pandas 生成测试数据

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

pandas 在学习以及功能测试过程中，需要一些测试数据供我们使用，不像一些其他数据科学 Python 库内置了一些鸢尾花之类的知名公开数据集，pandas 没有内置这类数据，但它提供了随机生成的数据方法用于测试和学习。

使用方法

官方推荐的导入方法为：

import pandas._testing as tm

# 创建 30 条 DataFrame 数据
df = tm.makeDataFrame()
df
'''
                   A         B         C         D
Fd1YvwUKHA  0.386131 -0.461368 -0.737280 -0.884621
FzWcCdXxBA -0.134304  0.713895 -0.066585 -1.248304
KB5pKqdoW4  0.036960  0.314893  0.475411  1.447714
...
XoeM6vYihj -0.868037 -0.238360 -0.052557 -0.131969
gDJlYi75X9 -0.495749 -0.030496 -0.120692  0.354516
'''

# 创建 30 条 Series 数据
ser = tm.makeFloatSeries()
ser
'''
T0VKYdnKdn    0.309841
2bg5InNEHP    0.879833
o9zIIjUYqX   -1.122690
...
624lHXtSC5   -1.216680
dtype: float64
'''

另外，以下方法不建议再使用，将来会被删除，目前（pandas 1.3.5）已经进行了警告：

from pandas.util import testing
# ... pandas/util/__init__.py:15:
# FutureWarning: pandas.util.testing is deprecated.
# Use the functions in the public API at pandas.testing instead.
# ...

testing.makeDataFrame()
# ...

更多方法

pandas 支持的生成的测试数据类型有：

# 布尔序列，默认 10 个
tm.makeBoolIndex(k=10, name=None)
# 分类索引，默认 3 类 10 个数据
tm.makeCategoricalIndex(k=10, n=3, name=None, **kwargs)
# 生成 DataFrame
tm.makeDataFrame()
# 生成时序 DatetimeIndex 索引，默认为频率为工作日
tm.makeDateIndex(k: 'int' = 10, freq='B', name=None, **kwargs)
# 浮点 Float64Index 类型索引
tm.makeFloatIndex(k=10, name=None)
# dtype: float64 类型 Series，30 个
tm.makeFloatSeries(name=None)
# Int64Index 整型索引，0-9
tm.makeIntIndex(k=10, name=None)
# 做一个长度为k的区间索引，总长100分为 k 个区间
tm.makeIntervalIndex(k=10, name=None, **kwargs)
# 有缺失值的 DataFrame，30 条
# 可指定密度和 np.random.RandomState 的随机状态
tm.makeMissingDataframe(density=0.9, random_state=None)
# * 混杂的 DataFrame，5条，包含浮点、字符、日期
tm.makeMixedDataFrame()
# 多层索引
tm.makeMultiIndex(k=10, names=None, **kwargs)
# 数字索引，必须定义类型
tm.makeNumericIndex(dtype='int8')
tm.makeNumericIndex(k=10, name=None, *, dtype)
# 30 个索引和值为 Object 类型 Series
tm.makeObjectSeries(name=None)
# 30个日期索引的 DataFrame
tm.makePeriodFrame(nper=None)
# 日期索引，默认频率为工作日
tm.makePeriodIndex(k=10, name=None, **kwargs)
# 索引为日期值为浮点的 Series
tm.makePeriodSeries(nper=None, name=None)
# 范围索引
tm.makeRangeIndex(k=10, name=None, **kwargs)
# 字符串索引
tm.makeStringIndex(k=10, name=None)
# 索引为字符串值为浮点的 Series
tm.makeStringSeries(name=None)
# 索引为时间类型的 DataFrame， 默认频率为工作日
tm.makeTimeDataFrame(nper=None, freq='B')
# 索引为时间的 Series， 默认频率为工作日
tm.makeTimeSeries(nper=None, freq='B', name=None)
# 时长索引
tm.makeTimedeltaIndex(k=10, freq='D', name=None, **kwargs)
# UInt64Index 类型索引
tm.makeUIntIndex(k=10, name=None)
# UnicodeIndex 类型索引
tm.makeUnicodeIndex(k=10, name=None)

自定义

还有可以支持高度自定义的测试数据：

# 自定义 DataFrame
tm.makeCustomDataframe()
# 自定义索引
tm.makeCustomIndex()

自定义 DataFrame

使用 tm.makeCustomDataframe 提供的参数创建 DataFrame。自定义 DataFrame 的语法为：

tm.makeCustomDataframe(
    nrows,
    ncols,
    c_idx_names=True,
    r_idx_names=True,
    c_idx_nlevels=1,
    r_idx_nlevels=1,
    data_gen_f=None,
    c_ndupe_l=None,
    r_ndupe_l=None,
    dtype=None,
    c_idx_type=None,
    r_idx_type=None,
)

参数为：

nrows, ncols - 数据行数/列数
c_idx_names, idx_names - False/True/list of strings, yields No names , 默认名称或将提供的名称用于相应的索引。您可以在以下情况下提供单个字符串：c_idx_nlevels==1。
c_idx_nlevels - 索引列中的级别数。>1将产生多索引
r_idx_nlevels - 索引行中的级别数。>1将产生多索引
data_gen_f - 返回数据值的函数 f(row,col)，在该位置，使用的默认生成器将生成表单的值 “RxCy” 基于位置。
c_ndupe_l, r_ndupe_l - list of integers, determines the number，在相应标签的给定级别上，每个标签的副本数量指数默认的 'None' 值生成跨域的1的重数所有级别，即唯一索引。将接受部分长度列表 N<idx_nlevels，仅适用于前N个级别。如果ndupe不分裂 nrows/ncol，最后一个标签的多重性可能较低。
dtype - 按原样传递给DataFrame构造函数，以防需要与自定义 data_gen_f 结合使用，可获得更多控制权
r_idx_type, c_idx_type - "i"/"f"/"s"/"u"/"dt"/"td"。如果 idx_type 不是None，idx_nlevels 必须是1。如果未指定，将生成字符串标签。
- "i"/"f" 创建整数/浮点索引
- "s"/"u" 创建字符串/unicode索引
- "dt" 创建日期时间索引
- "td" 创建一个timedelta索引

例子：

# 5行，3列，两个轴上都有默认名称，两个轴上都有一个索引
tm.makeCustomDataframe(5,3)

# 将数据设置为1到100之间的随机整数
import numpy as np
tm.makeCustomDataframe(5,3,
                       data_gen_f=lambda r,
                       c: np.random.randint(1,100))

# 行上的两级多索引，每个标签在第一级上重复两次，
# 两个轴上都有默认名称，两个轴上都有单个索引
tm.makeCustomDataframe(5,3,r_idx_nlevels=2,r_ndupe_l=[2])

# 行上的DatetimeIndex，列上带有unicode标签的索引，两个轴上都没有名称
tm.makeCustomDataframe(5,3,c_idx_names=False,r_idx_names=False,
                         r_idx_type="dt",c_idx_type="u")

# 对提供名称的行执行4级多重索引，
# 对具有默认标签和默认名称的列执行2级多重索引。
tm.makeCustomDataframe(5,3,r_idx_nlevels=4,
                         r_idx_names=["FEE","FIH","FOH","FUM"],
                         c_idx_nlevels=2)

tm.mkdf(5,3,r_idx_nlevels=2,c_idx_nlevels=4)

自定义索引

生成一个自定义索引 tm.makeCustomIndex()，使用给定的维度、级别、名称等创建索引/多重索引，语法为：

makeCustomIndex(nentries, nlevels, prefix='#',
                names=False, ndupe_l=None,
                idx_type=None)

参数：

nentries - 索引中的条目数
nlevels - 级别数（>1产生多重索引）
prefix - 标签的字符串前缀
names - (可选), bool or list of strings. 如果为True，将使用默认值名称，如果为 False，则不使用 names ，如果提供了列表，则使用索引中的每个级别都将取自列表。
ndupe_l - (可选), list of ints, 指定的行数标签将在相应级别重复，您可以指定前几个，其余的将使用默认的 ndupe_l 为 1，len(ndupe_l) <= nlevels
idx_type - "i"/"f"/"s"/"u"/"dt"/"p"/"td". 如果 idx_type 不是 None，idx_nlevels 必须是1。如果未指定，将生成字符串标签。
- "i"/"f" 创建整数/浮点索引
- "s"/"u" 创建字符串/unicode索引
- "dt" 创建日期时间索引
- "td" 创建日期时间索引

其他

如果想让测试数据更加真实，生成类型更加丰富，可以使用 Faker Python 测试数据三方生成库。