Pandas入门

简介

• Pandas 是 Python 语言的一个扩展程序库，用于数据分析。
• Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。
• Pandas 名字衍生自术语 “panel data”（面板数据）和 “Python data analysis”（Python 数据分析）
• Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）
• Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据
• Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征
• Pandas 广泛应用在学术、金融、统计学等各个数据分析领域

pandas的应用

• Pandas 的主要数据结构是 Series （一维数据）与 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。

数据结构

• Series 是一种类似于一维数组的对象，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。
  NumPy(Numerical Python) 是 Python 语言的一个扩展程序库
  链接: NumPy.
• DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

NumPy数据类型

pandas安装

使用 pip 安装 pandas:

   pip install pandas

安装成功后，我们就可以导入 pandas 包使用：

   import pandas

发现安装失败了，于是，选择在pycharm中File->settings->Project->Python Interpreter中直接添加pandas
实例

   import pandas as pd
   
   mydataset = {
  'sites': ["Google", "Runoob", "Wiki"],
  'number': [1, 2, 3]
   }
   
   myvar = pd.DataFrame(mydataset)
   print(mydataset)
   print(myvar)

运行结果：

利用DataFrame添加索引，转化为行列结构

Pandas - Series

Pandas Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。

Series 由索引（index）和列组成，函数如下：

pandas.Series( data, index, dtype, name, copy)

data：一组数据(ndarray 类型)。
index：数据索引标签，如果不指定，默认从 0 开始。
dtype：数据类型，默认会自己判断。
name：设置名称。
copy：拷贝数据，默认为 False。

实例1：

import pandas as pd

a = [1, 2, 3]

myvar = pd.Series(a)

print(myvar)

print(myvar[1])

运行结果：

0    1
1    2
2    3       
dtype: int64  //数据类型
3  //myvar[1]

实例2：指定索引值

import pandas as pd

a = ["Google", "Runoob", "Wiki"]

myvar = pd.Series(a, index = ["x", "y", "z"])

print(myvar)
print(myvar[y])

运行结果：

x    Google
y    Runoob
z      Wiki
dtype: object
Runoob

实例3：我们也可以使用 key/value 对象，类似字典来创建 Series：

import pandas as pd

sites = {1: "Google", 2: "Runoob", 3: "Wiki"}

myvar = pd.Series(sites, index = [1, 2], name="RUNOOB-Series-TEST" )

print(myvar)

运行结果：

1    Google
2    Runoob
Name: RUNOOB-Series-TEST, dtype: object

Pandas - DataFrame

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

• Pandas DataFrame 是一个二维的数组结构，类似二维数组。
• DataFrame 数据类型一个表格，包含 rows（行） 和 columns（列）：
  
• Pandas 可以使用 loc 属性返回指定行的数据，如果没有设置索引，第一行索引为 0，第二行索引为 1
  返回结果其实就是一个 Pandas Series 数据。
• 也可以返回多行数据，使用 [[ … ]] 格式，… 为各行的索引，以逗号隔开：
  返回结果其实就是一个 Pandas DataFrame 数据
• 如何获取 dataframe 中其中几列？
  当处理数据时候 series 较多而我们其中只关注其中一些特定的列时候可以使用

print(df[["apple","banana"]])

Pandas CSV 文件

CSV（Comma-Separated Values，逗号分隔值，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。
CSV 是一种通用的、相对简单的文件格式，被用户、商业和科学广泛应用。
Pandas 可以很方便的处理 CSV 文件

import pandas as pd
#import csv
df = pd.read_csv(r'C:\Users\dell\Downloads\nba.csv')

print(df.to_string())

• to_string() 用于返回 DataFrame 类型的数据，如果不使用该函数，则输出结果为数据的前面 5 行和末尾 5 行，中间部分以 … 代替
• 导入csv文件，csv库原来是是pycharm自带的，然后导入文件，在路径前面加r，即保持字符原始值的意思，否则报错：
• SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 2-3: tr这个错误，其实引起这个错误的原因就是转义的问题。

我们也可以使用 to_csv() 方法将 DataFrame 存储为 csv 文件

df = pd.DataFrame(dict)
 
# 保存 dataframe
df.to_csv('site.csv')

• head( n ) 方法用于读取前面的 n 行，如果不填参数 n ，默认返回 5 行
• tail( n ) 方法用于读取尾部的 n 行，如果不填参数 n ，默认返回 5 行，空行各个字段的值返回 NaN
• info() 方法返回表格的一些基本信息

Pandas JSON

数据清洗

数据清洗是对一些没有用的数据进行处理的过程。
很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要对使数据分析更加准确，就需要对这些没有用的数据进行处理。

Pandas 清洗空值

如果我们要删除包含空字段的行，可以使用 dropna() 方法，语法格式如下：

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

• 我们可以通过 isnull() 判断各个单元格是否为空

print (df['NUM_BEDROOMS'].isnull())

• 以上例子中我们看到 Pandas 把 n/a 和 NA 当作空数据，na 不是空数据，不符合我们要求，我们可以指定空数据类型：

import pandas as pd

missing_values = ["n/a", "na", "--"]
df = pd.read_csv('property-data.csv', na_values = missing_values)

print (df['NUM_BEDROOMS'])
print (df['NUM_BEDROOMS'].isnull())

• 我们也可以 fillna() 方法来替换一些空字段：

df.fillna(12345, inplace = True)

df['PID'].fillna(12345, inplace = True)

print(df.to_string())

• 替换空单元格的常用方法是计算列的均值、中位数值或众数。
  Pandas使用 mean()、median() 和 mode() 方法计算列的均值（所有值加起来的平均值）、中位数值（排序后排在中间的数）和众数（出现频率最高的数）

x = df["ST_NUM"].mean()

df["ST_NUM"].fillna(x, inplace = True)

Pandas 清洗格式错误数据

# 第三个日期格式错误
data = {
  "Date": ['2020/12/01', '2020/12/02' , '20201226'],
  "duration": [50, 40, 45]
}

df = pd.DataFrame(data, index = ["day1", "day2", "day3"])

df['Date'] = pd.to_datetime(df['Date'])

Pandas 清洗错误数据

import pandas as pd

person = {
  "name": ['Google', 'Runoob' , 'Taobao'],
  "age": [50, 200, 12345]    
}

df = pd.DataFrame(person)

for x in df.index:
  if df.loc[x, "age"] > 120:
    df.loc[x, "age"] = 120
    # df.drop(x, inplace = True)

print(df.to_string())

Pandas 清洗重复数据

如果我们要清洗重复数据，可以使用 duplicated() 和 drop_duplicates() 方法。

• 如果对应的数据是重复的，duplicated() 会返回 True，否则返回 False
• 删除重复数据，可以直接使用drop_duplicates() 方法。