pandas入门01——DataFrame数据处理及插入mysql数据库
前言
最近股市很火,本人就想着搞个量化分析的程序去炒炒股,说不定就走上人生巅峰了呢。
网上股市的数据接口大部分都是python的,返回的数据结构是DataFrame,本篇就记录一下本人学习DataFrame进行数据处理及插入数据库的过程。
环境准备
- python环境,推荐anaconda,网上安装教程很多
- mysql数据库,docker安装mysql数据库教程 传送门
- 安装tushare (提供获取股票数据接口)
- 安装pymysql
tushare和pymysql可以使用anaconda界面安装,也可以命令行安装 conda install xxx或者 pip install xxx
windows环境下安装好python后,在cmd命令行界面输入python有可能直接跳到应用商店,此时需要把环境变量path上移,移到应用商店环境变量上面就好了
DataFrame数据准备
import tushare as ts
import pandas as pd
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
#加上上面2行,保证控制台打印完整数据
pro = ts.pro_api()
df = pro.query('trade_cal', start_date='20200101', end_date='20201231')
print(df)
获取股票交易日数据如下:
exchange cal_date is_open
0 SSE 20200101 0
1 SSE 20200102 1
2 SSE 20200103 1
3 SSE 20200104 0
4 SSE 20200105 0
...
DataFrame数据处理
修改表头
由于DataFrame的数据要存到数据库里,默认情况下数据库的列名就是DataFrame的列名
#方法一
#直接修改,此方法有个缺点,必须写明每一列,不然会报错
df.columns=['exchange','trade_date','isopen']
#方法二
#指定修改,推荐
df.rename(columns={'cal_date':'trade_date','is_open':'is_open'},inplace=True)
修改数据
由于返回的日期格式是yyyyMMdd,想修改为yyyy-MM-dd格式
df['trade_date']=df['trade_date'].apply(lambda x:x[0:4]+"-"+x[4:6]+"-"+x[6:8])
数据入库
import tushare as ts
import pandas as pd
from sqlalchemy import create_engine
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
pro = ts.pro_api()
df = pro.query('trade_cal', start_date='20200101', end_date='20201231')
print(df)
df.rename(columns={
'exchange':'exchange','cal_date':'trade_date','is_open':'is_open'},inplace=True)
df['trade_date']=df['trade_date'].apply(lambda x:x[0:4]+"-"+x[4:6]+"-"+x[6:8])
#建立连接
conn = create_engine('mysql+pymysql://root:123456@localhost:3306/investment',encoding='utf8')
#写入数据,t_stock_trade_date为数据库表名,‘replace’表示如果同名表存在就替换掉
pd.io.sql.to_sql(df, "t_stock_trade_date", conn, if_exists='replace',index=False)
python支持数据库表不存在时自动创建,通过if_exists属性控制
if_exists : {'fail', 'replace', 'append'}, default 'fail'
How to behave if the table already exists.
* fail: Raise a ValueError.
* replace: Drop the table before inserting new values.
* append: Insert new values to the existing table.
另外DataFrame插入数据库时默认有index字段,可以去掉该字段,index=false即可
DataFrame增删改查
增、删、改、查的方法有很多很多种,这里只展示出常用的几种。
参数inplace默认为False,只能在生成的新数据块中实现编辑效果。当inplace=True时执行内部编辑,不返回任何值,原数据发生改变。
import numpy as np
import pandas as pd
#测试数据
df = pd.DataFrame(data = [['lisa','f',22],['joy','f',22],['tom','m','21']],index = [1,2,3],columns = ['name','sex','age'])
print(df)
#输出测试数据
name sex age
1 lisa f 22
2 joy f 22
3 tom m 21
增
- 按列增加
#在第0列,加上column名称为city,值为citys的数值。
citys = ['ny','zz','xy']
df.insert(0,'city',citys)
#默认在df最后一列加上column名称为job,值为jobs的数据。
jobs = ['student','AI','teacher']
df['job'] = jobs
#在df最后一列加上column名称为salary,值为等号右边数据。
df.loc[:,'salary'] = ['1k','2k','2k','2k','3k']
- 按行增加
#若df中没有index为“4”的这一行的话,该行代码作用是往df中加一行index为“4”,值为等号右边值的数据。
#若df中有index为“4”的这一行,则该行代码作用是把df中index为“4”的这一行修改为等号右边数据。
df.loc[4] = ['zz','mason','m',24,'engineer’]
df_insert = pd.DataFrame({
'name':['mason','mario'],'sex':['m','f'],'age':[21,22]},index = [4,5])
#返回添加后的值,并不会修改df的值。
#ignore_index默认为False,意思是不忽略index值,即生成的新的ndf的index采用df_insert中的index值。
#ignore_index为True时,则新的ndf的index值不使用df_insert中的index值,而是自己默认生成。
ndf = df.append(df_insert,ignore_index = True)
查
- df[‘column_name’] 和df[row_start_index, row_end_index]
df['name']
df['gender']
df[['name','gender']] #选取多列,多列名字要放在list里
df[0:] #第0行及之后的行,相当于df的全部数据,注意冒号是必须的
df[:2] #第2行之前的数据(不含第2行)
df[0:1] #第0行
df[1:3] #第1行到第2行(不含第3行)
df[-1:] #最后一行
df[-3:-1] #倒数第3行到倒数第1行(不包含最后1行即倒数第1行)
- df.loc[index,column]
#df.loc[index, column_name],选取指定行和列的数据
df.loc[0,'name'] # 'Snow'
df.loc[0:2, ['name','age']] #选取第0行到第2行,name列和age列的数据, 注意这里的行选取是包含下标的。
df.loc[[2,3],['name','age']] #选取指定的第2行和第3行,name和age列的数据
df.loc[df['gender']=='M','name'] #选取gender列是M,name列的数据
df.loc[df['gender']=='M',['name','age']] #选取gender列是M,name和age列的数据
- iloc[row_index, column_index]
df.iloc[0,0] #第0行第0列的数据,'Snow'
df.iloc[1,2] #第1行第2列的数据,32
df.iloc[[1,3],0:2] #第1行和第3行,从第0列到第2列(不包含第2列)的数据
df.iloc[1:3,[1,2] #第1行到第3行(不包含第3行),第1列和第2列的数据
改
- 改行列标题
#尽管我们只想把’sex’改为’gender’,但是仍然要把所有的列全写上,否则报错。
df.columns = ['name','gender','age']
#只修改name和age。inplace若为True,直接修改df,否则,不修改df,只是返回一个修改后的数据。
df.rename(columns = {
'name':'Name','age':'Age'},inplace = True)
#把index改为a,b,c.直接修改了df。
df.index = list('abc')
#无返回值,直接修改df的index。
df.rename({
1:'a',2:'b',3:'c'},axis = 0,inplace = True)
- 改数值
- 使用loc
#修改index为‘1’,column为‘name’的那一个值为aa
df.loc[1,'name'] = 'aa'
#修改index为‘1’的那一行的所有值
df.loc[1] = ['bb','ff',11]
#修改index为‘1’,column为‘name’的那一个值为bb,age列的值为11
df.loc[1,['name','age']] = ['bb',11]
- 使用iloc[row_index, column_index]
df.iloc[1,2] = 19#修改某一无素
df.iloc[:,2] = [11,22,33] #修改一整列
df.iloc[0,:] = ['lily','F',15] #修改一整行
删
- 删除行
df.drop([1,3],axis = 0,inplace = False)#删除index值为1和3的两行
- 删除列
df.drop(['name'],axis = 1,inplace = False) #删除name列
del df['name'] #删除name列
ndf = df.pop('age’) #删除age列,操作后,df都丢掉了age列,age列返回给了ndf