一、文件的读取和写入
- 文件读取
pandas 可以读取的文件格式有很多，这里主要介绍读取 csv, excel, txt 文件。
df_csv = pd.read_csv("E:/document/python学习笔记/pandas学习/my_csv.csv")
print(df_csv)
df_txt = pd.read_table("E:/document/python学习笔记/pandas学习/my_table.txt")
print(df_txt)
df_excel = pd.read_excel("E:/document/python学习笔记/pandas学习/my_excel.xlsx")
print(df_excel)
这里有一些常用的公共参数， header=None 表示第一行不作为列名， index_col 表示把某一列或几列作为索引，索引的内容将会在第三章进行详述， usecols 表示读取列的集合，默认读取所有的列， parse_dates 表示需要转化为时间的列，关于时间序列的有关内容将在第十章讲解， nrows 表示读取的数据行数。上面这些参数在上述的三个函数里都可以使用。
print(pd.read_table("E:/document/python学习笔记/pandas学习/my_table.txt",
header=None))
print(pd.read_csv("E:/document/python学习笔记/pandas学习/my_csv.csv",
index_col=['col1','col2']))
print(pd.read_table("E:/document/python学习笔记/pandas学习/my_table.txt",
usecols=['col1','col2']))
print(pd.read_csv("E:/document/python学习笔记/pandas学习/my_csv.csv",
parse_dates=['col5']))
print(pd.read_excel("E:/document/python学习笔记/pandas学习/my_excel.xlsx",nrows=3))
在读取 txt 文件时，经常遇到分隔符非空格的情况， read_table 有一个分割参数 sep ，它使得用户可以自定义分割符号，进行 txt 数据的读取。例如，下面的读取的表以 |||| 为分割：
print(pd.read_table("E:/document/python学习笔记/pandas学习/my_table_special_sep.txt",
sep='\|\|\|\|',engine='python'))
在使用 read_table 的时候需要注意，参数 sep 中使用的是正则表达式，因此需要对 | 进行转义变成 | ，否则无法读取到正确的结果。
2. 数据写入
一般在数据写入中，最常用的操作是把 index 设置为 False ，特别当索引没有特殊意义的时候，这样的行为能把索引在保存的时候去除。
df_csv.to_csv('E:/document/python学习笔记/pandas学习/my_csv_saved.csv', index=False)
df_excel.to_excel('E:/document/python学习笔记/pandas学习/my_excel_saved.xlsx', index=False)
pandas 中没有定义 to_table 函数，但是 to_csv 可以保存为 txt 文件，并且允许自定义分隔符，常用制表符 \t 分割：
df_txt.to_csv('E:/document/python学习笔记/pandas学习/my_txt_saved.txt', sep='\t',index=False)
如果想要把表格快速转换为 markdown 和 latex 语言，可以使用 to_markdown 和 to_latex 函数，此处需要安装 tabulate 包。
二、基本数据结构
pandas 中具有两种基本的数据存储结构，存储一维 values 的 Series 和存储二维 values 的 DataFrame ，在这两种结构上定义了很多的属性和方法。
- Series
Series 一般由四个部分组成，分别是序列的值 data 、索引 index 、存储类型 dtype 、序列的名字 name 。其中，索引也可以指定它的名字，默认为空。
s = pd.Series(data = [100, 'a', {'dic1':5}],
index = pd.Index(['id1', 20, 'third'], name='my_idx'),
dtype = 'object',
name = 'my_name')
s
# my_idx
# id1 100
# 20 a
# third {'dic1': 5}
# Name: my_name, dtype: object
**object 代表了一种混合类型，正如上面的例子中存储了整数、字符串以及 Python 的字典数据结构。此外，目前 pandas 把纯字符串序列也默认认为是一种 object 类型的序列，但它也可以用 string 类型存储**
对于这些属性，可以通过 . 的方式来获取：
print(s.values)
# [100 'a' {'dic1': 5}]
print(s.index)
# Index(['id1', 20, 'third'], dtype='object', name='my_idx')
print(s.dtype)
# object
print(s.name)
# my_name
利用 .shape 可以获取序列的长度：
print(s.shape)
# (3,)
如果想要取出单个索引对应的值，可以通过 [index_item] 可以取出。
s['third']
# {'dic1': 5}
- DataFrame
DataFrame 在 Series 的基础上增加了列索引，一个数据框可以由二维的 data 与行列索引来构造：
data = [[1, 'a', 1.2], [2, 'b', 2.2], [3, 'c', 3.2]]
df = pd.DataFrame(data = data,
index = ['row_%d'%i for i in range(3)],
columns=['col_0', 'col_1', 'col_2'])
df
但一般而言，更多的时候会采用从列索引名到数据的映射来构造数据框，同时再加上行索引：
df = pd.DataFrame(data = {'col_0': [1,2,3], 'col_1':list('abc'),'col_2': [1.2, 2.2, 3.2]},
index = ['row_%d'%i for i in range(3)])
由于这种映射关系，在 DataFrame 中可以用 [col_name] 与 [col_list] 来取出相应的列与由多个列组成的表，结果分别为 Series 和 DataFrame ：
print(df['col_0'])
# row_0 1
# row_1 2
# row_2 3
# Name: col_0, dtype: int64
print(df[['col_0','col_1']])
# col_0 col_1
# row_0 1 a
# row_1 2 b
# row_2 3 c
与 Series 类似，在数据框中同样可以取出相应的属性：
print(df.values)
# [[1 'a' 1.2]
# [2 'b' 2.2]
# [3 'c' 3.2]]
print(df.index)
# Index(['row_0', 'row_1', 'row_2'], dtype='object')
print(df.dtypes)
# col_0 int64
# col_1 object
# col_2 float64
# dtype: object
print(df.columns)
# Index(['col_0', 'col_1', 'col_2'], dtype='object')
print(df.shape)
# (3, 3)
通过 .T 可以把 DataFrame 进行转置：
df.T
三、常用基本函数
为了进行举例说明，在接下来的部分和其余章节都将会使用一份 learn_pandas.csv 的虚拟数据集，它记录了四所学校学生的体测个人信息。
df=pd.read_csv("E:/document/python学习笔记/pandas学习/learn_pandas.csv")
df.columns
# Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer',
# 'Test_Number', 'Test_Date', 'Time_Record'],
# dtype='object')
上述列名依次代表学校、年级、姓名、性别、身高、体重、是否为转系生、体测场次、测试时间、1000米成绩，本章只需使用其中的前七列。
df = df[df.columns[:7]]
df.columns
# Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer'], dtype='object')
- 汇总函数
head, tail 函数分别表示返回表或者序列的前 n 行和后 n 行，其中 n 默认为5：
df.head(10)
df.tail(10)
info, describe 分别返回表的 信息概况 和表中 数值列对应的主要统计量 ：
print(df.info())
# <class 'pandas.core.frame.DataFrame'>
# RangeIndex: 200 entries, 0 to 199
# Data columns (total 7 columns):
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 School 200 non-null object
# 1 Grade 200 non-null object
# 2 Name 200 non-null object
# 3 Gender 200 non-null object
# 4 Height 183 non-null float64
# 5 Weight 189 non-null float64
# 6 Transfer 188 non-null object
# dtypes: float64(2), object(5)
# memory usage: 11.1+ KB
print(df.describe())
# Height Weight
# count 183.000000 189.000000
# mean 163.218033 55.015873
# std 8.608879 12.824294
# min 145.400000 34.000000
# 25% 157.150000 46.000000
# 50% 161.900000 51.000000
# 75% 167.500000 65.000000
# max 193.900000 89.000000
**info, describe 只能实现较少信息的展示，如果想要对一份数据集进行全面且有效的观察，特别是在列较多的情况下，推荐使用 pandas-profiling 包。**
- 特征统计函数
在 Series 和 DataFrame 上定义了许多统计函数，最常见的是 sum, mean, median, var, std, max, min 。例如，选出身高和体重列进行演示：
df_demo = df[['Height', 'Weight']]
print(df_demo.mean())
# Height 163.218033
# Weight 55.015873
# dtype: float64
print(df_demo.max())
# Height 193.9
# Weight 89.0
# dtype: float64
此外，需要介绍的是 quantile, count, idxmax 这三个函数，它们分别返回的是分位数、非缺失值个数、最大值对应的索引：
print(df_demo.quantile(0.75))
# Height 167.5
# Weight 65.0
# Name: 0.75, dtype: float64
print(df_demo.count())
# Height 183
# Weight 189
# dtype: int64
print(df_demo.idxmax())
# Height 193
# Weight 2
# dtype: int64
上面这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数 axis ，默认为0代表逐列聚合，如果设置为1则表示逐行聚合：
print(df_demo.mean(axis=1).head()) # 在这个数据集上体重和身高的均值并没有意义
# 0 102.45
# 1 118.25
# 2 138.95
# 3 41.00
# 4 124.00
# dtype: float64
- 唯一值函数
对序列使用 unique 和 nunique 可以分别得到其唯一值组成的列表和唯一值的个数：
print(df['School'].unique())
# ['Shanghai Jiao Tong University' 'Peking University' 'Fudan University'
# 'Tsinghua University']
print(df['School'].nunique())
# 4
value_counts 可以得到唯一值和其对应出现的频数：
df['School'].value_counts()
# Tsinghua University 69
# Shanghai Jiao Tong University 57
# Fudan University 40
# Peking University 34
# Name: School, dtype: int64
如果想要观察多个列组合的唯一值，可以使用 drop_duplicates 。其中的关键参数是 keep ，默认值 first 表示每个组合保留第一次出现的所在行， last 表示保留最后一次出现的所在行， False 表示把所有重复组合所在的行剔除。
df_demo = df[['Gender','Transfer','Name']]
print(df_demo.drop_duplicates(['Gender', 'Transfer']))
# Gender Transfer Name
# 0 Female N Gaopeng Yang
# 1 Male N Changqiang You
# 12 Female NaN Peng You
# 21 Male NaN Xiaopeng Shen
# 36 Male Y Xiaojuan Qin
# 43 Female Y Gaoli Feng
print(df_demo.drop_duplicates(['Gender', 'Transfer'], keep='last'))
# Gender Transfer Name
# 147 Male NaN Juan You
# 150 Male Y Chengpeng You
# 169 Female Y Chengquan Qin
# 194 Female NaN Yanmei Qian
# 197 Female N Chengqiang Chu
# 199 Male N Chunpeng Lv
print(df_demo.drop_duplicates(['Name', 'Gender'],keep=False).head())# 保留只出现过一次的性别和姓名组合
# Gender Transfer Name
# 0 Female N Gaopeng Yang
# 1 Male N Changqiang You
# 2 Male N Mei Sun
# 4 Male N Gaojuan You
# 5 Female N Xiaoli Qian
print(df['School'].drop_duplicates())# 在Series上也可以使用
# 0 Shanghai Jiao Tong University
# 1 Peking University
# 3 Fudan University
# 5 Tsinghua University
# Name: School, dtype: object
此外， duplicated 和 drop_duplicates 的功能类似，但前者返回了是否为唯一值的布尔列表，其 keep 参数与后者一致。其返回的序列，把重复元素设为 True ，否则为 False 。 drop_duplicates 等价于把 duplicated 为 True 的对应行剔除。
print(df_demo.duplicated(['Gender', 'Transfer']).head())
# 0 False
# 1 False
# 2 True
# 3 True
# 4 True
# dtype: bool
print(df['School'].duplicated().head())# 在Series上也可以使用
# 0 False
# 1 False
# 2 True
# 3 False
# 4 True
# Name: School, dtype: bool
-
替换函数
一般而言，替换操作是针对某一个列进行的，因此下面的例子都以 Series 举例。 pandas 中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。其中映射替换包含 replace 方法、第八章中的 str.replace 方法以及第九章中的 cat.codes 方法，此处介绍 replace 的用法。在 replace 中，可以通过字典构造，或者传入两个列表来进行替换：
print(df['Gender'].replace({'Female':0, 'Male':1}).head())
# 0 0
# 1 1
# 2 1
# 3 0
# 4 1
# Name: Gender, dtype: int64
print(df['Gender'].replace(['Female', 'Male'], [0, 1]).head())
# 0 0
# 1 1
# 2 1
# 3 0
# 4 1
# Name: Gender, dtype: int64
另外， replace 还有一种特殊的方向替换，指定 method 参数为 ffill 则为用前面一个最近的未被替换的值进行替换， bfill 则使用后面最近的未被替换的值进行替换。从下面的例子可以看到，它们的结果是不同的：
s = pd.Series(['a', 1, 'b', 2, 1, 1, 'a'])
print(s)
# 0 a
# 1 1
# 2 b
# 3 2
# 4 1
# 5 1
# 6 a
# dtype: object
print(s.replace([1, 2], method='ffill'))
# 0 a
# 1 a
# 2 b
# 3 b
# 4 b
# 5 b
# 6 a
# dtype: object
print(s.replace([1, 2], method='bfill'))
# 0 a
# 1 b
# 2 b
# 3 a
# 4 a
# 5 a
# 6 a
# dtype: object
**虽然对于 replace 而言可以使用正则替换，但是当前版本下对于 string 类型的正则替换还存在 bug ，因此如有此需求，请选择 str.replace 进行替换操作，具体的方式将在第八章中讲解。**
逻辑替换包括了 where 和 mask ，这两个函数是完全对称的： where 函数在传入条件为 False 的对应行进行替换，而 mask 在传入条件为 True 的对应行进行替换，当不指定替换值时，替换为缺失值。
s = pd.Series([-1, 1.2345, 100, -50])
print(s.where(s<0))
# 0 -1.0
# 1 NaN
# 2 NaN
# 3 -50.0
# dtype: float64
print(s.where(s<0, 100))
# 0 -1.0
# 1 100.0
# 2 100.0
# 3 -50.0
# dtype: float64
print(s.mask(s<0))
# 0 NaN
# 1 1.2345
# 2 100.0000
# 3 NaN
# dtype: float64
print(s.mask(s<0, -50))
# 0 -50.0000
# 1 1.2345
# 2 100.0000
# 3 -50.0000
# dtype: float64
需要注意的是，传入的条件只需是与被调用的 Series 索引一致的布尔序列即可：
s_condition= pd.Series([True,False,False,True],index=s.index)
s.mask(s_condition, -50)
# 0 -50.0000
# 1 1.2345
# 2 100.0000
# 3 -50.0000
# dtype: float64
数值替换包含了 round, abs, clip 方法，它们分别表示取整、取绝对值和截断：
s = pd.Series([-1, 1.2345, 100, -50])
print(s.round(2))
# 0 -1.00
# 1 1.23
# 2 100.00
# 3 -50.00
# dtype: float64
print(s.abs())
# 0 1.0000
# 1 1.2345
# 2 100.0000
# 3 50.0000
# dtype: float64
print(s.clip(0, 2))# 前两个数分别表示上下截断边界，超过边界的只能截断为边界值
# 0 0.0000
# 1 1.2345
# 2 2.0000
# 3 0.0000
# dtype: float64
- 排序函数
排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是 sort_values 和 sort_index 。
为了演示排序函数，下面先利用 set_index 方法把年级和姓名两列作为索引，多级索引的内容和索引设置的方法将在第三章进行详细讲解。
df_demo = df[['Grade', 'Name', 'Height','Weight']].set_index(['Grade','Name'])
对身高进行排序，默认参数 ascending=True 为升序：
print(df_demo.sort_values('Height').head())
# Height Weight
# Grade Name
# Junior Xiaoli Chu 145.4 34.0
# Senior Gaomei Lv 147.3 34.0
# Sophomore Peng Han 147.8 34.0
# Senior Changli Lv 148.7 41.0
# Sophomore Changjuan You 150.5 40.0
print(df_demo.sort_values('Height', ascending=False).head())
# Height Weight
# Grade Name
# Senior Xiaoqiang Qin 193.9 79.0
# Mei Sun 188.9 89.0
# Gaoli Zhao 186.5 83.0
# Freshman Qiang Han 185.3 87.0
# Senior Qiang Zheng 183.9 87.0
在排序中，进场遇到多列排序的问题，比如在体重相同的情况下，对身高进行排序，并且保持身高降序排列，体重升序排列：
print(df_demo.sort_values(['Weight','Height'],
ascending=[True,False]).head(10))
# Height Weight
# Grade Name
# Sophomore Peng Han 147.8 34.0
# Senior Gaomei Lv 147.3 34.0
# Junior Xiaoli Chu 145.4 34.0
# Sophomore Qiang Zhou 150.5 36.0
# Freshman Yanqiang Xu 152.4 38.0
# Qiang Han 151.8 38.0
# Senior Chengpeng Zheng 151.7 38.0
# Sophomore Mei Xu 154.2 39.0
# Freshman Xiaoquan Sun 154.6 40.0
# Sophomore Qiang Sun 154.3 40.0
索引排序的用法和值排序完全一致，只不过元素的值在索引中，此时需要指定索引层的名字或者层号，用参数 level 表示。另外，需要注意的是字符串的排列顺序由字母顺序决定。
print(df_demo.sort_index(level=['Grade','Name'],ascending=[True,False]).head(100))
# Height Weight
# Grade Name
# Freshman Yanquan Wang 163.5 55.0
# Yanqiang Xu 152.4 38.0
# Yanqiang Feng 162.3 51.0
# Yanpeng Lv NaN 65.0
# Yanli Zhang 165.1 52.0
# ... ... ...
# Junior Chunqiang Chu 168.6 72.0
# Chunmei Han 153.2 44.0
# Chunjuan Zhang 158.9 47.0
# Chunfeng Zhao 173.4 72.0
# Chengquan Shi 160.8 51.0
# [100 rows x 2 columns]
- apply方法
apply 方法常用于 DataFrame 的行迭代或者列迭代，它的 axis 含义与第2小节中的统计聚合函数一致， apply 的参数往往是一个以序列为输入的函数。例如对于 .mean() ，使用 apply 可以如下地写出：
df_demo = df[['Height', 'Weight']]
def my_mean(x):
res = x.mean()
return res
df_demo.apply(my_mean)
# Height 163.218033
# Weight 55.015873
# dtype: float64
同样的，可以利用 lambda 表达式使得书写简洁，这里的 x 就指代被调用的 df_demo 表中逐个输入的序列：
df_demo.apply(lambda x : x.mean())
# Height 163.218033
# Weight 55.015873
# dtype: float64
若指定 axis=1 ，那么每次传入函数的就是行元素组成的 Series ，其结果与之前的逐行均值结果一致。
df_demo.apply(lambda x:x.mean(), axis=1).head()
# 0 102.45
# 1 118.25
# 2 138.95
# 3 41.00
# 4 124.00
# dtype: float64
这里再举一个例子： mad 函数返回的是一个序列中偏离该序列均值的绝对值大小的均值，例如序列1,3,7,10中，均值为5.25，每一个元素偏离的绝对值为4.25,2.25,1.75,4.75，这个偏离序列的均值为3.25。现在利用 apply 计算升高和体重的 mad 指标：
print(df_demo.apply(lambda x:(x-x.mean()).abs().mean()))
# Height 6.707229
# Weight 10.391870
# dtype: float64
这与使用内置的 mad 函数计算结果一致：
print(df_demo.mad())
# Height 6.707229
# Weight 10.391870
# dtype: float64
**得益于传入自定义函数的处理， apply 的自由度很高，但这是以性能为代价的。一般而言，使用 pandas 的内置函数处理和 apply 来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用 apply 。**
四、窗口对象
pandas 中有3类窗口，分别是滑动窗口 rolling 、扩张窗口 expanding 以及指数加权窗口 ewm 。需要说明的是，以日期偏置为窗口大小的滑动窗口将在第十章讨论，指数加权窗口见本章练习。
- 滑窗对象
要使用滑窗函数，就必须先要对一个序列使用 .rolling 得到滑窗对象，其最重要的参数为窗口大小 window 。
s = pd.Series([1,2,3,4,5])
roller = s.rolling(window = 3)
roller
在得到了滑窗对象后，能够使用相应的聚合函数进行计算，需要注意的是窗口包含当前行所在的元素，例如在第四个位置进行均值运算时，应当计算(2+3+4)/3，而不是(1+2+3)/3：
print(roller.mean())
# 0 NaN
# 1 NaN
# 2 2.0
# 3 3.0
# 4 4.0
# dtype: float64
print(roller.sum())
# 0 NaN
# 1 NaN
# 2 6.0
# 3 9.0
# 4 12.0
# dtype: float64
对于滑动相关系数或滑动协方差的计算，可以如下写出：
s2 = pd.Series([1,2,6,16,30])
print(roller.cov(s2))
# 0 NaN
# 1 NaN
# 2 2.5
# 3 7.0
# 4 12.0
# dtype: float64
print(roller.corr(s2))
# 0 NaN
# 1 NaN
# 2 0.944911
# 3 0.970725
# 4 0.995402
# dtype: float64
此外，还支持使用 apply 传入自定义函数，其传入值是对应窗口的 Series ，例如上述的均值函数可以等效表示：
0 NaN
1 NaN
2 2.0
3 3.0
4 4.0
dtype: float64
shift, diff, pct_change 是一组类滑窗函数，它们的公共参数为 periods=n ，默认为1，分别表示取向前第 n 个元素的值、与向前第 n 个元素做差（与 Numpy 中不同，后者表示 n 阶差分）、与向前第 n 个元素相比计算增长率。这里的 n 可以为负，表示反方向的类似操作。
s = pd.Series([1,3,6,10,15])
print(s.shift(2))#取向前第 2个元素的值
# 0 NaN
# 1 NaN
# 2 1.0
# 3 3.0
# 4 6.0
# dtype: float64
print(s.diff(3))#与向前第 3 个元素做差
# 0 NaN
# 1 NaN
# 2 NaN
# 3 9.0
# 4 12.0
# dtype: float64
print(s.pct_change())#与向前第 1个元素相比计算增长率
# 0 NaN
# 1 2.000000
# 2 1.000000
# 3 0.666667
# 4 0.500000
# dtype: float64
print(s.shift(-1))#取向后第 1个元素的值
# 0 3.0
# 1 6.0
# 2 10.0
# 3 15.0
# 4 NaN
# dtype: float64
print(s.diff(-2))#与向后第 2 个元素做差
# 0 -5.0
# 1 -7.0
# 2 -9.0
# 3 NaN
# 4 NaN
# dtype: float64
将其视作类滑窗函数的原因是，它们的功能可以用窗口大小为 n+1 的 rolling 方法等价代替：
print(s)
# 0 1
# 1 3
# 2 6
# 3 10
# 4 15
# dtype: int64
print(s.rolling(3).apply(lambda x:list(x)[0]))# s.shift(2)
# 0 NaN
# 1 NaN
# 2 1.0
# 3 3.0
# 4 6.0
# dtype: float64
print(s.rolling(4).apply(lambda x:list(x)[-1]-list(x)[0]))# s.diff(3)
# 0 NaN
# 1 NaN
# 2 NaN
# 3 9.0
# 4 12.0
# dtype: float64
def my_pct(x):
L = list(x)
return L[-1]/L[0]-1
print(s.rolling(2).apply(my_pct))# s.pct_change()
# 0 NaN
# 1 2.000000
# 2 1.000000
# 3 0.666667
# 4 0.500000
# dtype: float64
- 扩张窗口
扩张窗口又称累计窗口，可以理解为一个动态长度的窗口，其窗口的大小就是从序列开始处到具体操作的对应位置，其使用的聚合函数会作用于这些逐步扩张的窗口上。具体地说，设序列为a1, a2, a3, a4，则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。
s = pd.Series([1, 3, 6, 10])
s.expanding().mean()
# 0 1.000000
# 1 2.000000
# 2 3.333333
# 3 5.000000
# dtype: float64
五、练习
Ex1：口袋妖怪数据集
现有一份口袋妖怪的数据集，下面进行一些背景说明：
代表全国图鉴编号，不同行存在相同数字则表示为该妖怪的不同状态
妖怪具有单属性和双属性两种，对于单属性的妖怪， Type 2 为缺失值
Total, HP, Attack, Defense, Sp. Atk, Sp. Def, Speed 分别代表种族值、体力、物攻、防御、特攻、特防、速度，其中种族值为后6项之和
df=pd.read_csv("E:/document/python学习笔记/pandas学习/pokemon.csv")
print(all(df['Total'].values == df[['HP','Attack','Defense','Sp. Atk','Sp. Def','Speed']].sum(axis=1).values))
# True
df_demo=df.drop_duplicates(['#'])
print(df_demo['Type 1'].nunique())
#18
print(df['Type 1'].value_counts().sort_values(ascending=False).head(3).index)
# Index(['Water', 'Normal', 'Grass'], dtype='object')
print(df_demo.drop_duplicates(['Type 1','Type 2']).shape[0])
# 143
df_full = [i+' '+j for i in df['Type 1'].unique()
for j in (df['Type 1'].unique().tolist() + [''])]
df_part = [i+' '+j for i, j in zip(df['Type 1'], df['Type 2'].replace(np.nan, ''))]
res = set(df_full).difference(set(df_part))
print(len(res))
# 188
df['Attack'].mask(df['Attack']>120,
'high').mask(df['Attack']<50,
'low').mask((50<=df['Attack'])&(df['Attack']<=120),
'mid').head()
# 0 low
# 1 mid
# 2 mid
# 3 mid
# 4 mid
# Name: Attack, dtype: object
df['Type 1'].replace({i:str.upper(i) for i in df['Type 1'].unique()}).head()
df['Type 1'].apply(lambda x:str.upper(x)).head()
# 0 GRASS
# 1 GRASS
# 2 GRASS
# 3 GRASS
# 4 FIRE
# Name: Type 1, dtype: object
df['Deviation'] = df[['HP', 'Attack', 'Defense', 'Sp. Atk','Sp. Def',
'Speed']].apply(lambda x:np.max((x-x.median()).abs()), 1)
df.sort_values('Deviation', ascending=False).head()
Ex2：指数加权窗口
1.作为扩张窗口的 ewm 窗口
在扩张窗口中，用户可以使用各类函数进行历史的累计指标统计，但这些内置的统计函数往往把窗口中的所有元素赋予了同样的权重。事实上，可以给出不同的权重来赋给窗口中的元素，指数加权窗口就是这样一种特殊的扩张窗口。
请用 expanding 窗口实现。
np.random.seed(0)
s = pd.Series(np.random.randint(-1,2,30).cumsum())#cumsum()累计和
s.ewm(alpha=0.2).mean().head()
def ewm_func(x, alpha=0.2):
win = (1-alpha)**np.arange(x.shape[0])[::-1]
res = (win*x).sum()/win.sum()
return res
s.expanding().apply(ewm_func).head()
# 0 -1.000000
# 1 -1.000000
# 2 -1.409836
# 3 -1.609756
# 4 -1.725845
# dtype: float64
2.作为滑动窗口的 ewm 窗口
从第1问中可以看到， ewm 作为一种扩张窗口的特例，只能从序列的第一个元素开始加权。现在希望给定一个限制窗口 n ，只对包含自身最近的 n 个窗口进行滑动加权平滑。请根据滑窗函数，给出新的 wi 与 yt 的更新公式，并通过 rolling 窗口实现这一功能。
s.rolling(window=4).apply(ewm_func).head() # 无需对原函数改动
# 0 NaN
# 1 NaN
# 2 NaN
# 3 -1.609756
# 4 -1.826558
# dtype: float64