','b','c'])s2=pd.Series([4,5,6],index=['b','c','d'])s1+s2
Out:
aNaNb6c8dNaN
Series的索引可以通过赋值的方式直接修改,示例代码如下:
s.index
Out:
Index([u'a',u'b',u'c',u'd'],dtype='object')
s.index=['w','x','y','z']s.index
Out:
Index([u'w',u'x',u'y',u'z'],dtype='object')
s
Out:
w1x2y3z4