本文根据Google机器学习平台学习内容整理得。
1.Pandas介绍:
pandas是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具,很多机器学习框架都支持将pandas*数据结构作为输入。
2.基本概念
①首先导入pandas包,查看其版本
import pandas as pd pd._version_
②pandas 中的主要数据结构被实现为以下两类:
DataFrame,您可以将它想象成一个关系型数据表格,其中包含多个行和已命名的列。
Series,它是单一列。DataFrame 中包含一个或多个 Series,每个 Series 均有一个名称。
数据框架是用于数据操控的一种常用抽象实现形式。[Spark](https://spark.apache.org/) 和 [R](https://www.r- project.org/about.html) 中也有类似的实现。
创建 Series 的一种方法是构建 Series 对象。例如:
import pandas as pd pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
可以将映射 string 列名称的 dict 传递到它们各自的 Series,从而创建DataFrame对象。如果 Series 在长度上不一致,系统会用特殊的[NA/NaN]值填充缺失的值。例如:
import pandas as pd city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) pd.DataFrame({'City name': city_names, 'Population': population })
但是在大多数情况下,您需要将整个文件加载到 DataFrame 中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据,并创建特征定义:
import pandas as pd california_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",") california_housing_dataframe.describe()
上面的示例使用 DataFrame.describe 来显示关于 DataFrame 的有趣统计信息。另一个实用函数是 DataFrame.head,它显示 DataFrame 的前几个记录:
import pandas as pd california_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",") california_housing_dataframe.head()pandas 的另一个强大功能是绘制图表。例如,借助 DataFrame.hist,可以快速了解一个列中值的分布:
import pandas as pd california_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",") california_housing_dataframe.hist('housing_median_age')
③访问数据
可以使用熟悉的 Python dict/list 指令访问 DataFrame 数据:
import pandas as pd city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) cities = pd.DataFrame({ 'City name': city_names, 'Population': population }) print(type(cities['City name'])) print(cities['City name']) print(type(cities['City name'][0])) print(cities['City name'][0]) print(type(cities[0:2])) print(cities[0:2]) # 输出: # <class 'pandas.core.series.Series'> # 0 San Francisco # 1 San Jose # 2 Sacramento # Name: City name, dtype: object # <class 'str'> # San Francisco # <class 'pandas.core.frame.DataFrame'> # City name Population # 0 San Francisco 852469 # 1 San Jose 1015785
④操纵数据
可以向 Series 应用 Python 的基本运算指令。例如:
import pandas as pd city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) print(population/1000) # 输出: # # 0 852.469 # 1 1015.785 # 2 485.199 # dtype: float64
NumPy 是一种用于进行科学计算的常用工具包。pandas Series 可用作大多数 NumPy 函数的参数:
import pandas as pd import numpy as np city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) print(np.log(population)) # 输出: # 0 13.655892 # 1 13.831172 # 2 13.092314 # dtype: float64
对于更复杂的单列转换,可以使用 Series.apply。像 Python映射函数一样,Series.apply 将以参数形式接受 lambda 函数,而该函数会应用于每个值。下面的示例创建了一个指明 population 是否超过 100 万的新 Series:
import pandas as pd import numpy as np city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) print(population.apply(lambda value:value>1000000)) # 输出: # 0 False # 1 True # 2 False # dtype: bool
DataFrames 的修改方式也非常简单。例如,以下代码向现有 DataFrame 添加了两个 Series:
import pandas as pd import numpy as np city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) cities = pd.DataFrame({ 'City name': city_names, 'Population': population }) cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92]) cities['Population density'] = cities['Population'] / cities['Area square miles'] print(cities) # 输出: # City name Population Area square miles Population density # 0 San Francisco 852469 46.87 18187.945381 # 1 San Jose 1015785 176.53 5754.177760 # 2 Sacramento 485199 97.92 4955.055147
练习1:
通过添加一个新的布尔值列(当且仅当以下两项均为 True 时为 True)修改 cities 表格:
城市以圣人命名。城市面积大于 50 平方英里。
注意:布尔值 Series 是使用“按位”而非传统布尔值“运算符”组合的。例如,执行逻辑与时,应使用 &,而不是 and。
提示:San 在西班牙语中意为 saint。
import pandas as pd import numpy as np city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) cities = pd.DataFrame({ 'City name': city_names, 'Population': population }) cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92]) cities['Population density'] = cities['Population'] / cities['Area square miles'] cities['Is wide and has saint name'] = \ (cities['Area square miles'] > 50)\ & cities['City name'].apply(lambda name: name.startswith('San')) print(cities) # 输出: # City name Population Area square miles Population density \ # 0 San Francisco 852469 46.87 18187.945381 # 1 San Jose 1015785 176.53 5754.177760 # 2 Sacramento 485199 97.92 4955.055147 # # Is wide and has saint name # 0 False # 1 True # 2 False
⑤索引
Series 和 DataFrame 对象也定义了 index 属性,该属性会向每个 Series 项或 DataFrame 行赋一个标识符值。
默认情况下,在构造时,pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的;也就是说,它们不会因为数据重新排序而发生改变。
import pandas as pd city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) cities = pd.DataFrame({ 'City name': city_names, 'Population': population }) print(city_names.index) print(cities.index) # 输出: # RangeIndex(start=0, stop=3, step=1) # RangeIndex(start=0, stop=3, step=1)
调用 DataFrame.reindex 以手动重新排列各行的顺序。例如,以下方式与按城市名称排序具有相同的效果:
import pandas as pd city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) cities = pd.DataFrame({ 'City name': city_names, 'Population': population }) print(cities.reindex([2,0,1])) # 输出: # City name Population # 2 Sacramento 485199 # 0 San Francisco 852469 # 1 San Jose 1015785
重建索引是一种随机排列 DataFrame 的绝佳方式。在下面的示例中,取用类似数组的索引,然后将其传递至 NumPy 的 random.permutation 函数,该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex,会导致 DataFrame 行以同样的方式随机排列。尝试多次运行代码,会得到不同的结果
import pandas as pd import numpy as np city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) cities = pd.DataFrame({ 'City name': city_names, 'Population': population }) print(cities.reindex(np.random.permutation(cities.index))) #输出: #第一次运行 # City name Population # 1 San Jose 1015785 # 2 Sacramento 485199 # 0 San Francisco 852469 #第二次运行 # City name Population # 1 San Jose 1015785 # 0 San Francisco 852469 # 2 Sacramento 485199
练习2:
reindex
方法允许使用未包含在原始 DataFrame
索引值中的索引值。请试一下,看看如果使用此类值会发生什么!允许此类值的原因是什么?
reindex
输入数组包含原始
DataFrame
索引值中没有的值,
reindex
会为此类“丢失的”索引添加新行,并在所有对应列中填充
NaN
值:
import pandas as pd import numpy as np city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento']) population = pd.Series([852469, 1015785, 485199]) cities = pd.DataFrame({ 'City name': city_names, 'Population': population }) print(cities.reindex([0,3,4,2])) # 输出: # City name Population # 0 San Francisco 852469.0 # 3 NaN NaN # 4 NaN NaN # 2 Sacramento 485199.0这种行为是可取的,因为索引通常是从实际数据中提取的字符串,在这种情况下,如果允许出现“丢失的”索引,将可以轻松使用外部列表重建索引,因为您不必担心会将输入清理掉。