2.利用Pandas处理数据
2.1 汇总计算
当我们知道如何加载数据后，接下来就是如何处理数据，虽然之前的赋值计算也是一种计算，但是如果Pandas的作用就停留在此，那我们也许只是看到了它的冰山一角，它首先比较吸引人的作用是汇总计算
（1）基本的数学统计计算
这里的基本计算指的是sum、mean等操作，主要是基于Series（也可能是来自DataFrame）进行统计计算。举例如下：
#统计计算 sum mean等
import numpy as np
import pandas as pd
df=pd.DataFrame(np.arange(16).reshape((4,4)),columns=["aa","bb","cc","dd"],index = ["a","b","c","d"])
df#output
aa bb cc dd
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
d 12 13 14 15df_data = df.reindex(["a","b","c","d","e"])
df_data#output
aa bb cc dd
a 0.0 1.0 2.0 3.0
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0
e NaN NaN NaN NaNdf_data.sum() #默认是通过列进行求和，即axis=0；默认NaN值也是忽略的#output
aa 24.0
bb 28.0
cc 32.0
dd 36.0
dtype: float64df_data.sum(axis=1) #默认是通过列进行求和#output
a 6.0
b 22.0
c 38.0
d 54.0
e 0.0
dtype: float64df_data.mean(axis=0,skipna=False)#output
aa NaN
bb NaN
cc NaN
dd NaN
dtype: float64## idxmax idxmin 最大值，最小值的索引
print(df.idxmax())
print("________________________")
print(df.idxmin())#output
aa d
bb d
cc d
dd d
dtype: object
________________________
aa a
bb a
cc a
dd a
dtype: object##进行累计 cumsum
print(df.cumsum())#output
aa bb cc dd
a 0 1 2 3
b 4 6 8 10
c 12 15 18 21
d 24 28 32 36#对于刚才提到的最大多数描述性统计可以使用describe
#对于这些统计量的含义可以查找“help”得到，此处不再赘述
df.describe()#output
aa bb cc dd
count 4.000000 4.000000 4.000000 4.000000
mean 6.000000 7.000000 8.000000 9.000000
std 5.163978 5.163978 5.163978 5.163978
min 0.000000 1.000000 2.000000 3.000000
25% 3.000000 4.000000 5.000000 6.000000
50% 6.000000 7.000000 8.000000 9.000000
75% 9.000000 10.000000 11.000000 12.000000
max 12.000000 13.000000 14.000000 15.000000#(2)唯一值、值的计数。成员资格的设定 采用几行代码，一个Output 进行演示
#是否是唯一值
obj = pd.Series(["a","a","b","b","b","c","c"])
print (obj)
print (obj.unique())#output
0 a
1 a
2 b
3 b
4 b
5 c
6 c
dtype: object
['a' 'b' 'c']#value_counts 是python 针对Series进行的顶级操作
print (pd.value_counts(obj.values,sort=False))#output
a 2
b 3
c 2
dtype: int64mark = obj.isin(["a"]) #是否存在a
print (mark)#output
0 True
1 True
2 False
3 False
4 False
5 False
6 False
dtype: boolobj[mark] #根据判定条件进行数据获取#output
0 a
1 a
dtype: object另外，实际应用中不只是这些统计函数在发挥作用，还有很多统计函数，比如计算数值之间的百分比（pct_change），或者是相关数据的系数与协方差等，这里就不讨论了，需要时可查看帮助文档来解决。
2.2 缺失值的处理
（1）缺失值的概念
缺失值是在数据处理中在所难免的问题，pandas对缺失值的处理目的是简化对缺失值处理的工作。缺失值在pandas中使用的是浮点数（numpy.nan:Not a Number），具体代码如下：
import numpy as np
import pandas as pd
data = pd.Series([11,22,33,np.nan,55]) #定义NaN 值通过numpy.nan
data#output
0 11.0
1 22.0
2 33.0
3 NaN
4 55.0
dtype: float64data.isnull() #判定是否为空NaN#output
0 False
1 False
2 False
3 True
4 False
dtype: bool#python中对于None 也认为是NaN
data[2]=None
data#output
0 11.0
1 22.0
2 NaN
3 NaN
4 55.0
dtype: float64#(2)过滤缺失值 对于缺失值的过滤主要通过dropna进行，如下所示：
data.dropna() #过滤NaN值 #接着上面定义的data进行操作#output
0 11.0
1 22.0
4 55.0
dtype: float64#当然dropna太过暴力——他会过滤所有的NaN值，这样往往不是一般正常需要的处理结果
#我们通过dropna的属性进行限定
df = pd.DataFrame(np.arange(16).reshape((4,4)),columns=["aa","bb","cc","dd"],index=["a","b","c","d"])
df#output
aa bb cc dd
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
d 12 13 14 15#制造NaN值
df.loc[:1,:]=np.nan
print (df)#output
aa bb cc dd
a NaN NaN NaN NaN
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0print (df.dropna(axis=1,how="all")) #0行1列
#output 并没有发生变化，因为过滤的是列，要求一列全都是NaN值#output
aa bb cc dd
a NaN NaN NaN NaN
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0df.dropna(axis=0,how="all") #0行1列#output
aa bb cc dd
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0（3）填充缺失值
因为数据处理的要求，可能并不需要将所有的数据进行过滤，此时需要对数据进行必要的填充（比如0.0）；还可以用线性插值进行必要的填充，而在这个数据处理中需要用到的方式如下所示：
df=pd.DataFrame(np.arange(16).reshape((4,4)),columns=["aa","bb","cc","dd"],index = ["a","b","c","d"])
df
df.loc[:1,:] = np.nan
print (df)#output
aa bb cc dd
a NaN NaN NaN NaN
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0print (df.fillna(0.0)) #fillna 默认会返回新的对象#output
aa bb cc dd
a 0.0 0.0 0.0 0.0
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0#也可以像dropna 操作一样进行必要的限定而不是所有的值都进行填充
#print df.fillna({1:0.5,2:5.5) #测试失败
#当需要在旧的对象上进行更改，而不是经过过滤返回一个新的对象时df.fillna(0.5,inplace = True)
df#output
aa bb cc dd
a 0.5 0.5 0.5 0.5
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0#也可以选择一些线性插值进行填充
df.loc[:1,:] = np.nan
df.fillna(method ="bfill") #后向寻值填充#output
aa bb cc dd
a 4.0 5.0 6.0 7.0
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0df.fillna(df.mean()) #使用平均值进行填充#output
aa bb cc dd
a 8.0 9.0 10.0 11.0
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
d 12.0 13.0 14.0 15.0另外，在处理缺失值时除了以上介绍的简单操作之外，更多的时候需要根据数据挖掘需要或者程序运行方面灵活地进行缺失值处理，程序是人为设定的规则，但针对这些规则进行优化组合，将会带来新的效果
3.数据库的使用
关于数据库的使用，虽然各大厂商都在追捧NOSQL,但是目前使用最多的还是关系型数据库（MySQL、SQLServer、PostgreSql等）。总体而言，数据库的选择取决于其性能、数据完整性及应用程序的需求等。
在这里我们使用python内置的sqlite3驱动器，操作过程如下所示：
#sql MySql
import sqlite3 as sql #首先我们需要导入sqlite3包
#现在我们使用的是python内置的数据库
#创建数据库表（table）
query = "create table test(a varchar(20),b varchar(20),c real,d integer);"
con = sql.connect(":memory:")
#可以看出它是内置数据库而且此处又使用memory
#因此它的处理是放在内存进行处理的内置操作
con.execute(query)
con.commit()
#对刚才创建的test表写入数据
#insert data
data = [("UCAS","NSLCAS",0.5,1),
("UCAS","NSLCAS",0.5,2),
("UCAS","NSLCAS",0.5,3),
("UCAS","NSLCAS",0.5,4)]
stmt="insert into test values(?,?,?,?)"
con.executemany(stmt,data) #多行方式写入，如果单行模式用con.execute
con.commit
#查找数据
#select data
sql_str="select*from test"
cursor=con.execute(sql_str)
rows=cursor.fetchall()
rows#output
[('UCAS', 'NSLCAS', 0.5, 1),
('UCAS', 'NSLCAS', 0.5, 2),
('UCAS', 'NSLCAS', 0.5, 3),
('UCAS', 'NSLCAS', 0.5, 4)]#说明：查找的数据是我们刚才写入的数据 关键的地方才正式开始：通过获取的数据rows生成DataFrame（这里是建立数据库中数据同pandas数据对象DataFrame之间关系的关键）
import pandas as pd
column =list(zip(*cursor.description))[0] #获取列名
df = pd.DataFrame(rows,columns = column)
df
#书本上写的是：column = zip(*cursor.description)[0]
#output
a b c d
0 UCAS NSLCAS 0.5 1
1 UCAS NSLCAS 0.5 2
2 UCAS NSLCAS 0.5 3
3 UCAS NSLCAS 0.5 4优化：之前的操作看似简单流畅，但是针对具体应用来看不是很理想，原因在于我们需要对数据库的每次操作进行代码的重写，这样既耗时又耗力，庆幸的是pandas提供了一组方法帮我们解决类似难题。
#pandas 针对该种繁琐的操作提供了更加优化的方式进行数据访问
import pandas.io.sql as pdsql #需要导入这个库
pdsql.read_sql_query("select * from test",con) #当然con都是同样的#output
a b c d
0 UCAS NSLCAS 0.5 1
1 UCAS NSLCAS 0.5 2
2 UCAS NSLCAS 0.5 3
3 UCAS NSLCAS 0.5 4另外，也就是说read_sql_query(查询语句，连接)返回的就是我们需要的数据格式DataFrame，仅用此句代码搞定。当然这里只是抛砖引玉，当真正需要同数据库进行数据交互时，查询相关文档时最好的方式.
我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div
我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看rubyzip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d
类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc
很好奇，就使用rubyonrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提
假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于
我正在尝试使用ruby和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。
我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t
我想将html转换为纯文本。不过，我不想只删除标签，我想智能地保留尽可能多的格式。为插入换行符标签，检测段落并格式化它们等。输入非常简单，通常是格式良好的html(不是整个文档，只是一堆内容，通常没有anchor或图像)。我可以将几个正则表达式放在一起，让我达到80%，但我认为可能有一些现有的解决方案更智能。 最佳答案 首先，不要尝试为此使用正则表达式。很有可能你会想出一个脆弱/脆弱的解决方案，它会随着HTML的变化而崩溃，或者很难管理和维护。您可以使用Nokogiri快速解析HTML并提取文本:require'nokogiri'h
我想为Heroku构建一个Rails3应用程序。他们使用Postgres作为他们的数据库，所以我通过MacPorts安装了postgres9.0。现在我需要一个postgresgem并且共识是出于性能原因你想要pggem。但是我对我得到的错误感到非常困惑当我尝试在rvm下通过geminstall安装pg时。我已经非常明确地指定了所有postgres目录的位置可以找到但仍然无法完成安装:$envARCHFLAGS='-archx86_64'geminstallpg--\--with-pg-config=/opt/local/var/db/postgresql90/defaultdb/po