python数据分析活用pandas,python数据处理pandas

　　本文将通过阅读一个股票数据来介绍熊猫的一些基本数据操作。文章中的示例代码有详细的讲解，感兴趣的朋友可以跟边肖一起学习。

　　00-1010 1索引操作1.1直接使用行列索引(先列后行)1.2使用索引结合loc或iloc 1.3使用ix组合索引2赋值操作3排序3.1数据帧排序3.2序列排序为了更好地理解这些基本操作，下面通过阅读一个股票数据来介绍熊猫基本数据操作的语法。

　　#读取文件(读取并保存文件后，会具体说明。这里直接调用api)

　　Data=pd.read _ csv(。/data/stock _ day.csv) #读取当前目录下的下一个csv文件

　　#删除一些列以使数据更简单，然后执行以下操作。

　　data=data.drop([ma5 ， ma10 ， ma20 ， v_ma5 ， v_ma10 ， v_ma20]，axis=1)

1 索引操作

　　例：得到2018年2月27日的收盘价，即得到2018年2月27日“‘收盘’”的结果。

　　#直接使用行名和列名索引的方式(先列后行)

　　数据[关闭][2018-02-27]

　　24.16

　　#不支持的操作

　　#错误

　　数据[2018-02-27][关闭]

　　#错误

　　数据[:1，2]

1.1 直接使用行列索引(先列后行)

　　从 2018-02-27 : 2018-02-22 ，关闭获取结果

　　#使用loc:只能指定行和列索引的名称。

　　data . loc[ 2018-02-25 : 2018-02-14 ， open: 低]

　　#使用iloc，可以通过索引下标得到。

　　#获取前3天的数据，前5列的结果

　　data.iloc[:3，5]

　　高开低走

　　2018-02-27 23.53 25.88 24.16 23.53

　　2018-02-26 22.80 23.78 23.53 22.80

　　2018-02-23 22.88 23.37 22.82 22.71

1.2 结合loc或者iloc使用索引

　　从线的第1天到第4天，获取四个指标[开、关、高和低]的结果。

　　#使用ix引用下表和名称组合。

　　data.ix[0:4，[打开，关闭，高，低]]

　　#使用loc和iloc获得它的推荐方法

　　data.loc[data.index[0:4]，[打开，关闭，高，低]]

　　data.iloc[0:4，data . columns . get _ indexer([ open ， close ， high ， low])]

　　开盘收盘高/低

　　2018-02-27 23.53 24.16 25.88 23.53

　　2018-02-26 22.80 23.53 23.78 22.80

　　2018-02-23 22.88 22.82 23.37 22.71

　　2018-02-22 22.25 22.28 22.76 22.02

1.3 使用ix组合索引

　　将数据框中的收盘列重新赋值为1。

　　#直接修改原始值

　　数据[关闭]=1

　　#或者

　　data.close=1

2 赋值操作

　　排序有两种形式，一种是索引排序，一种是内容排序。

3 排序

　　使用df.sort_values(by=，ascending=)

　　单键或多键，

　　参数：

　　1.by:指定排序引用的键。

　　2 .升序：默认升序

　　升序=False:降序升序=True:升序#按开盘价排序，用升序指定按大小排序，取前五行数据。

　　data.sort_values(by=open ，ascending=True)。头部()

　　#按多个关键字排序

　　data.sort_values(by=[open ， high])

　　使用df.sort_index对索引进行排序。

　　股票的日期指数以前是从小到大，现在是从小到大重新排序。

　　#对索引排序

　　data.sort _索引()

3.1 DataFrame排序

　　使用series . sort _ values(ascending=true)进行排序。

　　对数列排序时，只有一列，不需要参数。

　　数据[p_change]。sort_values(升序=True)。头部()

　　2015-09-01 -10.03

　　2015-09-14 -10.02

　　2016-01-11 -10.02

　　2015-07-15 -10.02

　　2015-08-26 -10.01

　　Name: p_change，dtype: float64

　　使用series.sort_index()进行排序，与Dataframe方法一致。

　　#对索引排序

　　数据[p_change]。sort_index()。头部()

　　2015-03-02 2.62

　　2015-03-03 1.44

　　2015-03-04 1.57

　　2015-03-05 2.02

　　2015-03-06 8.51