Android-Pandas使用方法

Pandas库提供高性能易用数据类型和分析工具，建立数据与索引之间的关系，通过索引操作数据。本导图介绍了Pandas库的Series和DataFrame类型，以及常用的数据统计分析函数。

Pandas

• Pandas库提供高性能易用数据类型和分析工具，建立数据与索引之间的关系，通过索引操作数据。本导图介绍了Pandas库的Series和DataFrame类型，以及常用的数据统计分析函数。
• Pandas库入门
  • 提供高性能易用数据类型和分析工具 建立数据与索引之间的关系，通过索引操作数据
  • Pandas库的介绍
    • Pandas库的引用
      • import pandas as pd
    • Pandas库小测
    • Pandas库的理解
      • 1、基于Series，DataFrame两个数据类型的各类操作 2、Numpy VS Pandas
  • Pandas库的Series类型
    • Series类型
      • 索引+数据 一维带标签数组
    • Series类型创建
      • pd.Series(values,index）
      • 标量值创建
        • 索引不可省略
      • 列表类型创建
        • 索引可省略
      • 字典类型创建
        • 索引和值一一对应，可以通过更改索引的顺序更改生成的series
      • 数组类型创建
        • 索引可省略
    • Series类型的操作
      • 索引
        • 1、自定义和自动两套索引并存 2、可同时进行多个索引
      • 切片
        • 切片操作与数组相似
      • in操作
        • 存在指定索引返回True，否则返回False 只能判断自定义索引，不能判断自动索引
      • .get()用法
        • 存在指定索引，返回对应值，否则返回设定参数
      • 对齐操作
        • Series类型在运算中会自动对齐不同索引的数据 两个Series中的不同索引返回空值，相同索引把对应值进行加法运算
      • .name属性
        • Series类型的对象和索引都可以命名
      • 修改
  • Pandas库的DataFrame类型
    • DataFrame类型
      • 表格型的数据类型，常用于表达二维数据，也可以表达多维数据 二维带标签数组
    • DataFrame类型的创建
      • 二维数组创建
        • 行索引和列索引自动创建
      • 一维数组+字典创建
      • 列表+字典创建
    • DataFrame操作
  • Pandas库的数据类型操作
    • .reindex()
      • index：行索引 columns：列索引 fill_value：新索引填充值
      • 重排索引
      • 改变索引
    • .drop()
      • 删除Series指定索引对象
      • 删除DataFrame指定索引对象
        • d.drop('c4')：删除行的时候直接输入行号 d.drop('同比',axis=1)：删除'同比'这一列
  • Pandas库的数据类型运算
    • 算术运算
      • 直接进行运算和使用运算方法的不同在于，运算方法可以选择参数 .add()：加 .sub()：减 .mul()：乘 .div()：除
      • 相同纬度
        • b.add(a,fill_value=100)与a.add(b,fill_value=100)结果相同
      • 不同维度
        • 不同维度之间为广播运算 Series与标值的运算为每一项均进行运算 DataFram与Series的运算默认在轴1参与运算，即每一行依次参与运算 使用运算方法可以令一维Series参与轴0运算，即每一列依次参与运算
    • 比较运算
      • 比较运算不进行补齐
      • 相同维度
      • 不同维度
• Pandas数据特征分析
  • 数据的排序
    • .sort_index()
      • 索引排序 默认0轴，升序排列
    • .sort_values()
      • 数值排序 默认0轴，升序排列
  • 数据的基本统计分析
    • .sum()
      • 计算数据总和，默认按0轴计算
    • .count()
      • 非NaN值得数量，默认按0轴计算
    • .mean()
      • 平均值，默认0轴
    • .median()
      • 中位数，默认0轴
    • .var()
      • 方差，默认0轴
    • .std()
      • 标准差，默认0轴
    • .min()
      • 最小值，默认0轴
    • .max()
      • 最大值，默认0轴
    • .describe()
      • 针对0轴的统计汇总
    • 适用于Series和DataFrame
    • .argmin()
      • 计算数据最小值、最大值所在位置的索引 .argmin()、.argmax()：返回自动索引 .idxmin()、.argmax()：返回自定义索引
    • .argmax()
    • .idxmin()
    • .idxmax()
    • 仅适用于Series
  • 数据的累计统计分析
    • 累计计算
      • .cumsum()
        • 依次给出前n个数的和，默认0轴，即竖着进行 即，第二行的元素等于原数组第一行+第二行 第三行的元素等于原数组第一行+第二行+第三行
      • .cumprod()
        • 依次给出前n个数的积，默认0轴
      • .cummax()
        • 依次给出前n个数的最大值、最小值，默认0轴
      • .cummin()
    • 滚动计算
      • .rolling().sum()
        • 依次计算相邻多个元素的和，默认0轴
      • .rolling().mean()
        • 依次计算多个相邻元素的平均值，默认0轴
      • .rolling().var()
        • 依次计算多个相邻元素的方差，默认0轴
      • .rolling().std()
        • 依次计算多个相邻元素的标准差，默认0轴
      • .rolling().min()
        • 依次计算多个相邻元素的最小值，默认0轴
      • .rolling().max()
        • 依次计算多个相邻元素的最大值，默认0轴
  • 数据的相关分析
    • 协方差
      • >0：正相关 <0：负相关
=0：独立无关
    • 相关系数
      • 0.8~1.0：极强相关 0.6~0.8：强相关 0.:4~0.6：中等程度相关 0.2~0.4：弱相关 0.0~0.2：极弱相关或无关
    • .cov()
      • 协方差
    • .corr()
      • 相关系数