3.3 Pandas_Python量化投资：技术、模型与策略-QQ阅读男生玄幻网

上QQ阅读APP看书，第一时间看更新

3.3　Pandas

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。

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。

3.3.1　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。

表3-1中列出了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。

表3-1　DataFrame函数参数

在表3-1中，data的数据类型有很多种。表3-2中列举了可以作为data传给DataFrame函数的数据类型。

表3-2　可以传给DataFrame构造器的数据

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。

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　3-4

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。

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　3-6

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。

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　3-8

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表3-3所示，date_range函数频率的参数及说明如表3-4所示。

表3-3　date_range函数参数

表3-4　date_range函数频率参数值

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：

In[14]: 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。

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　3-14

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。

df.loc['20160102':'20160106',['A','C']]

运行结果如图3-18所示。

图　3-17

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。

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。

图　3-19

图　3-20

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。

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。

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　3-22

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。

使用loc改变一列值，代码如下：

df.loc[:,'D'] = np.array([2] * len(df))
df

图　3-26

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。

3.3.2　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：

In[5]: import pandas as pd
In[6]: s=pd.Series([1,4,6,2,3])
In[7]: s
Out[7]: 
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：

In[8]: s.values
Out[8]: array([1, 4, 6, 2, 3], dtype=int64)
In[9]: s.index
Out[9]: 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：

In[19]: s=pd.Series([1,2,3,4],index=['a','b','c','d'])
In[20]: s
Out[20]: 
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：

In[21]: s['a']
Out[21]: 1
In[22]: s[['b','c']]
Out[22]: 
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：

In[24]: s[s>1]
Out[24]: 
b    2
c    3
d    4

In[25]: s*3
Out[25]: 
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：

In[26]: s1=pd.Series([1,2,3],index=['a','b','c'])
In[27]: s2=pd.Series([4,5,6],index=['b','c','d'])
In[28]: s1+s2
Out[28]: 
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：

In[30]: s.index
Out[30]: Index([u'a', u'b', u'c', u'd'], dtype='object')
In[31]: s.index=['w','x','y','z']
In[32]: s.index
Out[32]: Index([u'w', u'x', u'y', u'z'], dtype='object')
In[33]: s
Out[33]: 
w    1
x    2
y    3
z    4

本周热推：

写给所有人的编程思维 C#编程入门指南（上下册）Koa与Node.js开发实战 FPGA嵌入式项目开发实战 Java并发编程之美

3.3 Pandas

3.3.1 DataFrame入门

3.3.2 Series

3.3　Pandas

3.3.1　DataFrame入门

3.3.2　Series