|
上一期我们介绍了数据分析中常用的numpy模块，从数组的创建、元素的获取、数学+统计函数、随机数的生成、到外部文件的读取。这期我们再来介绍另一个重磅的数据分析常用模块--pandas。该模块更像是R语言中的向量、数据框的处理，接下来我们就一一介绍里面的小知识点。 序列 序列（Series）可以理解成是R语言中的向量，Python中的列表、元组的高级版本。为什么说是高级版本呢？因为序列与上期介绍的一维数组类似，具有更好的广播效应，既可以与一个标量进行运算，又可以进行元素级函数的计算。如下例子所示： 列表与常数10相加，报错，显示无法将列表与整形值连接，“+”运算在列表中是连接操作。 将上面的列表转换成一个序列后，就可以正常的完成运算，这就是序列的广播能力。同样，列表也不能用于元素级的数学函数，对比如下： 除了上面介绍序列功能，再来说说其他序列常用的场景，如序列的索引、成员关系、排重、排序、计数、抽样、统计运算等。 序列的索引： 由于序列是列表的扩张版，故序列也有一套类似于列表的索引方法，具体如下： 用倒数的方式取元素，序列就显得不是很方便了，我们推荐使用非常棒的iat方法，该方法不管应用于序列还是数据框都非常优秀，主要体现在简介而高速。 然而，实际工作中很少通过位置索引（下标）的方法获取到序列中的某些元素，例如1000个元素构造的序列，查出属于某个范围值总不能一个个去数吧？序列提供了另一种索引的方法--布尔索引。具体用法如下： 我们知道，在R语言中一个向量的元素是否包含于另一个向量，可以使用%in%函数进行判断，同理，Python中也有类似的方法。对于一个一维数组，in1d函数实现该功能；对于一个序列，isin方法可实现该功能。 numpy模块中的in1d函数也可以用于序列的成员关系的比较。 如果手中有一离散变量的序列，想查看该序列都有哪些水平，以及各个水平的频次，该如何操作？ 没错，只要借助于unique函数（与R语言一样的函数）实现序列的排重，获得不同的水平值；通过使用value_counts函数（对应于R语言的table函数）对各个水平进行计数，并按频次降序呈现。 有的时候需要对某个序列进行升序或降序排序，虽然这样的场景并不多，但排序在数据框中的应用还是非常常用的，先来看看如何对序列进行排序： 抽样也是数据分析中常用的方法，通过从总体中抽取出一定量的样本来推断总体水平；或者通过抽样将数据拆分成两部分，一部分建模，一部分测试。pandas模块提供了sample函数（与R语言的sample函数一致）帮我们完成抽样的任务。 s.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) n：指定抽取的样本量； frac：指定抽取的样本比例； replace：是否有放回抽样，默认无放回； weights：指定样本抽中的概率，默认等概论抽样； random_state：指定抽样的随机种子；
由于总体就是男、女性别两个值，故需要抽出10个样本，必须有放回的抽，而且男女被抽中的概率还不一致，女被抽中的概率是0.8。 统计运算 pandas模块提供了比numpy模块更丰富的统计运算函数，而且还提供了类似于R语言中的summary汇总函数，即describe函数。
其中count是序列中非缺失元素的个数。哦，对了，如何判断一个序列元素是否为缺失呢？可以使用isnull函数，等同于R语言中的is.na函数。
除此，我们再来罗列一些常用的统计函数： s.min() # 最小值 s.quantile(q=[0,0.25,0.5,0.75,1]) # 分位数函数 s.median() # 中位数 s.mode() # 众数 s.mean() # 平均值 s.mad() # 平均绝对误差 s.max # 最大值 s.sum() # 和 s.std() # 标准差 s.var() # 方差 s.skew() # 偏度 s.kurtosis() # 峰度 s.cumsum() # 和的累计，返回序列 s.cumprod() # 乘积的累积，返回序列 s.product() # 序列元素乘积 s.diff() # 序列差异（微分），返回序列 s.abs() # 绝对值，返回序列 s.pct_change() # 百分比变化 ，返回序列 s.corr(s2) # 相关系数 s.ptp() # 极差 R中的range函数 今天我们的内容就介绍到这边，欢迎大家拍砖。下期我们来聊聊pandas模块的数据框DataFrame部分。 |
|
|
