数据分析利器之Pandas

Pandas是一个python的开源库,它基于Numpy,提供了多种高性能且易于使用的数据结构。Pandas最初被用作金融数据分析工具而开发,由于它有着强大的功能,目前广泛应用于数据分析、机器学习以及量化投资等。下面来跟随作者一起认识下Pandas吧!

创新互联公司坚持“要么做到,要么别承诺”的工作理念,服务领域包括:成都网站制作、成都网站设计、外贸营销网站建设、企业官网、英文网站、手机端网站、网站推广等服务,满足客户于互联网时代的新宾网站设计、移动媒体设计的需求,帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴!

  如何开始

Pandas安装方式十分简单,如果使用Anaconda,Anaconda默认就已经为我们安装好了Pandas,直接拿来用就可以了,推荐使用这种方式。

如果不用Anaconda,只需执行如下命令即可:

pip install pandas

像其他python库一样,使用之前需要导入,通常采用如下方式:

import pandas as pd

2   Pandas数据结构

Pandas的数据结构包括 SeriesDataFrame以及 Panel,这些数据结构基于 Numpy,因此效率很高。其中 DataFrame最为常用,是Pandas最主要的数据结构。所有Pandas数据结构都是值可变的,除 Series外都是大小(Size)可变的, Series大小不可变。

Series

Series是一维的类似的数组的对象,它包含一个数组的数据(任意NumPy的数据类型)和一个与数组关联的索引 。

>>> import pandas as pd>>> import numpy as np>>> s = pd.Series(np.random.randn(4))>>> s0    0.1027801    1.5230012    1.7700673    0.437553dtype: float64

可以看到Pandas默认为我们生成了索引,它的结构如下表所示:

0123
0.1027801.5230011.7700670.437553

我们也可以使用 index关键字为其指定索引:

>>> s = pd.Series(np.random.randn(4), index=['a', 'b', 'c', 'd'])>>> sa   -0.316668b    0.083363c   -0.520227d   -1.024034dtype: float64

DataFrame

DataFrame是二维的、类似表格的对象,是使用最为广泛的Pandas数据结构。DataFrame有行和列的索引,访问便捷。它可以被看作是Series的字典:

>>> data = {'name': ['张三', '李四', '王五'],...         'gender': ['M', 'F', 'M'],...         'height': [174, 160, 185],...         'weight': [80, 48, 70]}>>> frame = pd.DataFrame(data)>>> frame  name gender  height  weight0   张三      M     174      801   李四      F     160      482   王五      M     185      70

结构如下表所示


namegenderheightweight
0张三M17480
1李四F16048
2王五M18570

一方面,我们可以使用 columns关键字指定DataFrame列的顺序,DataFrame的列将会严格按照 columns所指定的顺序排列;另一方面,与Series相同,我们可以使用 index关键字为其指定索引:

>>> frame2 = pd.DataFrame(data, columns=['name', 'gender', 'weight'],...     index=['one', 'two', 'three'])>>> >>> frame2      name gender  weightone     张三      M      80two     李四      F      48three   王五      M      70

需要注意的是,DataFrame的同一列允许有不同类型的值(数字,字符串,布尔等),这便意味着:我们可以将 王五weight设置为 F

  数据访问和遍历

DataFrame支持按下标访问:

  1. >>> frame2.iloc[0]

  2. name      张三

  3. gender     M

  4. weight    80

  5. Name: one, dtype: object

  6. >>> frame2.iloc[0]['weight']

  7. 80

也支持按索引访问:

  1. >>> frame2.loc['two']

  2. name      李四

  3. gender     F

  4. weight    48

  5. Name: two, dtype: object

  6. >>> frame2.loc['two']['name']

  7. '李四'

因此,DataFrame也支持如下两种遍历方式:

>>> for i in range(0, len(frame2)):...     print(frame2.iloc[i])*** 输出结果略 ***
>>> for index, row in frame2.iterrows():...     print(row)*** 输出结果略 ***

  添加和删除列

如果我们想增加一列,也非常方便,如计算BMI指数:

>>> frame['BMI'] = frame['weight']/(frame['height']*frame['height']/10000)>>> frame  name gender  height  weight        BMI0   张三      M     174      80  26.4235701   李四      F     160      48  18.7500002   王五      M     185      70  20.452885

仅需一行代码而无需遍历。

删除列:

>>> del frame2['gender']>>> frame2      name  weightone     张三      80two     李四      48three   王五      70

  添加和删除行

添加行

>>> frame3 = pd.DataFrame([['小红', 46], ['小明', 68]], columns = ['name', 'weight'], index=['four', 'five'])>>> frame4 = frame2.append(frame3)>>> frame4      name  weightone     张三      80two     李四      48three   王五      70four    小红      46five    小明      68

删除行

>>> frame4.drop('four')      name  weightone     张三      80two     李四      48three   王五      70five    小明      68

6    数据筛选

  • 按下标取出前两条记录

>>> frame[:2]  name gender  height  weight       BMI0   张三      M     174      80  26.423571   李四      F     160      48  18.75000
  • 按其他条件筛选

如找到BMI>20的记录:

>>> mask = (frame['BMI'] > 20)>>> frame.loc[mask]  name gender  height  weight        BMI0   张三      M     174      80  26.4235702   王五      M     185      70  20.452885

DataFrame还支持许多其他的操作,篇幅有限,在此不一一展开。

7     Panel

Panel是三维的数据结构,可以看作是DataFrame的字典,这种数据结构使用很少,此处略过不提。

Pandas实战

学习技术是为了更好的工作和生活,抛开应用,技术也就失去了存在的意义。本文开篇中提到,Pandas作为数据分析工具的一个重要应用场景是量化投资,在此我想分享一下使用pandas的一个场景:

我想筛选出A股市场中过去60个交易日表现好的那些股票。关于表现好,也许每个人都有自己的看法,我的标准如下

  • 涨幅够大,区间累计涨幅达60%以上

  • 回撤小,区间内任意单个交易日跌幅不超过7%,包括高开低走7%(套人的不算好股票);区间内任意连续两个交易日累计跌幅不超过10%,包括连续两个交易日高开低走10%

我使用的数据源是TuShare,它提供了A股复权日线图,不过它没有提供复权数据的每日涨跌幅,所以我们需要对他进行处理:

>>> import tushare as ts>>> import talib as tl>>> data = ts.get_k_data('300573', autype='qfq')>>> data['p_change'] = tl.ROC(data['close'], 1)

此处使用了TALib,一个开源的金融数据分析工具。

完成初步的数据处理之后,我们就可以运行筛选条件了,截取代码片段如下:

  1. threshold=60

  2. if len(data)< threshold:

  3.    returnFalse

  4. data= data.tail(n=threshold)

  5. ratio_increase=(data.iloc[-1]['close']- data.iloc[0]['close'])/ data.iloc[0]['close']

  6. if ratio_increase<0.6:

  7.    returnFalse

  8. for iin range(1, len(data)):

  9.    if data.iloc[i-1]['p_change']<-7 \

  10.            or(data.iloc[i]['close']- data.iloc[i]['open'])/data.iloc[i]['open']*100<-7 \

  11.            or data.iloc[i-1]['p_change']+ data.iloc[i]['p_change']<-10 \

  12.            or(data.iloc[i]['close']- data.iloc[i-1]['open'])/ data.iloc[i-1]['open']*100<-10:

  13.        returnFalse

  14. returnTrue

最后的结果如下:

[('603986', '兆易创新'), ('603882', '金域医学'), ('603501', '韦尔股份'), ('300782', '卓胜微'), ('300622', '博士眼镜'), ('300502', '新易盛'), ('300492', '山鼎设计'), ('300433', '蓝思科技'), ('300223', '北京君正'), ('002917', '金奥博'), ('002892', '科力尔'), ('002876', '三利谱'), ('002850', '科达利'), ('002819', '东方中科'), ('002600', '领益智造'), ('002241', '歌尔股份'), ('000049', '德赛电池')]

可以看到其中科技股独领风骚,谁让我们大A是科技牛呢?


分享名称:数据分析利器之Pandas
链接地址:http://myzitong.com/article/jsjhde.html