复习小结2

import pandas as P
import numpy as N

#Index处理
    #制作index    
    #tuple1 = list(zip([1,2,3,4,5],[5,6,7,8,9]))
      index = P.MultiIndex_fromtuples(tuple1,names = ['1st','2nd'])#在生成以tuple为基地的索引            
      时，同时生成层次1st,2nd

        date = P.DataFrame(data,index = index,columns=['A','B'])
    #列索引-行索引
    data.stack()#这个其实还不是很清楚用法，不过先有个粗略印象，后期根据实际情况学习才能印象更深刻

    #数据透视（我觉得这个名字翻译过来很不直观，叫数据重组比较容易理解）
        data = P.DataFrame({'A':['a','b','c','d'],
                            'B':['QWE','WER','ERT','RTY'],
                            'C':['zxc','xcv','vbn','nm,'],
                            'D':N.random.randn(4),
                            'E':N.random.randn(4)
                            })
        data.pivot_table(values = ['D'],index = ['A','B'],columns = ['C'])
            通过以A,B列为两层索引，C列为列索引，D为值获得一个重新分类编排的数据

    #时间序列制作
    #index_date = P.date_range('20010101',periods = 1000,freq = 's')#以2001年1月1日算起1000
        个秒的 单位
     index_periods = P.period_range('2001Q1','2002Q2',periods = 'Q')
     这个两个类型是可以转换的
        index_periods.to_timestamp()

#category
    #这个的讲解也是非常随意，按照我的理解，这个category是用来标记或者排序的一种数据类型，
    #data = P.DataFram(N.random.randn(5,2),columns = ['id','raw_grade'])
     data['grade'] = data['raw_grade'].astype('category')#实际上就是把raw_grade数据复制后改变        
        格式，这个时候grade的数据已经是一种可以修改的标记了
     data.grade.cat.categories = ['aaa','bbb','ccc']#对应raw_grade每种分类，标记成其他分类
     datta.sort_values(by = 'grade',ascending = False)#这个东西的作用有点微妙，需要用实例才能好好解释，我的理解是比如一个班的学生分数已经按照区间分好类了，然后再用category加一列，以区间分类的值为数据，将这些数据通过.cat.categories改写成所对应的学校，就可以将分数区间转化为学校分配的操作

猜你喜欢