6) Учебник по Python Pandas

0    1.0
1    2.0
2    NaN
dtype: float64

Вы можете преобразовать пустой массив во фрейм данных pandas с помощью pd.Data frame (). Возможно и обратное. Чтобы преобразовать фрейм данных pandas в массив, вы можете использовать np.array ()

## Numpy to pandas
import numpy as np
h = [[1,2],[3,4]] 
df_h = pd.DataFrame(h)
print('Data Frame:', df_h)

## Pandas to numpy
df_h_n = np.array(df_h)
print('Numpy array:', df_h_n)
Data Frame:    0  1
0  1  2
1  3  4
Numpy array: [[1 2]
 [3 4]]

Вы также можете использовать словарь для создания фрейма данных Pandas.

dic = {'Name': ["John", "Smith"], 'Age': [30, 40]}
pd.DataFrame(data=dic)				

Панды имеют удобный API для создания диапазона дат

pd.data_range (дата, период, частота):

• Первый параметр — дата начала

• Второй параметр — это число периодов (необязательно, если указана дата окончания)
• Последний параметр — это частота: день: «D», месяц: «M» и год: «Y».

## Create date
# Days
dates_d = pd.date_range('20300101', periods=6, freq='D')
print('Day:', dates_d)

Вывод

Day: DatetimeIndex(['2030-01-01', '2030-01-02', '2030-01-03', '2030-01-04', '2030-01-05', '2030-01-06'], dtype='datetime64[ns]', freq='D')

# Months
dates_m = pd.date_range('20300101', periods=6, freq='M')
print('Month:', dates_m)

Вывод

Month: DatetimeIndex(['2030-01-31', '2030-02-28', '2030-03-31', '2030-04-30','2030-05-31', '2030-06-30'], dtype='datetime64[ns]', freq='M')

Вы можете проверить заголовок или хвост набора данных с помощью head () или tail (), которому предшествует имя фрейма данных панды

Шаг 1) Создайте случайную последовательность с NumPy. Последовательность имеет 4 столбца и 6 строк

random = np.random.randn(6,4)	

Шаг 2) Затем вы создаете фрейм данных, используя панд.

Используйте date_m в качестве индекса для фрейма данных. Это означает, что каждой строке будет присвоено «имя» или индекс, соответствующий дате.

Наконец, вы даете имя 4 столбцам с аргументами столбцов

# Create data with date
df = pd.DataFrame(random,
                  index=dates_m,
                  columns=list('ABCD'))

Шаг 3) Использование функции головы

df.head(3)

Шаг 4) Использование функции хвоста

df.tail(3)

Шаг 5) Отличная практика, чтобы получить представление о данных, — это использовать description (). Он обеспечивает количество, среднее, стандартное, минимальное, максимальное и процентиль набора данных.

df.describe()

Последний пункт этого урока о том, как нарезать фрейм данных Pandas.

Вы можете использовать имя столбца для извлечения данных в определенном столбце.

## Slice
### Using name
df['A']

2030-01-31   -0.168655
2030-02-28    0.689585
2030-03-31    0.767534
2030-04-30    0.557299
2030-05-31   -1.547836
2030-06-30    0.511551
Freq: M, Name: A, dtype: float64

Чтобы выбрать несколько столбцов, вам нужно использовать двойную скобку, [[.., ..]]

Первая пара скобок означает, что вы хотите выбрать столбцы, вторая пара скобок указывает, какие столбцы вы хотите вернуть.

df[['A', 'B']]. 				

Вы можете нарезать строки с помощью:

Код ниже возвращает первые три строки

### using a slice for row
df[0:3]	

Функция loc используется для выбора столбцов по именам. Как обычно, значения до комы обозначают строки, а после относятся к столбцу. Вам нужно использовать скобки, чтобы выбрать более одного столбца.

## Multi col
df.loc[:,['A','B']]	

Есть еще один способ выбрать несколько строк и столбцов в Pandas. Вы можете использовать iloc []. Этот метод использует индекс вместо имени столбца. Код ниже возвращает тот же кадр данных, что и выше

df.iloc[:, :2]

Вы можете удалить столбцы, используя pd.drop ()

df.drop(columns=['A', 'C'])								

Вы можете объединить два DataFrame в Pandas. Вы можете использовать pd.concat ()

Прежде всего, вам нужно создать два DataFrames. Пока все хорошо, вы уже знакомы с созданием dataframe

import numpy as np
df1 = pd.DataFrame({'name': ['John', 'Smith','Paul'],
                     'Age': ['25', '30', '50']},
                    index=[0, 1, 2])
df2 = pd.DataFrame({'name': ['Adam', 'Smith' ],
                     'Age': ['26', '11']},
                    index=[3, 4])  

Наконец, вы объединяете два DataFrame

df_concat = pd.concat([df1,df2]) 
df_concat

Drop_duplicates

Если набор данных может содержать дубликаты информации, `drop_duplicates` легко исключить дубликаты строк. Вы можете видеть, что `df_concat` имеет дублирующее наблюдение,` Smith` дважды появляется в столбце `name`.

df_concat.drop_duplicates('name')

Сортировать значения

Вы можете отсортировать значение с помощью sort_values

df_concat.sort_values('Age')

Переименовать: изменение индекса

Вы можете использовать переименование, чтобы переименовать столбец в Pandas. Первое значение — это имя текущего столбца, а второе — имя нового столбца.

df_concat.rename(columns={"name": "Surname", "Age": "Age_ppl"})