Python数据分析常用方法手册

下面是小编为大家整理的Python数据分析常用方法手册,供大家参考。

1. Python数据处理和分析常用语句

数据分析的一般步骤包括数据获取、数据整理、数据描述、数据分析

1.1 数据获取

1.1.1 数据获取方式

1.1.2 查看数据属性

Data.shape 查看数据多少行、多少列

Data.columns 查看数据列

Data.dtypes 查看各数据字段的属性

1.2 数据整理

#第二步：做一些数据的基本处理：

1.2.1 数据基本处理（类excel）

#0.数据类型的转换

例如：如果要做时间序列分析，首先要将交易日期从通用对象（object）转换为日期对象（datetime）

df["date"] = pd.to_datetime(df["date"])

#1.如何获取导入的数据有几行几列？

直接用df.shape，返回一个维度（几行，几列）的元组；

df.columns.size #获取列数

df.iloc[:, 0].size #获取行数

#2.如何查看指定行、列、子集？

#df = pandas.read_excel("1.xls",sheetname= "店铺分析日报")

df = df.loc[:,["股票代码","股票名称", "营业总收入"]]#访问指定的列

#df=df["股票代码"] #查看指定列

#DataFrame.ix["index_name"] #查看指定行

#dataframe[m:n] #选择多行

#dataframe[dataframe["col3">5]] #条件筛选

#dataframe.ix[0:3,0:5] #选择子集

#3.如何添加新的列

例1：添加一个总和栏来显示Jan、Feb和Mar三个月的销售总额

df["total"] = df["Jan"]+df["Feb"]+df["Mar"]

例2：把计算结果添加为一个新的列

df["P/E"] = df.收盘价/df.基本每股收益#新的列名，后面是对应的数值

例3：在excel表最后加一行求各列和

sum_row=df[["Jan","Feb","Mar","total"]].sum()

#4.如何删除行列

#df_delete=df.drop(["result"],axis=1) #删除列

#DataFrame.drop(["index1","index2"...]) #删除行

#5.如何对数据进行排序？

df["P/E"].size #获取‘P/E’这列共有多少行

newdf=df_delete.sort("P/E") #默认升序排列

sort_index也可以进行排序

#6.如何对数据进行筛选？

#1.筛选出predictaqi_norm1这一列大于100的行；

aqicsv[aqicsv["predictaqi_norm1"]>100]

也可以写为：data[data.收盘价>100]

#2.使用&（并）与| （或）实现多条件筛选

aqicsv[(aqicsv["FID"]>37898) & (aqicsv["FID"]<38766) ]

aqicsv[(aqicsv.predictaqi_norm1>150) |(aqicsv.predictaqi_norm1<100) ]

#3.筛选后取另外两列数据

如果只需要其中两列数据，而同时利用另外两列进行筛选时可以这样.如果只需要其中的某几列可以写为aqicsv[["FID","x","y"]]

aqicsv[["x","y"]][(aqicsv.FID >10000) | (aqicsv.predictaqi_norm1 >150)]

#4.isin()用法：筛选某一列数据符合等于规定值

(它使得我们可以定义一个列表，里面包含我们所希望查找的值);

data7=data[data["股票代码"].isin(["sh600141","sh600754","sh603017","sh603198"])]

#同样，以上这个语句可以用query()函数来查询，需要安装numexpr；

data8=data.query("股票代码== ["sh600141","sh600754","sh603017","sh603198"]")

#map()函数也有这个功能，样式如下：

df[df["sku"].map(lambda x: x.startswith("B1")) & (df["quantity"] > 22)].head()

#5.字符串方法：筛选某一列内容包含特定值

例如找出MA金叉死叉列所有含金叉的行，但列不能含空值

data8=data7[data7["MA金叉死叉"].str.contains("金叉")]

#6.如果列中存在空值，空值处理方法：

#6.1 用fillna()方法将空值填充

data7=data.fillna(value="你好")

#6.2 或者将列中的空值删除；

stock_data = stock_data[stock_data["市盈率TTM"].notnull()]

#或6.2 用dropna删除缺失值

stock_data.dropna(subset=["下个月涨跌幅"], inplace=True)

#7.pandas能够理解日期，在对日期数据筛选方面可以对某年、某月进行筛选；

data[data["交易日期"]="2014-03"]

data[data["交易日期"]="2015"]

data[(data["交易日期"] >="20140701") & (data["交易日期"] <= "20140715")].head()

#8.对时间序列数据，设置交易日期为新的索引

df2 = data.set_index(["交易日期"])

#通过切分来获得一段区间

df2["20140101":"20140201"]

df2["2014"]

df2["2014-Dec"]

#9.用unique()函数来获取一个不含重复项的小列表

df["name"].unique()

#如果这个小列表同时要包含其他列信息，可以用drop_duplicates（）函数

df.drop_duplicates(subset=["account number","name"]).head()

#7.数据转置

df_sum=pd.DataFrame(data=sum_row).T

#8.简单的统计与筛选

1.2.2 将分割数据读取到一张DataFrame

# 第五步：数据跟文件夹的交互——读取、保存

#1.用for循环和append函数将文件夹中不同表格的数据经过筛选后加载到同一张表格

import pandas as pd

import os

stock_code_list=[]

for root,dirs,files in os.walk("overview-data-sh/"):

if files:

for f in files:

if"sh6"in f:

stock_code_list.append(f.split(".csv")[0])

all_stock_sh=pd.DataFrame()

for code in stock_code_list:

stock_data=pd.read_csv("overview-data-sh/"+code+".csv",encoding="gbk")

stock_data=stock_data[["交易日期","股票代码", "股票名称","涨跌幅", "成交额", "换手率", "流通市值","市盈率TTM", "市销率TTM", "市现率TTM", "市净率", "MA_5", "MA_10","MA_20", "MA_30", "MA_60","MA金叉死叉","MACD_金叉死叉","KDJ_金叉死叉","收盘价","开盘价"]]

stock_data["交易日期"] = pd.to_datetime(stock_data["交易日期"])

stock_data=stock_data[stock_data["交易日期"]=="2016/9/30"]

all_stock_sh=all_stock_sh.append(stock_data,ignore_index=True)

all_stock_sh.shape

#2.用pd.concat将不同文件夹中数据加载到一个DateFrame #3.数据保存

all_stock_sh.to_csv("全部股票当天市场数据20160930sh.csv",encoding="gbk")

1.3 数据描述

1.3.1 绘图与可视化

%pylab

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

data=pd.read_csv("sh600000.csv",encoding="gbk")

data1=data["收盘价"]

data2=data["交易日期"]

# 在一张figure里面画多张图

fig=plt.figure()

ax1=fig.add_subplot(221)

ax1.plot(data1,"g")

# 设置X轴，Y轴，标题

ax1.set_xlabel("Time")

ax1.set_ylabel("Price")

ax1.set_title("my first matplotlib plot")

ax1.set_xlim([data["交易日期"]])

# 时间序列趋势图-设置label

如果要在同一个图中显示多个label，可以用plt.legend()函数

代码：

%pylab

import matplotlib.pyplot as plt

import pandas as pd

data=pd.read_csv("overview-data-sh/sh600005.csv",encoding="gbk")

data.交易日期=pd.to_datetime(data.交易日期)

data1=data.set_index("交易日期")["收盘价"].ix["2009"]

data2=data.set_index("交易日期")["开盘价"].ix["2009"]

plt.title("Trend")

plt.xlabel("Time")

plt.ylabel("Price")

plt.plot(data1,"k",label="1")

plt.plot(data2,"g",label="2")

plt.legend() #用legend()函数可以在一张图里显示多个label plt.show()

# 饼图

plt.subplot(233)

x = [1,2,3,4,5]

y = [2.3,3.4,1.2,6.6,7.0]

scatter(x,y)

# 保存

savefig("demo.png")

例子：绘制股价的时间序列图

Pandas最基本的时间序列类型是以时间戳（Datatimeindex,Periodindex）为索引的Series。Set_index()方法将时间列（column）设置为index

data=data.set_index(["Unnamed: 0"])

http://www.wendangku.net/doc/719751d2670e52ea551810a6f524ccbff021caf5.html ="time"

将index转为datatimeindex

data.index=pd.to_datetime(data.index)

data=data.resample("B",fill_method="ffill")

代码：

#利用Python绘制时间序列图

%pylab

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

data=pd.read_csv("sh600000.csv",encoding="gbk")

data=data[["收盘价","交易日期"]]

data=data.set_index(["交易日期"])

data.index=pd.to_datetime(data.index)

data=data.resample("M",fill_method="ffill")

fig=plt.figure()

ax1=fig.add_subplot(211)

ax1.plot(data,"g")

ax1.set_xlable("Time")

ax1.set_ylable("Price")

ax1.set_title("my first matplotlib plot")

1.4 数据分析

1.4.1 数据聚合与分组运算

#1.groupby技术

from pandas import DataFrame,Series

import numpy as np

df=DataFrame({"key1":["a","a","b","b","a"],

"key2":["one","two","one","two","one"],

"data1":np.random.randn(5),

"data2":np.random.randn(5)})

#1.1 按照key1进行分组，计算data1的平均值mean?

grouped=df["data1"].groupby(df["key1"]).mean()

或者：index_datas=index_datas.groupby("股票代码").count()

#1.2 按照key1进行分组，计算data1、data2的平均值? df.groupby(["key1"]).mean()

#1.3 按照key1进行分组，计算data1、data2求和?

means=df.groupby(["key1","key2"]).sum()

means.unstack() #用unstack()来取消堆叠/拆分列

#1.4 选取部分列进行聚合

means_data1=df.groupby(["key1","key2"])[["data2"]].mean()

#或means_data1=df.groupby(["key1","key2"])["data2"].mean()

#或means_data1=df["data2"].groupby([df["key1"],df["key2"]]).mean()

#1.5 如何向DataFrame添加一个列

tips["tip/total_bill"]=tips["tip"]/tips["total_bill"]

tips.count() #获取每个column共有多少列

#或者用tips.iloc[:].size #获取共有多少列

#1.6 找出tips1里面，tip大于10的，并降序排列？

tips_10=tips[tips.tip>6].sort("tip",ascending=False)

#1.7 对列sex分组后，对另一列（tip/total_bill）进行排序

def top(self,n):

return self.sort("tip/total_bill",ascending=False)[:n]

#top(tips)

tips.groupby(["sex"]).apply(top,n=5)

#1.8 按照某一列内容的部分字母进行分组排序

比如，某一列由不同星期+日期组成，但只想按照这一列的星期进行排序？

#get_day=lambda day: tips.day[:1] # 选择列中的第一个字母，按第一个字母排序#tips.groupby(get_day).apply(top,n=5) #groupby 可以调用函数

#1.9 采用多个聚合函数返回多个聚合值

tips2=tips1.groupby(["sex","smoker"])["total_bill","tip"]

tips2.agg(["mean","sum","std","max"])

#2.0 计算tip和total_bill之间的相关系数

#corr=lambda x: x.corrwith(x["tips"])

tips_corr=tips.groupby(["sex"])

tips_corr.apply(lambda g: g["tip"].corr(g["total_bill"]))

#2.1 根据日价格变化计算各股票之间的年度相关系数

by_year=data.groupby(lambda x:x.year)

corr=lambda x: x.corrwith(x["SPX"])

data_by_year=by_year.apply(corr)

2.merge 合并

1.Append

P=

2.Concat

例子1：使用concat()函数将两个不同逻辑结构的对象能连接：

将股票数据中的前5个和后5个合并；

Data1=data[:3]

Data2=df[:3]

Pd.concat([Data1,Data2],ignore_index=Ture)

例子2：将两个相同逻辑结构的对象能连接

import pandas as pd

dates=range(20161010,20161020)

pieces=[]

for date in dates:

path="overview-push-%d/stock overview.csv" % date

date=pd.read_csv(path,encoding="gbk")

pieces.append(date)

datas=pd.concat(pieces)

3.Join

将美国运通公司和可可可乐公司近一年中每个月的交易总量表（包含公司代码）与30只道琼斯成分股股票信息表合并；

Pd.merge(data1,data2,on="code")

3.聚类分析

3.1K-均值聚类

scikit-learn 语言包

#K-Mean聚类的一个小例子

from pylab import *

from scipy.cluster.vq import *

list1=[88,64,96,85]

list2=[92,99,95,94]

list3=[91,87,99,95]

list4=[78,99,97,81]

list5=[88,78,98,84]

list6=[100,95,100,92]

data=vstack((list1,list2,list3,list4,list5,list6))

centroids,_=kmeans(data,2)

result,_=vq(data,centroids)

print (result)

推荐访问:python如何分析数据 常用 手册 方法