大數據一般是在“云”上玩的，但“云”都是要錢的，而且數據上上下下的也比較麻煩。所以，在本地電腦上快速處理數據的技能還是要的。

python/269348.html">pandas

在比賽中學到的一個工具，本地可以在億級別的數據上進行聚合等操作。內部的數據包括：
• Series：一維數組，每個元素有一個標簽
• DataFrame：二維表格，可以看做Series的集合
• Panel：三維數據

數據的初始化

我們可以通過構造函數來初始化，從下面的代碼中可以想象得到數據是樣子：

from pandas import Series, DataFrames = Series(data=[1, 2, 3], index=['a', 'b', 'c'])df = DataFrame(  data=[    [1, 2, 3],    [4, 5, 6],    [7, 8, 9]  ],  index=['i1', 'i2', 'i3'],  columns=['c1', 'c2', 'c3'])

如果源數據是格式比較好的CSV（或者是自己加工生成的中間數據），可以直接讀取：
df = pandas.read_csv("../volume.csv", header=0)

數據的更新

更新結構

在定義完成之后可以對行、列進行增減（增減數據、修改結構）：
• 增加列： • df.insert(3, 'new_column', [4, 7, 10])
• df['c4'] = [4, 7, 10]

• 刪除列 • df.pop('c1')
• df = df.drop('c1', axis=1)

• 增加行：一般不要動態的增加行，據說新能不高 • df.loc['i4'] = [10, 11, 12]
• df.loc['i4'] = {'c1': 10, 'c2': 11, 'c3': 12}

• 刪除行： • df = df.drop('i1', axis=0)

更新數據

我們可以精確修改單個位置的值：
• df['c1']['i1'] = 77
• df.ix[1, 2] = 66

合并數據

數據很多時候分布在不同的DataFrame中，要使用需要將他們進行合并，第一種方式是concat（基礎方法）：

import pandas as pddf1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],          'B': ['B0', 'B1', 'B2', 'B3'],          'C': ['C0', 'C1', 'C2', 'C3'],          'D': ['D0', 'D1', 'D2', 'D3']},          index=[0, 1, 2, 3])df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],          'B': ['B4', 'B5', 'B6', 'B7'],          'C': ['C4', 'C5', 'C6', 'C7'],          'D': ['D4', 'D5', 'D6', 'D7']},          index=[4, 5, 6, 7])result = pd.concat([df1, df2])

合并完的結果為：

  A  B  C  D0 A0 B0 C0 D01 A1 B1 C1 D12 A2 B2 C2 D23 A3 B3 C3 D34 A4 B4 C4 D45 A5 B5 C5 D56 A6 B6 C6 D67 A7 B7 C7 D7

其參數含義如下：
• objs ：合并的數據（Series、DataFrame）
• axis ：合并軸方向，行(0)、列(1)
• join ：關聯類型（inner、outer）
• join_axes ：結果行，eg: pd.concat([df1, df2], axis=1, join_axes=[pd.Int64Index([1, 2, 3])])
• ignore_index ：是否忽略objs中傳入的索引
• keys ：來自不同表的index，每個表一個（ignore_index=True時不管用）
• levels ：不同層次的索引
• names ：不同層次的索引的名字
• verify_integrity ：檢查是否包含重復項（有一定的代價）
• copy ：是否賦值數據

另一個相對簡化點的操作是append（簡化版，好像沒啥特別的）：
result = df1.append(df2)

接著來看重點方法merge（將兩個表的數據進行融合）：

import pandas as pdleft = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],           'A': ['A0', 'A1', 'A2', 'A3'],           'B': ['B0', 'B1', 'B2', 'B3']})right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],           'C': ['C0', 'C1', 'C2', 'C3'],           'D': ['D0', 'D1', 'D2', 'D3']})result = pd.merge(left, right, on='key')print(result)

結果為（注意觀察與concat不一樣的地方）： 

  A  B key  C  D0 A0 B0 K0 C0 D01 A1 B1 K1 C1 D12 A2 B2 K2 C2 D23 A3 B3 K3 C3 D3

方法的參數有：
• left、right ：將要進行關聯的兩個表
• how ：關聯方式（left、right、inner、outer）
• on ：實現關聯的列，不傳應該是找相同列名
• left_on、right_on ：分別為left、right的關聯列，在列名不同時使用
• left_index、right_index ：是否用索引來關聯
• sort ：排序
• suffixes ：后綴
• copy ：是否復制數據

對應的簡化版本為join方法：

import pandas as pdleft = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],           'B': ['B0', 'B1', 'B2', 'B3']},          index=['K0', 'K1', 'K2', 'K3'])right = pd.DataFrame({'C': ['C0', 'C1', 'C2', 'C3'],           'D': ['D0', 'D1', 'D2', 'D3']},           index=['K0', 'K1', 'K2', 'K3'])result = left.join(right)print(result)

輸出為：

   A  B  C  DK0 A0 B0 C0 D0K1 A1 B1 C1 D1K2 A2 B2 C2 D2K3 A3 B3 C3 D3

數據的查詢和分析

基本查詢

精確查看單個位置數據的方法：
• df['c1']['i1']
• df.loc['i1']['c1'] （先行后列）
• df.iloc[1] （下標操作）
• df.ix['i1'][1] 或 df.ix[0, 2] （隨意使用下標或名稱）

通過切片的操作批量取出數據：
• df.loc['i1':'i2', ['c1', 'c2']]
• df.iloc[1:3, [1, 2]]
• df.ix[1:3, 0:2]

查看某行或某列：
• 行： df.loc['i1']
• 列： df['c1']

分組

分組（GroupBy）是最最基本的一個分析手段，看個例子：

import pandas as pdimport numpy as npdf = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],          'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],          'C': np.random.randn(8),          'D': np.random.randn(8)})result = df.groupby(['A'])print(result.get_group('foo'))

其他分組形式：
• df.groupby('A')
• df.groupby(['A', 'B'])
• df.groupby(group_func, axis=1)
• df.groupby(level=0)
• df.groupby([pd.Grouper(level=0), 'A'])

可以對各組進行遍歷：

for name, group in result:  print(name)  print(group)

對分組的結果可以過濾：

df.groupby('A').B.filter(lambda x : len(x) > 1)

進一步對各個分組進行計算（結果太直觀，就不寫了）：
• df.groupby(['A', 'B']).sum()
• df.groupby(['A', 'B']).sum().reset_index()
• df.groupby(['A', 'B']).aggregate(np.sum)
• df.groupby(['A', 'B']).agg(np.sum)
• df.groupby(['A', 'B']).agg([np.sum, np.mean])
• df.groupby(['A', 'B']).agg([np.sum, np.mean]).rename(columns={'sum': 's', 'mean': 'm'})
• df.groupby(['A', 'B']).agg({'C': np.sum, 'D': np.mean})
• df.groupby(['A', 'B']).agg({'C': 'sum', 'D': 'mean'})

利用transform（類似的還有apply）可以對各個分組分別計算：

import pandas as pdimport numpy as npdf = pd.DataFrame(data={  'A': [1, 1, 3],  'B': [4, 5, 6],  'C': [7, np.nan, 9]})print(df.groupby('A')['B'].transform(lambda x : x - x.mean()))

輸出結果為：

0  -0.51  0.52  0.0Name: B, dtype: float64

類似的，可以在分組上使用窗口函數：
• rolling
• resample
• expanding

條件過濾

用一些常用的構造方式，可以有類似SQL的開發效率??：
• tips[tips['time'] == 'Dinner'].head(5)
• tips[(tips['time'] == 'Dinner') & (tips['tip'] > 5.00)]
• tips[(tips['size'] >= 5) | (tips['total_bill'] > 45)]
• frame[frame['col2'].isnull()]
• frame[frame['col1'].notnull()]

最后，如果想圖形化看在PyCharm里面需要搞個 plt.show() （其他的IDE并不清楚）。

numpy

比較早接觸的numpy，總體上來看處理數據比自帶類型方便些：
• np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])
• np.array((5, 6, 7, 8))

主要集中在數組、矩陣的處理上！是很多工具的基礎。