Panel(面板)数据结构-白红宇

Panel(面板)数据结构

阅读量：7239 次

发布时间：2019-06-29

本文共 6040 字，大约阅读时间需要 20 分钟。

Pandas库中除了Series, DataFrame这两种常用数据结构外，还有一种Panel数据结构，通常可以用一个由DataFrame对象组成的字典或者一个三维数组来创建Panel对象。

1 # -*- coding: utf-8 -*-2 """3 Created on Sat Mar 26 18:01:05 20164 5 @author: Jeremy6 """7 import numpy as np8 from pandas import Series, DataFrame, Panel9 import pandas as pd

1 #用一个包含DataFrame的字典来创建Panel对象2 df = np.random.binomial(100, 0.95,(9,2))3 dm = np.random.binomial(100, 0.95,(12,2))4 dff = DataFrame(df, columns = ['Physics', 'Math'])5 dfm = DataFrame(dm, columns = ['Physics', 'Math'])6 score_panel = Panel({
   'Girls':dff, 'Boys':dfm})

用print()方法来查看创建的Panel对象score_panel信息：Panel对象有Item axis, Major_axis axis, Minor_axis axis 三个轴，并给出了三个轴的维度和数据大小信息：2*12*2。

>>> print(score_panel)
     
      Dimensions: 2 (items) x 12 (major_axis) x 2 (minor_axis)Items axis: Boys to GirlsMajor_axis axis: 0 to 11Minor_axis axis: Physics to Math

Panel对象索引和二维数组及数据框类似，默认第一个轴为Item axis，可以直接对其进行索引：

1 #提取Girls组学生的物理和数学成绩2 score_panel['Girls']

Physics  Math0        91    961        97    982        98    973        93    974        95    975        97    956        95    957        90    968        92    969       NaN   NaN10      NaN   NaN11      NaN   NaN

基于ix的标签索引被推广到三个维度，因此我们在三个维度上提取我们想要的数据，例如:

1 '''2 找出数学成绩不小于93的女生的物理和数学成绩3 并返回一个数据框DataFrame4 '''5 score_panel.ix['Girls', score_panel.Girls.Math >= 93, :]

Physics  Math0       91    961       97    982       98    973       93    974       95    975       97    956       95    957       90    968       92    96

下面我们通过建立一个包含多只股票不同时期的股票价格数据的Panel对象来介绍一个Panel对象方法。

1 import pandas.io.data as web2 pdata = Panel(dict((symbol, web.DataReader(symbol, data_source = 'yahoo',3 start = '1/1/2009', end = '6/1/2012')) for symbol in ['AAPL', 'GOOG', 'MSFT', 'DELL']))4 print(pdata)


     
      Dimensions: 4 (items) x 868 (major_axis) x 6 (minor_axis)Items axis: AAPL to MSFTMajor_axis axis: 2009-01-02 00:00:00 to 2012-06-01 00:00:00Minor_axis axis: Open to Adj Close

1 #提取’2012-06-01‘四支股票的行情数据2 pdata.ix[:, '2012-06-01', :]

AAPL            DELL            GOOG             MSFTOpen       5.691600e+02        12.15000      571.790972        28.760000High       5.726500e+02        12.30000      572.650996        28.959999Low        5.605200e+02        12.04500      568.350996        28.440001Close      5.609900e+02        12.07000      570.981000        28.450001Volume     1.302469e+08  19397600.00000  6138700.000000  56634300.000000Adj Close  7.421812e+01        11.67592      285.205295        25.598227

1 #提取四支股票'2012-05-30'至'2012-06-01'的收盘价格（Close）数据2 pdata.ix[:,'2012-05-30':'2012-06-01', 'Close']

AAPL   DELL        GOOG       MSFTDate                                                2012-05-30  579.169998  12.56  588.230992  29.3400002012-05-31  577.730019  12.33  580.860990  29.1900012012-06-01  560.989983  12.07  570.981000  28.450001

1 #提取四支股票'2012-05-30'至'2012-06-01'的行情数据2 pdata.ix[:, '2012-05-30':'2012-06-01', :]


     
      Dimensions: 4 (items) x 3 (major_axis) x 6 (minor_axis)Items axis: AAPL to MSFTMajor_axis axis: 2012-05-30 00:00:00 to 2012-06-01 00:00:00Minor_axis axis: Open to Adj Close

这里返回的结果与上面不同的原因是这里我们返回的结果任然是一个Panel对象，上面提取的行情数据只包括了收盘价格，第三个维度（坐标轴）消失了，结果返回的是一个二维的数据框DataFrame对象，如果我们希望像DataFrame一样看到整个完整的数据信息，可以用to_frame()方法，它将面板数据以一种“堆积式”的DataFrame形式呈现：

1 #以DataFrame形式呈现面板数据2 pdata.ix[:, '2012-05-30':'2012-06-01', :].to_frame()

AAPL            DELL            GOOG  \Date       minor                                                     2012-05-30 Open       5.692000e+02        12.59000      588.161028              High       5.799900e+02        12.70000      591.901014              Low        5.665600e+02        12.46000      583.530999              Close      5.791700e+02        12.56000      588.230992              Volume     1.323574e+08  19787800.00000  3827600.000000              Adj Close  7.662330e+01        12.14992      293.821674   2012-05-31 Open       5.807400e+02        12.53000      588.720982              High       5.815000e+02        12.54000      590.001032              Low        5.714600e+02        12.33000      579.001013              Close      5.777300e+02        12.33000      580.860990              Volume     1.229186e+08  19955600.00000  5958800.000000              Adj Close  7.643280e+01        11.92743      290.140354   2012-06-01 Open       5.691600e+02        12.15000      571.790972              High       5.726500e+02        12.30000      572.650996              Low        5.605200e+02        12.04500      568.350996              Close      5.609900e+02        12.07000      570.981000              Volume     1.302469e+08  19397600.00000  6138700.000000              Adj Close  7.421812e+01        11.67592      285.205295                                    MSFT  Date       minor                       2012-05-30 Open             29.350000             High             29.480000             Low              29.120001             Close            29.340000             Volume     41585500.000000             Adj Close        26.399015  2012-05-31 Open             29.299999             High             29.420000             Low              28.940001             Close            29.190001             Volume     39134000.000000             Adj Close        26.264051  2012-06-01 Open             28.760000             High             28.959999             Low              28.440001             Close            28.450001             Volume     56634300.000000             Adj Close        25.598227

DataFrame有一个相应的to_panel()方法，它是to_frame()的逆运算：

1 stacked = pdata.ix[:, '2012-05-30':'2012-06-01', :].to_frame()2 stacked.to_panel()


     
      Dimensions: 4 (items) x 3 (major_axis) x 6 (minor_axis)Items axis: AAPL to MSFTMajor_axis axis: 2012-05-30 00:00:00 to 2012-06-01 00:00:00Minor_axis axis: Open to Adj Close

总结：Panel对象的一个好处是我们可以通过建立一个Panel对象来保存多层次/多维度的数据，当我们需要任意维度的数据来进行建模分析时，随时可以提取出一个Series或者DataFrame。

参考资料：

《利用python进行数据分析》 Wes McKinney著

Computational Statistics in Python : http://people.duke.edu/~ccc14/sta-663/index.html

转载于:https://www.cnblogs.com/JeremyTin/p/5324536.html

你可能感兴趣的文章