Pandas最详细教程来了
导读：在Python中，进行数据分析的一个主要工具就是Pandas。Pandas是Wes McKinney在大型对冲基金AQR公司工作时开发的，后来该工具开源了，主要由社区进行维护和更新。
Pandas具有NumPy的ndarray所不具有的很多功能，比如集成时间序列、按轴对齐数据、处理缺失数据等常用功能。Pandas最初是针对金融分析而开发的，所以很适合用于量化投资。
作者：赵志强 刘志伟
来源：华章科技
在使用Pandas之前，需要导入Pandas包。惯例是将pandas简写为pd，命令如下：
import pandas as pd
Pandas包含两个主要的数据结构：Series和DataFrame。其中最常用的是DataFrame，下面我们先来学习一下DataFrame。
01 DataFrame入门
DataFrame是一个表格型的数据结构。每列都可以是不同的数据类型（数值、字符串、布尔值等）。
DataFrame既有行索引也有列索引，这两种索引在DataFrame的实现上，本质上是一样的。但在使用的时候，往往是将列索引作为区分不同数据的标签。DataFrame的数据结构与SQL数据表或者Excel工作表的结构非常类似，可以很方便地互相转换。
下面先来创建一个DataFrame，一种常用的方式是使用字典，这个字典是由等长的list或者ndarray组成的，示例代码如下：
data={'A':['x','y','z'],'B':[1000,2000,3000],'C':[10,20,30]}
df=pd.DataFrame(data,index=['a','b','c'])
df
运行结果如图3-2所示。
▲图3-2
我们可以看到，DataFrame主要由如下三个部分组成。
- 数据，位于表格正中间的9个数据就是DataFrame的数据部分。
- 索引，最左边的a、b、c是索引，代表每一行数据的标识。这里的索引是显式指定的。如果没有指定，会自动生成从0开始的数字索引。
- 列标签，表头的A、B、C就是标签部分，代表了每一列的名称。
下文列出了DataFrame函数常用的参数。其中，“类似列表”代表类似列表的形式，比如列表、元组、ndarray等。一般来说，data、index、columns这三个参数的使用频率是最高的。
- data：ndarray/字典/类似列表 | DataFrame数据；数据类型可以是ndarray、嵌套列表、字典等
- index：索引/类似列表 | 使用的索引；默认值为range(n)
- columns：索引/类似列表 | 使用的列标签；默认值为range(n)
- dtype：dtype | 使用（强制）的数据类型；否则通过推导得出；默认值为None
- copy：布尔值 | 从输入复制数据；默认值为False
其中data的数据类型有很多种。
下文列举了可以作为data传给DataFrame函数的数据类型。
可以传给DataFrame构造器的数据：
- 二维ndarray：可以自行指定索引和列标签
- 嵌套列表或者元组：类似于二维ndarray
- 数据、列表或元组组成的字典：每个序列变成一列。所有序列长度必须相同
- 由Series组成的字典：每个Series会成为一列。如果没有指定索引，各Series的索引会被合并
- 另一个DataFrame：该DataFrame的索引将会被沿用
前面生成了一个DataFrame，变量名为df。下面我们来查看一下df的各个属性值。
获取df数据的示例代码如下：
df.values
输出结果如下：
array([['x', 1000, 10],
['y', 2000, 20],
['z', 3000, 30]], dtype=object)
获取df行索引的示例代码如下：
df.index
输出结果如下：
Index(['a', 'b', 'c'], dtype='object')
获取df列索引（列标签）的示例代码如下：
df.columns
输出结果如下：
Index(['A', 'B', 'C'], dtype='object')
可以看到，行索引和列标签都是Index数据类型。
创建的时候，如果指定了列标签，那么DataFrame的列也会按照指定的顺序进行排列，示例代码如下：
df=pd.DataFrame(data,columns=['C','B','A'],index=['a','b','c'])
df
运行结果如图3-3所示。
▲图3-3
如果某列不存在，为其赋值，会创建一个新列。我们可以用这种方法来添加一个新的列：
df['D']=10
df
运行结果如图3-4所示。
▲图3-4
使用del命令可以删除列，示例代码如下：
del df['D']
df
运行结果如图3-5所示。
▲图3-5
添加行的一种方法是先创建一个DataFrame，然后再使用Append方法，代码如下：
new_df=pd.DataFrame({'A':'new','B':4000,'C':40},index=['d'])
df=df.append(new_df)
df
运行结果如图3-6所示。
▲图3-6
或者也可以使用loc方法来添加行，示例代码如下：
df.loc['e']=['new2',5000,50]
df
运行结果如图3-7所示。
▲图3-7
loc方法将在后面的内容中详细介绍。
索引的存在，使得Pandas在处理缺漏信息的时候非常灵活。下面的示例代码会新建一个DataFrame数据df2。
df2=pd.DataFrame([1,2,3,4,5],index=['a','b','c','d','z'],columns=['E'])
df2
运行结果如图3-8所示。
▲图3-8
如果现在想要合并df和df2，使得df有一个新的列E，那么可以使用join方法，代码如下：
df.join(df2)
运行结果如图3-9所示。
▲图3-9
可以看到，df只接受索引已经存在的值。由于df2中没有索引e，所以是NaN值，而且df2索引为z的值已经丢失了。为了保留df2中索引为z的值，我们可以提供一个参数，告诉Pandas如何连接。示例代码如下：
df.join(df2,how='outer')
运行结果如图3-10所示。
▲图3-10
在上述代码中，how='outer'表示使用两个索引中所有值的并集。连接操作的其他选项还有inner（索引的交集）、left（默认值，调用方法的对象的索引值）、right（被连接对象的索引值）等。
在金融数据分析中，我们要分析的往往是时间序列数据。下面介绍一下如何基于时间序列生成DataFrame。为了创建时间序列数据，我们需要一个时间索引。这里先生成一个DatetimeIndex对象的日期序列，代码如下：
dates=pd.date_range('20160101',periods=8)
dates
输出结果如下：
DatetimeIndex(['2016-01-01', '2016-01-02', '2016-01-03', '2016-01-04',
'2016-01-05', '2016-01-06', '2016-01-07', '2016-01-08'],dtype='da
tetime64[ns]', freq='D')
可以看到，使用Pandas的date_range函数生成的是一个DatetimeIndex对象。date_range函数的参数及说明如下所示：
- start：字符串/日期时间 | 开始日期；默认为None
- end：字符串/日期时间 | 结束日期；默认为None
- periods：整数/None | 如果start或者end空缺，就必须指定；从start开始，生成periods日期数据；默认为None
- freq：dtype | 周期；默认是D，即周期为一天。也可以写成类似5H的形式，即5小时。其他的频率参数见下文
- tz：字符串/None | 本地化索引的时区名称
- normalize：布尔值 | 将start和end规范化为午夜；默认为False
- name：字符串 | 生成的索引名称
date_range函数频率的参数及说明如下所示：
- B：交易日
- C：自定义交易日（试验中）
- D：日历日
- W：每周
- M：每月底
- SM：半个月频率（15号和月底）
- BM：每个月份最后一个交易日
- CBM：自定义每个交易月
- MS：日历月初
- SMS：月初开始的半月频率（1号，15号）
- BMS：交易月初
- CBMS：自定义交易月初
- Q：季度末
- BQ：交易季度末
- QS：季度初
- BQS：交易季度初
- A：年末
- BA：交易年度末
- AS：年初
- BAS：交易年度初
- BH：交易小时
- H：小时
- T，min：分钟
- S：秒
- L，ms：毫秒
- U，us：微秒
- N：纳秒
接下来，我们再基于dates来创建DataFrame，代码如下：
df=pd.DataFrame(np.random.randn(8,4),index=dates,columns=list('ABCD'))
df
运行结果如图3-11所示。
▲图3-11
有了df，我们就可以使用多个基于DataFrame的内建方法了，下面来看看相关的示例。
按列求总和，代码如下：
df.sum()
输出结果如下：
A 0.241727
B -0.785350
C -0.547433
D -1.449231
dtype: float64
按列求均值，代码如下：
df.mean()
输出结果如下：
A 0.030216
B -0.098169
C -0.068429
D -0.181154
dtype: float64
按列求累计总和，代码如下：
df.cumsum()
运行结果如图3-12所示。
▲图3-12
使用describe一键生成多种统计数据，代码如下：
df.describe()
运行结果如图3-13所示。
▲图3-13
可以根据某一列的值进行排序，代码如下：
df.sort_values('A')
运行结果如图3-14所示。
▲图3-14
根据索引（日期）排序（这里是倒序），代码如下：
df.sort_index(ascending=False)
运行结果如图3-15所示。
▲图3-15
选取某一列，返回的是Series对象，可以使用df.A，代码如下：
df['A']
输出结果如下：
2016-01-01 -1.142350
2016-01-02 -0.816178
2016-01-03 0.030206
2016-01-04 1.930175
2016-01-05 0.571512
2016-01-06 0.220445
2016-01-07 0.292176
2016-01-08 -0.844260
Freq: D, Name: A, dtype: float64
使用[]选取某几行，代码如下：
df[0:5]
运行结果如图3-16所示。
▲图3-16
根据标签（Label）选取数据，使用的是loc方法，代码如下：
df.loc[dates[0]]
输出结果如下：
A -1.142350
B -1.999351
C 0.772343
D -0.851840
Name: 2016-01-01 00:00:00, dtype: float64
再来看两个示例代码。
df.loc[:,['A','C']]
运行结果如图3-17所示。
▲图3-17
df.loc['20160102':'20160106',['A','C']]
运行结果如图3-18所示。
▲图3-18
需要注意的是，如果只有一个时间点，那么返回的值是Series对象，代码如下：
df.loc['20160102',['A','C']]
输出结果如下：
A -0.816178
C -0.595195
Name: 2016-01-02 00:00:00, dtype: float64
如果想要获取DataFrame对象，需要使用如下命令：
df.loc['20160102':'20160102',['A','C']]
运行结果如图3-19所示。
▲图3-19
上面介绍的是loc方法，是按标签（索引）来选取数据的。有时候，我们会希望按照DataFrame的绝对位置来获取数据，比如，如果想要获取第3行第2列的数据，但不想按标签（索引）获取，那么这时候就可以使用iloc方法。
根据位置选取数据，代码如下：
df.iloc[2]
输出结果如下：
A 0.030206
B 0.759953
C -1.446549
D -0.874364
Name: 2016-01-03 00:00:00, dtype: float64
再来看一个示例：
df.iloc[3:6,1:3]
运行结果如图3-20所示。
▲图3-20
注意：对于DataFrame数据类型，可以使用[]运算符来进行选取，这也是最符合习惯的。但是，对于工业代码，推荐使用loc、iloc等方法。因为这些方法是经过优化的，拥有更好的性能。
有时，我们需要选取满足一定条件的数据。这个时候可以使用条件表达式来选取数据。这时传给df的既不是标签，也不是绝对位置，而是布尔数组（Boolean Array）。下面来看一下示例。
例如，寻找A列中值大于0的行。首先，生成一个布尔数组，代码如下：
df.A>0
输出结果如下：
2016-01-01 False
2016-01-02 False
2016-01-03 True
2016-01-04 True
2016-01-05 True
2016-01-06 True
2016-01-07 True
2016-01-08 False
Freq: D, Name: A, dtype: bool
可以看到，这里生成了一个Series类型的布尔数组。可以通过这个数组来选取对应的行，代码如下：
df[df.A>0]
运行结果如图3-21所示。
▲图3-21
从结果可以看到，A列中值大于0的所有行都被选择出来了，同时也包括了BCD列。
现在我们要寻找df中所有大于0的数据，先生成一个全数组的布尔值，代码如下：
df>0
运行结果如图3-22所示。
▲图3-22
下面来看一下使用df>0选取出来的数据效果。由图3-23可以看到，大于0的数据都能显示，其他数据显示为NaN值。
df[df>0]
运行结果如图3-23所示。
▲图3-23
再来看一下如何改变df的值。首先我们为df添加新的一列E，代码如下：
df['E']=0
df
运行结果如图3-24所示。
▲图3-24
使用loc改变一列值，代码如下：
df.loc[:,'E']=1
df
运行结果如图3-25所示。
▲图3-25
使用loc改变单个值，代码如下：
df.loc['2016-01-01','E'] = 2
df
运行结果如图3-26所示。
▲图3-26
使用loc改变一列值，代码如下：
df.loc[:,'D'] = np.array([2] * len(df))
df
运行结果如图3-27所示。
▲图3-27
可以看到，使用loc的时候，x索引和y索引都必须是标签值。对于这个例子，使用日期索引明显不方便，需要输入较长的字符串，所以使用绝对位置会更好。这里可以使用混合方法，DataFrame可以使用ix来进行混合索引。比如，行索引使用绝对位置，列索引使用标签，代码如下：
df.ix[1,'E'] = 3
df
运行结果如图3-28所示。
▲图3-28
ix的处理方式是，对于整数，先假设为标签索引，并进行寻找；如果找不到，就作为绝对位置索引进行寻找。所以运行效率上会稍差一些，但好处是这样操作比较方便。
对于ix的用法，需要注意如下两点。
- 假如索引本身就是整数类型，那么ix只会使用标签索引，而不会使用位置索引，即使没能在索引中找到相应的值（这个时候会报错）。
- 如果索引既有整数类型，也有其他类型（比如字符串），那么ix对于整数会直接使用位置索引，但对于其他类型（比如字符串）则会使用标签索引。
总的来说，除非想用混合索引，否则建议只使用loc或者iloc来进行索引，这样可以避免很多问题。
02 Series
Series类似于一维数组，由一组数据以及相关的数据标签（索引）组成。示例代码如下：
import pandas as pd
s=pd.Series([1,4,6,2,3])
s
Out:
0 1
1 4
2 6
3 2
4 3
在这段代码中，我们首先导入pandas并命名为pd，然后向Series函数传入一个列表，生成一个Series对象。在输出Series对象的时候，左边一列是索引，右边一列是值。由于没有指定索引，因此会自动创建0到（N-1）的整数索引。也可以通过Series的values和index属性获取其值和索引。示例代码如下：
s.values
Out:
array([1, 4, 6, 2, 3], dtype=int64)
s.index
Out:
Int64Index([0, 1, 2, 3, 4], dtype='int64')
当然，我们也可以对索引进行定义，代码如下：
s=pd.Series([1,2,3,4],index=['a','b','c','d'])
s
Out:
a 1
b 2
c 3
d 4
在这里，我们将索引定义为a、b、c、d。这时也可以用索引来选取Series的数据，代码如下：
s['a']
Out:
1
s[['b','c']]
Out:
b 2
c 3
对Series进行数据运算的时候也会保留索引。示例代码如下：
s[s>1]
Out:
b 2
c 3
d 4
s*3
Out:
a 3
b 6
c 9
d 12
Series最重要的功能之一是在不同索引中对齐数据。示例代码如下：
s1=pd.Series([1,2,3],index=['a','b','c'])
s2=pd.Series([4,5,6],index=['b','c','d'])
s1+s2
Out:
a NaN
b 6
c 8
d NaN
Series的索引可以通过赋值的方式直接修改，示例代码如下：
s.index
Out:
Index([u'a', u'b', u'c', u'd'], dtype='object')
s.index=['w','x','y','z']
s.index
Out:
Index([u'w', u'x', u'y', u'z'], dtype='object')
s
Out:
w 1
x 2
y 3
z 4
关于作者：赵志强，金融量化与建模专家，目前在金融科技公司负责金融大数据产品工作，专注于研究Al在金融领域的落地应用。曾在由诺奖得主Robert Engle领导的上海纽约大学波动研究所研究全球金融风险，并和上交所、中金所合作完成多项科研项目。曾在摩根士丹利华鑫基金、明汯投资负责量化投资研究工作，内容包括股票多因子、期货CTA和高频交易等。
刘志伟，在中国银联云闪付事业部从事数据分析、数据挖掘等工作。对自然语言处理、文本分类、实体识别、关系抽取、传统机器学习，以及大数据技术栈均有实践经验。目前正在探索相关技术在金融场景内的落地应用，包括自动知识图谱、大规模文本信息抽取结构化、异常识别等领域，关注人工智能行业前沿技术发展。
本文摘编自《Python量化投资：技术、模型与策略》，经出版方授权发布。
