###1
# 代码 3-1
import pandas as pd
import numpy as np
print('通过ndarray创建的Series为：\n',
pd.Series(np.arange(5), index=['a', 'b', 'c', 'd', 'e'], name='ndarray'))
# 代码 3-2
dit = {'a': 0, 'b': 1, 'c': 2, 'd': 3, 'e': 4}
print('通过dict创建的Series为：\n', pd.Series(dit))
# 代码 3-3
list1 = [0, 1, 2, 3, 4]
print('通过list创建的Series为：\n', pd.Series(list1, index=['a', 'b', 'c', 'd', 'e'], name='list'))
# 代码 3-4
series = pd.Series(list1, index=['a', 'b', 'c', 'd', 'e'], name='list')
print('数组形式返回Series为：', series.values)
print('Series的Index为：', series.index)
print('Series的形状为：', series.shape)
print('Series的维度为：', series.ndim)
# 代码 3-5
print('Series位于第1位置的数据为：', series[0])
# 代码 3-6
print('Series中Index为a的数据为：', series['a'])
# 代码 3-7
bool = (series < 4)
print('bool类型的Series为：\n', bool)
print('通过bool访问Series结果为：\n', series[bool])
# 代码 3-8
# 更新元素
series['a'] = 3
print('更新后的Series为：\n', series)
# 代码 3-9
series1 = pd.Series([4, 5], index=['f', 'g'])
# 追加Series
print('在series插入series1后为：\n', series.append(series1))
# 新增单个数据
series1['h'] = 7
print('在series1插入单个数据后为：\n', series1)
# 代码 3-10
# 删除数据
series.drop('e', inplace=True)
print('删除索引e对应数据后的series为：\n', series)
# 代码 3-11
dict1 = {'col1': [0, 1, 2, 3, 4], 'col2': [5, 6, 7, 8, 9]}
print('通过dict创建的DataFrame为：\n', pd.DataFrame(dict1, index=['a', 'b', 'c', 'd', 'e']))
# 代码 3-12
list2 = [[0, 5], [1, 6], [2, 7], [3, 8], [4, 9]]
print('通过list创建的DataFrame为：\n',
pd.DataFrame(list2, index=['a', 'b', 'c', 'd', 'e'], columns=['col1', 'col2']))
# 代码 3-13
df = pd.DataFrame({'col1': [0, 1, 2, 3, 4], 'col2': [5, 6, 7, 8, 9]},
index=['a', 'b', 'c', 'd', 'e'])
print('DataFrame的Index为：', df.index)
print('DataFrame的列标签为：', df.columns)
print('DataFrame的轴标签为：', df.axes)
print('DataFrame的维度为：', df.ndim)
print('DataFrame的形状为：', df.shape)
# 代码 3-14
print('默认返回前5行数据为：\n', df.head())
print('返回后3行数据为：\n', df.tail(3))
# 代码 3-15
# 更新列
df['col1'] = [10, 11, 12, 13, 14]
print('更新列后的DataFrame为：\n', df)
# 代码 3-16
# 插入列
df['col3'] = [15, 16, 17, 18, 19]
print('插入列后的DataFrame为：\n', df)
# 代码 3-17
# 删除列
df.drop(['col3'], axis=1, inplace=True)
print('删除col3列后的DataFrame为：\n', df)
# 删除行
df.drop('a', axis=0, inplace=True)
print('删除a行后的DataFrame为：\n', df)
# 代码 3-18
print('series的Index为 ：\n', series.index)
# 代码 3-19
print('series中Index各元素是否大于前一个：', series.index.is_monotonic)
print('series中Index各元素是否唯一：', series.index.is_unique)
# 代码 3-20
index1 = series.index
index2 = series1.index
print('index1连接index2后结果为：\n', index1.append(index2))
print('index1与index2的差集为：', index1.difference(index2))
print('index1与index2的交集为：', index1.intersection(index2))
print('index1与index2的并集为：\n', index1.union(index2))
print('index1中的元素是否在index2中：', index1.isin(index2))
###2
# 代码 3-21
import pandas as pd
df = pd.DataFrame({'col1': [0, 1, 2, 3, 4], 'col2': [5, 6, 7, 8, 9]},
index=['a', 'b', 'c', 'd', 'e'])
print('创建的DataFrame为：\n', df)
# 访问单列数据
print('DataFrame中col1列数据为：\n', df['col1'])
# 代码 3-22
# 以属性的方式访问单列数据
print('DataFrame中col1列数据为：\n', df.col1)
# 代码 3-23
# 访问单列多行数据
print('DataFrame中col1列前3行数据为：\n', df['col1'][0: 3])
# 代码 3-24
# 访问多列多行数据
print('DataFrame中col1列、col2列前3行数据为：\n', df[['col1', 'col2']][0: 3])
# 代码 3-25
# 访问多行数据
print('DataFrame的前3行为：\n', df[:][0: 3])
# 代码 3-26
# 访问单列数据
print('DataFrame中col1列数据为：\n', df.loc[:, 'col1'])
# 访问多列数据
print('DataFrame中col1列、col2数据为：\n', df.loc[:, ['col1', 'col2']])
# 访问单行数据
print('DataFrame中a行对应数据为：\n', df.loc['a', :])
# 访问多行数据
print('DataFrame中a行、b行对应数据为：\n', df.loc[['a', 'b'], :])
# 行列结合访问数据
print('DataFrame中a行、b行，col1列、col2列对应的数据为：\n',
df.loc[['a', 'b'], ['col1', 'col2']])
# 代码 3-27
# 接收bool数据
print('DataFrame中col1列大于0的数据为：\n', df.loc[df['col1'] > 0, :])
# 接收函数
print('DataFrame中col1列大于0的数据为：\n', df.loc[lambda df: df['col1'] > 0, :])
# 代码 3-28
# 访问单列数据
print('DataFrame中col1列数据为：\n', df.iloc[:, 0])
# 访问多列数据
print('DataFrame中col1列、col2列数据为：\n', df.iloc[:, [0, 1]])
# 访问单行数据
print('DataFrame中a行数据为：\n', df.iloc[0, :])
# 访问多行数据
print('DataFrame中a行、b行数据为：\n', df.iloc[[0, 1], :])
# 行列结合访问数据
print('DataFrame中a行、b行，col1列、col2列数据为：\n', df.iloc[[0, 1], [0, 1]])
# 代码 3-29
# 接收bool数据
print('DataFrame中col1列大于0的数据为：\n', df.iloc[df['col1'].values > 0, :])
# 接收函数
print('DataFrame中col1列大于0的数据为：\n', df.iloc[lambda df: df['col1'].values > 0, :])
# 代码 3-30
# 按行索引排序
print('按行索引排序后的DataFrame为：\n', df.sort_index(axis=0))
# 代码 3-31
# 按列索引降序排列
print('按列索引降序排列后的DataFrame为：\n', df.sort_index(axis=1, ascending=False))
# 代码 3-32
# 按列排序
print('按col2列排序后的DataFrame为：\n', df.sort_values('col2'))
# 代码 3-33
# 按行降序排列
print('按列降序排列后的DataFrame为：\n', df.sort_values('a', axis=1, ascending=False))
# 代码 3-34
print('按col2列排序,返回前2个最小值：\n', df.nsmallest(2, 'col2'))
print('按col2列排序,返回前2个最大值：\n', df.nlargest(2, 'col2'))
# 代码 3-35
df2 = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'],
'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})
df3 = pd.DataFrame({'key': ['K0', 'K1', 'K2'], 'B': ['B0', 'B1', 'B2']})
# 横向堆叠df2、df3
print('横向堆叠df2、df3后的DataFrame为：\n', pd.concat([df2, df3], axis=1))
# 横向堆叠（内连）df2、df3
print('横向堆叠（内连）df2、df3后的DataFrame为：\n',
pd.concat([df2, df3], axis=1, join='inner'))
# 代码 3-36
print('横向堆叠df2、df3后的DataFrame为：\n', df2.join(df3, rsuffix='_2'))
# 代码 3-37
# 纵向堆叠df2、df3
print('纵向堆叠df2、df3后的DataFrame为：\n', pd.concat([df2, df3], axis=0))
# 纵向堆叠（内连）df2、df3
print('纵向堆叠（内连）df2、df3后的DataFrame为：\n',
pd.concat([df2, df3], axis=0, join='inner'))
# 代码 3-38
print('纵向堆叠df2、df3后的DataFrame为：\n', df2.append(df3))
# 代码 3-39
print('以列key为键，内连df2、df3后的DataFrame为：\n',
pd.merge(df2, df3, on='key', how='inner'))
###3
# 代码 3-40
import pandas as pd
print('创建的Timestamp为：Timestamp({0})'.format(pd.Timestamp(2018, 8, 15, 12)))
# 代码 3-41
print('最小时间为：', pd.Timestamp.min)
print('最大时间为：', pd.Timestamp.max)
# 代码 3-42
import numpy as np
date = ['2016/8/1 11:11:46', '2017/9/2 12:13:48', '2015/7/3 09:08:40',
np.nan, '2016/8/1 11:11:46']
series = pd.Series(date)
print('创建的Series为：\n', series)
series1 = pd.to_datetime(series)
print('转换为时间类型的Series为：\n', series1)
# 代码 3-43
date1 = pd.Timestamp(2018, 8, 15, 12, 21, 59)
print('从Timestamp提取的年为：', date1.year)
print('从Timestamp提取的月为：', date1.month)
print('从Timestamp提取的日为：', date1.day)
print('从Timestamp提取的小时为：', date1.hour)
print('从Timestamp提取的分钟为：', date1.minute)
print('从Timestamp提取的秒为：', date1.second)
# 代码 3-44
print('从Series提取的年为：\n', series1.dt.year)
print('从Series提取的月为：\n', series1.dt.month)
print('从Series提取的日为：\n', series1.dt.day)
# 代码 3-45
print('创建的Timedelta为：Timedelta({0})'.format(pd.Timedelta('1days 1minute')))
# 代码 3-46
print('创建的Timedelta为：Timedelta({0})'. format(pd.Timedelta(days=1, minutes=1)))
# 代码 3-47
series2 = pd.Series(['1days 1minute', '2days 3minute'])
# 转换成Timedelta
timedelta = pd.to_timedelta(series2)
print('转换后的Series为：\n', timedelta)
# 代码 3-48
time_delta = pd.Timestamp(2018, 8, 15, 12) - pd.Timestamp(2018, 8, 14, 12)
print('Timestamp相减后结果为：TimeDelta({0})'.format(time_delta))
# 代码 3-49
print('Timedelta相减后为：TimeDelta({0})'. format(timedelta[1] - timedelta[0]))
# 代码 3-50
print('Timestamp与Timedelta相减后为：',
'Timestamp({0})'.format(pd.Timestamp(2018, 8, 15, 12) + timedelta[0]))
# 代码 3-51
# 转换为小时
print('Timedelta频率转换为小时后的数值为：\n', timedelta / pd.Timedelta('1 hour'))
# 转换为分钟
print('Timedelta频率转换为分钟后的数值为：\n', timedelta / pd.Timedelta('1 minute'))
# 代码 3-52
# 转换为小时
print('Timedelta频率转换为小时后的数值为：\n', timedelta.astype(('timedelta64[h]')))
# 转换为分钟
print('Timedelta频率转换为分钟后的数值为：\n', timedelta.astype(('timedelta64[m]')))
# 代码 3-53
print('从Timedelta提取的天数为：', timedelta[0].days)
print('从Timedelta提取的秒数为：', timedelta[0].seconds)
print('从Timedelta提取的微秒数为：', timedelta[0].microseconds)
print('从Timedelta提取的纳秒数为：', timedelta[0].nanoseconds)
# 代码 3-54
print('从Series提取的天为：\n', timedelta.dt.days)
print('从Series提取的秒为：\n', timedelta.dt.seconds)
# 代码 3-55
timeindex = pd.DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04'])
print('创建的DatetimeIndex为：\n', timeindex)
# 代码 3-56
print('创建的DatetimeIndex为：\n', pd.date_range(start='2018-01-01', end='2018-01-08'))
# 代码 3-57
print('创建的DatetimeIndex为：\n', pd.date_range(start='2018-01-01', periods=8))
# 代码 3-58
print('创建的DatetimeIndex为：\n',
pd.date_range(start='2018-01-01', periods=8, freq='M'))
# 代码 3-59
date = pd.date_range(start='2018-01-10 01:02:03', periods=5, freq='W')
list1 = [1, 2, 3, 4, 5]
arr = pd.Series(list1, index=date)
print('创建的时间序列为：\n', arr)
# 代码 3-60
print('访问2018-01-14 01:02:03的数据为：', arr['2018-01-21 01:02:03'])
# 代码 3-61
print('访问2018年1月份数据为：\n', arr['2018-1'])
# 代码 3-62
print('访问2017年12月到2018年2月3号的数据为：\n', arr['2017-12': '2018-02-03'])
# 代码 3-63
series3 = pd.Series(['a', 'abb', 'Ab12'])
print('大写后的Series为：\n', series3.str.upper())
# 代码 3-64
# 匹配以小写a开头的元素，将ab替换为F，作用于Series
print('替换后的Series为：\n', series3.str.replace(r'^ab', 'F'))
print('替换后的元素为：\n', series3.str.replace(r'^ab', 'F')[1])
# 匹配以小写a开头的元素，将ab替换为F，作用于str
print('替换后的str为：', series3[1].replace(r'^ab', 'F'))
# 代码 3-65
print('cat方法作用后的结果为：', series3.str.cat(sep='-'))
print('get方法作用后的结果为：\n', series3.str.get(1))
print('get_dummies方法作用后的结果为：\n', series3.str.get_dummies())
print('contains方法作用后的结果为：\n', series3.str.contains('ab', regex=False))
print('repeat方法作用后的结果为：\n', series3.str.repeat(2))
print('pad方法作用后的结果为：\n', series3.str.pad(width=2, side='left', fillchar='f'))
# 代码 3-66
# 位置索引
print('第一个字符为：\n', series.str[0])
# 切片索引
print('前两个字符为：\n', series3.str[0: 2])
# 代码 3-67
series4 = pd.Series(['a', 'b', 'b', 'c'], dtype='category')
print('指定Series数据类型创建的category为：\n', series4)
# 代码 3-68
series = pd.Series(['a', 'b', 'b', 'c'])
series1 = series.astype('category')
print('转换Series数据类型创建的category为：\n', series1)
from pandas.api.types import CategoricalDtype
cat_type = CategoricalDtype(categories=['b', 'c', 'd'], ordered=True)
series1 = series.astype(cat_type)
print('转换Series数据类型为CategoricalDtype创建的category结果为：\n', series1)
# 代码 3-69
raw_cat = pd.Categorical(['a', 'b', 'b', 'c'],
categories=['a', 'b', 'c'], ordered=False)
series = pd.Series(raw_cat)
print('接收Categorical对象创建category为：\n', series)
# 代码 3-70
series = pd.Series(range(9))
series1 = pd.cut(series, [0, 3, 6, 9, 12], right=False)
print('cut函数作用Series创建category结果为：\n', series1)
# 代码 3-71
series = pd.Series(['a', 'b', 'b', 'c'], dtype='category')
print('category的类别为：\n', series.cat.categories)
print('category的类别是否指定：', series.cat.ordered)
# 代码 3-72
series1 = series.cat.rename_categories([1, 2, 3])
print('重命名category的类别为：', series1.cat.categories)
# 代码 3-73
series1 = series.cat.add_categories(['e'])
print('新增后的category的类别为：\n', series1.cat.categories)
# 代码 3-74
series1 = series.cat.remove_categories(['c'])
print('删除后的category的类别为：\n', series1.cat.categories)
# 代码 3-75
series1 = series.cat.set_categories(['c', 'd'], ordered=True)
print('设置后的category的类别为：\n', series1.cat.categories)
# 代码 3-76
series1 = series.cat.set_categories(['c', 'e', 'a', 'b'], ordered=True)
print('指定顺序后的category为：\n', series1.sort_values())
