【数据挖掘】Pandas基本数据操作

我会带着你远行 2024-04-26 02:07 59阅读 0赞

> ? 本文由 [程序喵正在路上][Link 1] 原创，CSDN首发！  
> ? 系列专栏：[Python数据挖掘][Python]  
> ? 首发时间：2022年9月13日  
> ? 欢迎关注?点赞?收藏?留言?  
> ? 一以贯之的努力 不得懈怠的人生

#### 阅读指南 ####

*  学习目标
 *  环境准备
 *  索引操作
 *   *  直接使用行列索引（先列后行）
     *  结合loc或者iloc使用索引
     *  使用组合索引
 *  赋值操作
 *  排序
 *   *  DataFrame
     *  Series

## 学习目标 ##

*  记忆 **DataFrame** 的形状、行列索引名称获取等基本属性
 *  应用 **Series** 和 **DataFrame** 的索引进行切片获取
 *  应用 **sort\_index** 和 **sort\_values** 实现索引和值的排序

## 环境准备 ##

为了更好地理解这些基本操作，我们将读取一个真实的股票数据，关于文件操作这部分的内容，最后会介绍，这里先用一下相关的 **API**

先下载这个等会需要用到的 **csv** 文件，[点击此处进入][Link 2]，将其放到桌面

import pandas as pd
    
    # 读取文件
    data = pd.read_csv("./Desktop/stock_day/stock_day.csv")
    
    # 删除一些列，让数据更简单些，再去做后面的操作
    data = data.drop(["ma5", "ma10", "ma20", "v_ma5", "v_ma10", "v_ma20"], axis=1)

![在这里插入图片描述][0c2c556aebd84857b312e3ac3521d464.png]

## 索引操作 ##

**Numpy** 当中我们已经学过使用索引去选取序列和切片选择，**pandas** 也支持类似的操作，也可以直接使用列名、行名称，甚至组合使用

### 直接使用行列索引（先列后行） ###

获取 ‘2018-02-27’ 这天的 ‘close’ 的结果

# 直接使用行列索引名字的方式（先列后行）
    data['close']['2018-02-27']

![在这里插入图片描述][becad0797ac544af85a7a5f424bcf898.png]

# 不支持的操作,都会报错
    data['2018-02-27']['close']
    
    data[:1, :2]

### 结合loc或者iloc使用索引 ###

获取从 ‘2018-02-27’ ：‘2018-02-22’，‘open’ 的结果

# 使用loc:只能指定行列索引的名字
    data.loc['2018-02-27':'2018-02-22', 'open']

![在这里插入图片描述][0535f567023b4a229d44397d015b0ba4.png]

# loc可以先行后列
    data.loc['2018-02-27']['open']

![在这里插入图片描述][1d3a0438643c4d05acc12a559056b055.png]

# 按数字索引
    data.iloc[1, 0]

![在这里插入图片描述][be1b41a0ecad4c6ab21559cce994eb21.png]

# 使用iloc可以通过索引的下标去获取
    # 获取前100天数据的 ‘open’ 列的结果
    data.iloc[0:100, 0:2].head()

![在这里插入图片描述][25f7734aa6f74601aebd4b1256a304d7.png]

### 使用组合索引 ###

获取行第 **1** 天到第 **4** 天，\[‘open’, ‘close’, ‘high’, ‘low’\] 这四个指标的结果

# 推荐使用loc和iloc来获取的方式
    data.loc[data.index[0:4], ['open', 'close', 'high', 'low']]
    data.iloc[0:4, data.columns.get_indexer(['open', 'close', 'high', 'low'])]

![在这里插入图片描述][663ad3e4057044b4b5a52e4b767a358c.png]

## 赋值操作 ##

赋值操作比较简单，下面是对 **DataFrame** 中的 **close** 列进行重新赋值为 **1**

# 直接修改原来的值
    data['close'] = 1
    
    # 或者
    data.close = 1

## 排序 ##

排序有两种形式，一种对内容进行排序，一种对索引进行排序

### DataFrame ###

使用 `df.sort_values(key=, ascending=)` 对内容进行排序

*  单个键或者多个键进行排序，默认升序
 *  `ascending=False;` 降序
 *  `ascending=True;` 升序

# 按照涨跌幅大小进行排序，使用ascending按照指定大小排序
    data = data.sort_values(by='p_change', ascending=False).head()
    data

![在这里插入图片描述][aaa88d37facf41f592f3bee876567d41.png]

# 按照多个键进行排序
    data = data.sort_values(by=['open', 'high'])
    data

![在这里插入图片描述][a11d56bc534c4e6695e8275f4b396bed.png]

使用 **df.sort\_index** 对索引进行排序

*  这个股票的日期索引原来是从大到小，现在重新排序，从小到大

![在这里插入图片描述][9e374306922e4811a809869ea4b63826.png]

### Series ###

使用 `series.sort_values(ascending=False)` 对内容进行排序

*  **series** 排序时，只有一列，不需要参数

sr = data['price_change']
    sr.sort_values(ascending=False)

![在这里插入图片描述][4a1e7b00c0cf47a0bf643eae19156b21.png]

使用 `series.sort_index` 对索引进行排序

*  与 **df** 一致

# 对索引进行操作
    data['p_change'].sort_index()

![在这里插入图片描述][ec933b8fa0c54c088776ecbe52b75583.png]

**Pandas** 的基本数据操作到这里就完了，你学会了吗

[Link 1]: https://blog.csdn.net/weixin_62511863?spm=1011.2421.3001.5343
[Python]: https://blog.csdn.net/weixin_62511863/category_11943238.html?spm=1001.2014.3001.5482
[Link 2]: https://pan.baidu.com/s/1Uh2LaDD7OaQgUMTbnGINFQ?pwd=9ykp
[0c2c556aebd84857b312e3ac3521d464.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/7d4d388493e94cb6a4cb76fc8e1871f9.png
[becad0797ac544af85a7a5f424bcf898.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/0fc1730c72a74c12926e4fee0eb2c7d1.png
[0535f567023b4a229d44397d015b0ba4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/e64d067d4bfc4277b3abb1db2dc83127.png
[1d3a0438643c4d05acc12a559056b055.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/d6ada0fb4e2743f29ee494f7d2585e63.png
[be1b41a0ecad4c6ab21559cce994eb21.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/78c1629d4c6d44d18b291ff88662d3ef.png
[25f7734aa6f74601aebd4b1256a304d7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/c7a6ab612fba4c7f9942908355c9dd60.png
[663ad3e4057044b4b5a52e4b767a358c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/fd286fd39aee432c99fc69a4aa8157ad.png
[aaa88d37facf41f592f3bee876567d41.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/ec55474fc4d247d68c18c57725cb4a53.png
[a11d56bc534c4e6695e8275f4b396bed.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/48fc53d6f8a345e4a0e024206a80004c.png
[9e374306922e4811a809869ea4b63826.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/1f3b7a0610fe40f6bfb6392298f7daf2.png
[4a1e7b00c0cf47a0bf643eae19156b21.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/d81c8df189a5457fa58e085951f313eb.png
[ec933b8fa0c54c088776ecbe52b75583.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/18322cb74ea046aa99a83057f87e88d5.png