Library_Pandas_2

#####----- Data Computation -----#####

# Create a Series
s = pd.Series(np.random.randint(0, 10, 5))
print(s)
# 0    6
# 1    0
# 2    7
# 3    3
# 4    9
# dtype: int32

# Create DataFrame for Computation
df = pd.DataFrame(np.random.randint(0, 10, (3, 3)),
                  columns=['A','B','C'])
print(df)
#    A  B  C
# 0  1  5  4
# 1  9  0  4
# 2  4  9  0

# Substite exponential
print(np.exp(s))
# 0      1.000000
# 1     20.085537
# 2    148.413159
# 3      2.718282
# 4    148.413159
# dtype: float64

print(np.cos(df * np.pi / 4))
#           A         B             C
# 0  1.000000  0.707107 -1.836970e-16
# 1 -0.707107  0.707107 -7.071068e-01
# 2 -0.707107  0.707107 -7.071068e-01

...........
..........
........
......
...
..
.

#####----- DATA READ AND SAVE -----#####

"""
read_csv : 파일, URL, 객체로부터 구분된 데이터 읽기(기본 구분자:', ')
read_table : 파일, URL, 객체로부터 구분된 데이터 읽기(기본 구문자:'\t')
read_fwf : 고정폭 Column 형식에서 데이터 읽기(구분자 없는 데이터)
read_clipboard : 클립보드에 있는 데이터 읽기. 웹페이지에 있는 표를 읽어올때 유용
read_excel : 엑셀파일(xls, xlsx)에서 표 형식 데이터 읽기
read_hdf : Pandas에서 저장한 HDFS 파일의 데이터 읽기
read_html : HTML 문서 내의 모든 테이블 데이터 읽기
read_json : JSON에서 데이터 읽기
read_msgpack : 메시지팩 바이너리 포맷으로 인코딩된 pandas 데이터 읽기
read_pickle : 파이썬 피클 포맷으로 저장된 객체 읽기
read_sas : SAS 시스템의 사용자 정의 저장 포맷 데이터 읽기
read_sql : SQL 질의 결과를 DataFrame 형식으로 읽기
read_stata : Stata 파일에서 데이터 읽기
read_feather : Feather 바이너리 파일 포맷의 데이터 읽기
"""

data = pd.read_csv('example1.csv')
print(data)
#     a   b   c   d   e     text
# 0   1   2   3   4   5       hi
# 1   6   7   8   9  10   pandas
# 2  11  12  13  14  15      csv


data2 = pd.read_csv('example2.csv', header=None)
print(data2)
#     0   1   2   3   4        5    # Attach Header info.
# 0   1   2   3   4   5       hi
# 1   6   7   8   9  10   pandas
# 2  11  12  13  14  15      csv

data2 = pd.read_csv('example2.csv', names=['a','b','c','d','e', 'text'])
print(data2)
#     a   b   c   d   e     text
# 0   1   2   3   4   5       hi
# 1   6   7   8   9  10   pandas
# 2  11  12  13  14  15      csv

data2 = pd.read_csv('example2.csv', names=['a','b','c','d','e', 'text'], index_col='text')
print(data2)
#           a   b   c   d   e
# text
#  hi       1   2   3   4   5
#  pandas   6   7   8   9  10
#  csv     11  12  13  14  15

data3 = pd.read_table('example3.txt', sep='\s+')    # If there is only space input
print(data3)
#      a    b    c
# 1  0.1  0.2  0.3
# 2  0.4  0.5  0.6
# 3  0.7  0.8  0.9

data4 = pd.read_csv('example4.csv', skiprows=[0, 2])
print(data4)
#     a   b   c   d   e     text
# 0   1   2   3   4   5       hi
# 1   6   7   8   9  10   pandas
# 2  11  12  13  14  15      csv

data5 = pd.read_csv('example5.csv')
print(data5)
#     a    b    c      d   e     text
# 0   1    2   NA      4   5       hi
# 1   6    7    8   NULL  10   pandas
# 2  11   NA   13     14  15      csv

data6 = pd.read_csv("example6.csv", nrows=5)    # Importing only some rows
print(data6)    
#     a    b    c    d    e     text
# 0   1    2    3    4    5       hi
# 1   6    7    8    9   10   pandas
# 2  11   12   13   14   15      csv
# 3   a    b    c    d    e     text
# 4   1    2    3    4    5       hi

df = pd.read_csv('example6.csv')
df.to_csv('output.csv') # COPY TO A NEW FILE

dr = pd.date_range('2020-01-01', periods=10)
ts = pd.Series(np.arange(10), index=dr)
print(ts)
# 2020-01-01    0
# 2020-01-02    1
# 2020-01-03    2
# 2020-01-04    3
# 2020-01-05    4
# 2020-01-06    5
# 2020-01-07    6
# 2020-01-08    7
# 2020-01-09    8
# 2020-01-10    9
# Freq: D, dtype: int32
ts.to_csv('ts.csv', header=['value'])

# 4: 26: 18 ....