# coding=gbk  
''''' 
@author: 老村長(zhǎng)
'''  
import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
# 1为居、可以通過傳遞一個(gè)list對(duì)象來創(chuàng)建一個(gè)Series十饥，pandas會(huì)默認(rèn)創(chuàng)建整型索引：  
# s=pd.Series([1,3,5,np.nan,6,8])  
# print(s)  
#   
# # 2竹观、通過傳遞一個(gè)numpy array泻骤，時(shí)間索引以及列標(biāo)簽來創(chuàng)建一個(gè)DataFrame：  
# dates=pd.date_range('20130101',periods=6)  
# print(dates)  
# df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('ABCD'))  
# print(df)  
#   
# # 3上煤、通過傳遞一個(gè)能夠被轉(zhuǎn)換成類似序列結(jié)構(gòu)的字典對(duì)象來創(chuàng)建一個(gè)DataFrame：  
# df2=pd.DataFrame({'A':1,'B':pd.Timestamp('20130102'),  
#                   'C':pd.Series(1,index=list(range(4)),dtype='float32'),  
#                   'D':np.array([3]*4,dtype='int32'),  
#                   'E':pd.Categorical(['test','train','test','train']),  
#                   'F':'fool'  
#                   })  
# print(df2)  
# # 4搀缠、查看不同列的數(shù)據(jù)類型：  
# print(df2.dtypes)  
#   
#   
#   
#   
# # 1绊茧、  查看frame中頭部和尾部的行：  
# print(df.head(1))  
# print(df.tail(1))  
#   
# # 2驻呐、  顯示索引毁渗、列和底層的numpy數(shù)據(jù)：  
# print(df.index)  
# print(df.columns)  
# print(df.values)  
#   
# # 3践磅、  describe()函數(shù)對(duì)于數(shù)據(jù)的快速統(tǒng)計(jì)匯總：  
# print(df.describe())  
#   
# # 4、  對(duì)數(shù)據(jù)的轉(zhuǎn)置：  
# print(df.T)  
#   
# # 5灸异、  按軸進(jìn)行排序  
# print(df.sort_index(axis=1,ascending=False))  
#   
# # 6府适、  按值進(jìn)行排序  
# print(df.sort(columns='B'))  
#   
#   
#   
#   
#   
# # l  獲取  
# #   
# # 1、 選擇一個(gè)單獨(dú)的列肺樟，這將會(huì)返回一個(gè)Series檐春，等同于df.A：  
# print(df['A'])  
#   
# # 2、 通過[]進(jìn)行選擇么伯，這將會(huì)對(duì)行進(jìn)行切片  
# print(df[:3]) # 其中0可以省略 print(df[0:3])  
#   
# # l  通過標(biāo)簽選擇  
# #   
# # 1疟暖、 使用標(biāo)簽來獲取一個(gè)交叉的區(qū)域  
# print(df.loc[dates[0]])  
#   
# # 2、 通過標(biāo)簽來在多個(gè)軸上進(jìn)行選擇  
# print(df.loc[:,['A','B']])  
#   
# # 3田柔、 標(biāo)簽切片  
# print(df.loc['20130102':'20130104',['A','B']])  
#   
# # 4俐巴、 對(duì)于返回的對(duì)象進(jìn)行維度縮減  
# print(df.loc['20130101',['A','B']])  
#   
# # 5、 獲取一個(gè)標(biāo)量  
# print(df.loc[dates[0],'A'])  
#   
# # 6硬爆、 快速訪問一個(gè)標(biāo)量（與上一個(gè)方法等價(jià)）  
# print(df.at[dates[0],'A'])  
#   
# # l  通過位置選擇  
# #   
# # 1欣舵、 通過傳遞數(shù)值進(jìn)行位置選擇（選擇的是行）  
# print(df.iloc[3])  
#   
# # 2、 通過數(shù)值進(jìn)行切片缘圈，與numpy/python中的情況類似  
# print(df.iloc[3:5,0:2])  
#   
# # 3、 通過指定一個(gè)位置的列表糟把，與numpy/python中的情況類似  
# print(df.iloc[[1,2,4],[0,2]])  
#   
# # 4、 對(duì)行進(jìn)行切片  
# print(df.iloc[1:3,:])  
#   
# # 5遣疯、 對(duì)列進(jìn)行切片  
# print(df.iloc[:,1:3])  
#   
# # 6雄可、 獲取特定的值  
# print(df.iloc[1,1])  
#   
# # l  布爾索引  
# #   
# # 1另锋、 使用一個(gè)單獨(dú)列的值來選擇數(shù)據(jù)：  
# print(df[df.A>0])  
#   
# # 2、 使用where操作來選擇數(shù)據(jù)：  
# print(df[df>0])  
#   
# # 3夭坪、 使用isin()方法來過濾：  
# df2=df.copy()  
# df2['E']=['one','one','one','one','one','two']  
# print(df2)  
#   
# # l  設(shè)置  
# #   
# # 1文判、 設(shè)置一個(gè)新的列：  
# s1=pd.Series([1,2,3,4,5,6],index=pd.date_range('20130101', periods=6))  
#   
# print(s1)  
# df['F']=s1  
# print(df)  
#   
# # 2、 通過標(biāo)簽設(shè)置新的值：  
# df.at[dates[0],'A']=0  
# print(df)  
#   
# # 3室梅、 通過位置設(shè)置新的值：  
# df.iat[0,1]=0  
# print(df)  
#   
# # 4、 通過一個(gè)numpy數(shù)組設(shè)置一組新值：  
# df.loc[:,'D']=np.array([5]*len(df))  
# print(df)  
#   
# # 5亡鼠、 通過where操作來設(shè)置新的值：  
# df2=df.copy()  
# df2[df2>0]=-df2  
# print(df2)  
#   
#   
#   
#   
#   
#   
#   
# # 四间涵、            缺失值處理  
# # 在pandas中，使用np.nan來代替缺失值勾哩，這些值將默認(rèn)不會(huì)包含在計(jì)算中，詳情請(qǐng)參閱：Missing Data Section迅矛。  
# #   
# # 1潜叛、  reindex()方法可以對(duì)指定軸上的索引進(jìn)行改變/增加/刪除操作，這將返回原始數(shù)據(jù)的一個(gè)拷貝：威兜、  
#   
# df1=df.reindex(index=dates[0:4],columns=list(df.columns)+['E'])  
# print(df1)  
#   
# # 2椒舵、  去掉包含缺失值的行：  
# # df1.dropna(how='any',inplace=True)  
# # print(df1)  
#   
# # 3、  對(duì)缺失值進(jìn)行填充：  
# # df1=df1.fillna(value=5)  
# # print(df1)  
#   
# # 4逮栅、  對(duì)數(shù)據(jù)進(jìn)行布爾填充：  
# # print(pd.isnull(df1))  
#   
#   
#   
#   
# # 五措伐、            相關(guān)操作  
# # 詳情請(qǐng)參與 Basic Section On Binary Ops  
# #   
# # l  統(tǒng)計(jì)（相關(guān)操作通常情況下不包括缺失值）  
# #   
# # 1、  執(zhí)行描述性統(tǒng)計(jì)：  
# print(df.mean())  
#   
# # 2侥加、  在其他軸上進(jìn)行相同的操作：  
# print(df.mean(1))  
#   
# # 3、  對(duì)于擁有不同維度担败，需要對(duì)齊的對(duì)象進(jìn)行操作。Pandas會(huì)自動(dòng)的沿著指定的維度進(jìn)行廣播：  
# s=pd.Series([1,3,5,np.nan,6,8],index=dates).shift(2)  
# print(s)  
#   
#   
# # l  Apply  
# #   
# # 1吗货、  對(duì)數(shù)據(jù)應(yīng)用函數(shù)：  
# print(df.apply(np.cumsum))  
# print(df.apply(lambda x:x.max()-x.min()))  
#   
# # l  直方圖  
#   
# # 具體請(qǐng)參照：Histogramming and Discretization  
#   
# s=pd.Series(np.random.randint(0,7,size=10))  
# print(s)  
#   
# print(s.value_counts())  
#   
# # l  字符串方法  
# #   
# # Series對(duì)象在其str屬性中配備了一組字符串處理方法狈网，可以很容易的應(yīng)用到數(shù)組中的每個(gè)元素  
# s=pd.Series(['A','B','C','Bcaa',np.nan,'CBA','dog','cat'])  
# print(s.str.lower())  




# 六、            合并  
# Pandas提供了大量的方法能夠輕松的對(duì)Series勇垛，DataFrame和Panel對(duì)象進(jìn)行各種符合各種邏輯關(guān)系的合并操作士鸥。具體請(qǐng)參閱：Merging section  
#   
# l  Concat  

# df=pd.DataFrame(np.random.randn(10,4))  
# # print(df)  
#   
# pieces=[df[:3],df[3:7],df[7:]]  
# print(pd.concat(pieces))  

# l  Join 類似于SQL類型的合并  

# left=pd.DataFrame({'key':['foo','foo'],'lval':[1,2]})  
# right=pd.DataFrame({'key':['foo','foo'],'rval':[4,5]})  
#   
# print(left)  
# print(right)  
#   
# mid=pd.merge(left,right,on='key')  
# print(mid)  

# l  Append 將一行連接到一個(gè)DataFrame上  
# df=pd.DataFrame(np.random.randn(8,4),columns=['A','B','C','D'])  
# print(df)  
# s=df.iloc[3]  
# print(s)  
# df=df.append(s,ignore_index=True)  
# print(df)  




# 七烤礁、            分組  
# 對(duì)于”group by”操作，我們通常是指以下一個(gè)或多個(gè)操作步驟：  
#   
# l  （Splitting）按照一些規(guī)則將數(shù)據(jù)分為不同的組鸽凶；  
#   
# l  （Applying）對(duì)于每組數(shù)據(jù)分別執(zhí)行一個(gè)函數(shù)玻侥；  
#   
# l  （Combining）將結(jié)果組合到一個(gè)數(shù)據(jù)結(jié)構(gòu)中；  

# df=pd.DataFrame({'A':['foo','bar','foo','bar','foo','bar','foo','bar']  
#                  ,'B':['one','two','two','one','one','two','one','two']  
#                  ,'C':np.random.randn(8),'D':np.random.randn(8)})  
# print(df)  
#   
# # 1掌桩、  分組并對(duì)每個(gè)分組執(zhí)行sum函數(shù)：  
# print(df.groupby('A').sum())  
#   
# # 2姑食、  通過多個(gè)列進(jìn)行分組形成一個(gè)層次索引，然后執(zhí)行函數(shù)：  
# print(df.groupby(['A','B']).sum())  

# 八则拷、            Reshaping  
# l  Stack  
# tuples=list(zip(*[['bar','bar','baz','baz','foo','foo','qux','qux']  
#                   ,['one','two','one','two','one','two','one','two']]))  
#   
# index=pd.MultiIndex.from_tuples(tuples, names=['first','second'])  
# df=pd.DataFrame(np.random.randn(8,2),index=index,columns=['A','B'])  
# df2=df[:4]  
# # print(df2)  
# print(df2.stack().unstack(1))  






# 九、            時(shí)間序列  
# Pandas在對(duì)頻率轉(zhuǎn)換進(jìn)行重新采樣時(shí)擁有簡(jiǎn)單煌茬、強(qiáng)大且高效的功能（如將按秒采樣的數(shù)據(jù)轉(zhuǎn)換為按5分鐘為單位進(jìn)行采樣的數(shù)據(jù)）  
# rng=pd.date_range('1/1/2012',periods=100,freq='S')  
# print(rng)  
# ts=pd.Series(np.random.randint(0,500,len(rng)),index=rng)  
# print(ts)  
# print(ts.resample('5Min',how='sum'))  

# 1坛善、  時(shí)區(qū)表示：  
# rng=pd.date_range('3/6/2012 00:00',periods=5,freq='D')  
# print(rng)  
# ts=pd.Series(np.random.randn(len(rng)),index=rng)  
# print(ts)  
# ts_utc=ts.tz_localize('UTC')  
# print(ts_utc)  
#   
# # 2、  時(shí)區(qū)轉(zhuǎn)換：  
# print(ts_utc.tz_convert('US/Eastern'))  
#   
# # 3剔交、  時(shí)間跨度轉(zhuǎn)換：  
# rng=pd.date_range('1/1/2012',periods=5,freq='M')  
# print(rng)  
# ts=pd.Series(np.random.randn(len(rng)),index=rng)  
# print(ts)  
# ps=ts.to_period()  
# print(ps)  
# print(ps.to_timestamp())  

# 4改衩、  時(shí)期和時(shí)間戳之間的轉(zhuǎn)換使得可以使用一些方便的算術(shù)函數(shù)。  
# prng=pd.period_range('1990Q1','2000Q4',freq='Q-NOV')  
# print(prng)  
# ts=pd.Series(np.random.randn(len(prng)),index=prng)  
# print(ts)  
# ts.index=(prng.asfreq('M','e')+1).asfreq('H', 's')+8  
# print(ts.head())  







# 十腥椒、            Categorical  
# 從0.15版本開始候衍，pandas可以在DataFrame中支持Categorical類型的數(shù)據(jù)  

# df=pd.DataFrame({'id':[1,2,3,4,5,6],'raw_grade':['a','b','b','a','a','e']})  
# print(df)  
#   
# # 1、  將原始的grade轉(zhuǎn)換為Categorical數(shù)據(jù)類型：  
# df['grade']=df['raw_grade'].astype('category')  
# print(df)  
#   
# # 2滨砍、  將Categorical類型數(shù)據(jù)重命名為更有意義的名稱：  
# df['grade'].cat.categories=['very good','good','very bad']  
# print(df)  
#   
# # 3妖异、  對(duì)類別進(jìn)行重新排序，增加缺失的類別：  
# df['grade']=df['grade'].cat.set_categories(['very bad','bad','medium','good','very good'])  
# print(df['grade'])  
#   
# # 4响逢、  排序是按照Categorical的順序進(jìn)行的而不是按照字典順序進(jìn)行：  
# print(df.sort('grade'))  
#   
# # 5棕孙、  對(duì)Categorical列進(jìn)行排序時(shí)存在空的類別：  
# print(df.groupby('grade').size())  





# 十一、           畫圖  

# ts=pd.Series(np.random.randn(1000),index=pd.date_range('1/1/2012',periods=1000,freq='D'))  
# ts=ts.cumsum()  
# ts.plot()  
#   
# df=pd.DataFrame(np.random.randn(1000,4),index=ts.index,columns=['A','B','C','D'])  
# df=df.cumsum()  
# plt.figure();df.plot();plt.legend(loc='best')  
#   
#   
# # 十二钦铺、           導(dǎo)入和保存數(shù)據(jù)  
# # 1肢预、  寫入csv文件：  
# df.to_csv('foo.csv',index=False)  
#   
# # 2、  從csv文件中讀日颖尽：  
# pd.read_csv('foo.csv')  
#   
# # 1、  寫入excel文件：  
# df.to_excel('foo.xlsx',sheet_name='Sheet1')  
#   
# # 2壕探、  從excel文件中讀冉即浴：  
# pd.read_excel('foo.xlsx','Sheet1',index_col=None,na_values=['NA'])