Python数据分析常用方法手册.docx
《Python数据分析常用方法手册.docx》由会员分享,可在线阅读,更多相关《Python数据分析常用方法手册.docx(10页珍藏版)》请在冰豆网上搜索。
![Python数据分析常用方法手册.docx](https://file1.bdocx.com/fileroot1/2022-10/20/9bfbc160-e009-4b19-818f-1884cbfa2e46/9bfbc160-e009-4b19-818f-1884cbfa2e461.gif)
Python数据分析常用方法手册
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(lambdax:
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=["accountnumber","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
importpandasaspd
importos
stock_code_list=[]
forroot,dirs,filesinos.walk('overview-data-sh/'):
iffiles:
forfinfiles:
if'sh6'inf:
stock_code_list.append(f.split('.csv')[0])
all_stock_sh=pd.DataFrame()
forcodeinstock_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
importmatplotlib.pyplotasplt
importnumpyasnp
importpandasaspd
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('myfirstmatplotlibplot')
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
importmatplotlib.pyplotasplt
importpandasaspd
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'])
data.index.name='time'
将index转为datatimeindex
data.index=pd.to_datetime(data.index)
data=data.resample('B',fill_method='ffill