您的位置：360文档中心› Python数据分析常用方法手册

Python数据分析常用方法手册

Python数据分析常用方法手册
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(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'])

https://www.360docs.net/doc/7d1923455.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)

相关主题
相关文档
最新文档