1. Pandas基本结构

Pandas是一个基于Numpy的数据结构，它提供了两种主要的数据结构：Series和DataFrame。Series是一种一维的数组型对象，它包含了一个值序列。DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型值)。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典(共同用一个索引) 。

• Series是一种一维的带标签数组对象，Series中的元素可以是任何类型的数据；
• DataFrame，二维数据表，是Series容器，而DataFrame中的元素必须是同一种类型的数据 。

其中，最常用的是DataFrame，做为数据分析数据载体——二维数据表，基于此有大量的统计分析函数。DataFrame结构如下图所示。

DataFrame是由多种类型的列构成的二维标签数据结构，类似于Excel、SQL表，或Series对象构成的字典。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典(共同用一个索引) 。

DataFrame的数据由三个部分组成：行索引、列索引和数据。每个元素都有一个行索引和一个列索引，它们都是唯一的。行索引和列索引都可以是任何类型的对象，例如整数、字符串、日期等。

2. Pandas数据类型

2.1. 类型概述

使用pandas进行数据分析时，最常用到的几种类型是：字符串类型、数值类型（整数和浮点数）、日期类型、category 类型。

import pandas as pd
import numpy as np

# 创建一个包含各种类型的DataFrame
data = {
    'Integer': pd.Series([1, 2, 3], dtype='int32'),
    'Float': pd.Series([21.1, 25.2, 30.3], dtype='float64'),
    'Boolean': pd.Series([True, False, True], dtype='bool'),
    'String': pd.Series(['植物园', '湘江公园', '太阳岛'], dtype='object'),
    'Datetime': pd.to_datetime(['2022-01-01', '2022-02-01', '2022-03-01']),
}

df = pd.DataFrame(data)

# 添加一个分类类型的列
df['Category'] = pd.Series(['dog', 'cat', 'dog'], dtype='category')

print("包含各种类型的DataFrame:\n", df)

2.1.1. 整数类型（int）：

概述： Pandas 提供不同精度的整数类型，如int8、int16、int32、int64，用于存储整数数据。
应用场景： 选择合适的整数类型有助于减小数据集的内存占用。

2.1.2. 浮点数类型（float）：

概述： Pandas 支持不同精度的浮点数类型，如float16、float32、float64，用于存储带小数的数值。
注意事项： 选择适当的浮点数类型有助于平衡精度和内存占用。

2.1.3. 布尔类型（bool）：

概述： 布尔类型用于存储逻辑值，通常在数据筛选中使用。
应用场景： 用于筛选数据集中的特定条件。

2.1.4. 字符串类型（object）：

概述： Pandas 的字符串类型，通常使用 object 表示，适用于包含文本数据的列。
字符串操作： Pandas 提供了丰富的字符串操作，如字符串拼接、切片、替换等。

2.1.5. 时间类型：

概述： Pandas 提供 datetime 类型用于处理日期和时间数据。
日期操作： 支持日期的解析、格式化、加减等操作。
时间序列： 时间类型在 Pandas 中常用于创建时间序列索引。

2.1.6. 分类类型：

概述： Pandas 提供 category 类型用于处理有限个数的离散值，提高性能和内存效率。
应用场景： 适用于重复值较多的列，如性别、地区等。

2.2. 类型内存

通过观察内存使用情况，你可以更好地了解哪些列占用了大量内存，从而决定是否需要调整它们的数据类型。memory_usage 方法是一个非常有用的工具，可以用于查看 DataFrame 中各列的内存使用情况。合理选择数据类型是优化内存使用的重要步骤之一，特别是当处理大型数据集时。

# 接续上面的代码。
df.memory_usage(deep=True)

	Index       128
	Integer      12
	Float        24
	Boolean       3
	String      266
	Datetime     24
	Category    400
	dtype: int64

在这个例子中，memory_usage(deep=True) 会返回一个 Series，其中包含每列的内存使用情况。deep=True 会深入到对象中，对于字符串类型的列，会计算字符串的实际内存使用情况。

2.3. Pandas数据类型与python、numpy对比

Pandas dtype	Python类型	Numpy类型	说明
object	str	string_,unicode_	用于文本
int64	int	int_,int8_,int16,int32,int64,uint8,uint16,uint32,uint64	用于整数
float64	float	float_,float16,float32,float64	用于浮点数
bool	bool	bool_	用于布尔值
datetime64	NA	NA	用于日期时间
timedelta[ns]	NA	NA	用于时间差
category	NA	NA	用于有限长度的文本值列表

2.3. 类型转换

import pandas as pd

# 创建一个包含不同类型数据的DataFrame
data = {
    'Float': [1.1, 2.2, 3.3],
    'Integer': [1, 2, 3],
    'Timestamp': pd.to_datetime(['2022-01-01', '2022-02-01', '2022-03-01']),
    'TimestampString': ['2022-01-01', '2022-02-01', '2022-03-01']
}

df = pd.DataFrame(data)

# 转换 'Float' 列为字符串
df['Float'] = df['Float'].astype(str)

# 转换 'TimestampString' 列为 datetime64 类型
df['TimestampString'] = pd.to_datetime(df['TimestampString'])

# 查看转换后的数据类型
print("\n转换类型后的数据类型:\n", df.dtypes)

# 转换 'Float' 列为字符串
df['Float'] = df['Float'].astype('float32')

df['TimestampString'] = df['TimestampString'].dt.strftime('%Y-%m-%d %H:%M')
# 查看再转换后的数据类型
print("\n再转换类型后的数据类型:\n", df.dtypes)
df

当数据类型转换处理 Pandas DataFrame 时，dtypes 和 astype 的使用是非常重要的。

• dtypes：
  dtypes 是 DataFrame 对象的一个属性，用于查看每一列的数据类型。它返回一个 Series，其中包含 DataFrame 的每一列及其相应的数据类型。这对于了解数据的初始类型非常有用。

• astype：
  astype 是 Pandas 中的一个方法，用于将一列的数据类型转换为指定的类型。这对于数据清洗和预处理非常有用。它返回一个新的 Series 或 DataFrame，而不会改变原始对象。

3. 常用函数

3.1. 基本函数

• head() 和 tail()： 展示数据的前几行和后几行。
• info()： 提供有关 DataFrame 的详细信息，包括数据类型、非空值数等。
• describe()： 统计描述性统计信息，如平均值、标准差、最小值、最大值等。
• shape： 显示 DataFrame 的形状，即行数和列数。

以2.1章节的代码为例，继续代码，使用函数：

df.head(2)

df.tail(2)

df.info()

df.describe()

df.shape

	(3, 6)

3.2. 窗口函数

• rolling()： 介绍窗口函数，用于执行滚动计算，如滚动平均值。

一般在使用了移动窗口函数rolling之后，我们需要配合使用相关的统计函数，比如sum、mean、max等。使用最多的是mean函数，生成移动平均值。

df.rolling(2).mean()

• expanding()： 展示扩展窗口，用于计算扩展窗口内的累积统计。

扩展窗口函数，扩展是指由序列的第一个元素开始，逐个向后计算元素的聚合值。expanding()函数，类似cumsum()函数的累计求和，其优势在于还可以进行更多的聚类计算。

df.expanding().sum()

3.3. 基本统计

首先，我们以sum()、mean()、median()常用统计函数的介绍，说明如何计算总和、均值、中位数等。

import pandas as pd
import numpy as np

# 创建一个包含各种类型的DataFrame
data = {
    'Integer': pd.Series([1, 2, 3, 5, 3, 7, 6], dtype='int32'),
    'Float': pd.Series([21.1, 25.2, 30.3, 22.1, 10.1, 30.2, 32.3], dtype='float64'),
    'Boolean': pd.Series([True, False, True, True, False, True , False], dtype='bool'),
    'String': pd.Series(['植物园', '湘江公园', '太阳岛','植物园', '湘江公园', '太阳岛','八区体育场'], dtype='object'),
    'Datetime': pd.to_datetime(['2022-01-01', '2022-02-01', '2022-03-01', '2022-03-11', '2022-05-01', '2022-05-02','2022-06-01']),
}

df = pd.DataFrame(data)

# 添加一个分类类型的列
df['Category'] = pd.Series(['节奏跑', '间隙跑', '慢跑','节奏跑', '间隙跑', '慢跑', '慢跑'], dtype='category')

print("包含各种类型的DataFrame:\n", df)

print("包含合计sum：:\n",df[['Integer','Float']].sum())
print("包含均值mean：:\n",df[['Integer','Float']].mean())
print("包含中位数median：:\n",df[['Integer','Float']].median())

序号	函数	含义
1	min()	计算最小值
2	max()	计算最大值
3	sum()	求和
4	mean()	计算平均值
5	count()	计数（统计非缺失元素的个数）
6	size()	计数（统计所有元素的个数）
7	median()	计算中位数
8	var()	计算方差
9	std()
10	quantile()	计算任意分位数
11	cov()	计算协方差
12	corr()	计算相关系数
13	skew()	计算偏度
14	kurt()	计算峰度
15	mode()	计算众数
16	describe()	描述性统计（一次性返回多个统计结果）
17	groupby()	分组
18	aggregate()	聚合运算（可以自定义统计函数）
19	argmin()	寻找最小值所在位置
20	argmax()	寻找最大值所在位置
21	any()	等价于逻辑“或”
22	all()	等价于逻辑“与”
23	value_counts()	频次统计
24	cumsum()	运算累计和
25	cumprod()	运算累计积
26	pct­­_change()	运算比率（后一个元素与前一个元素的比率）

例如：

df[['Integer','Float']].pct_change()

统计函数是数据分析的核心内容之一，将 在后续内容中展开。