Pandas系列教程(一)
对于想要入门数据科学的朋友们来说,Python是一个很好的选择,除了因为简单的语法外,Python 生态中提供了很多在数值计算方面非常优秀的库,其中Pandas不可不提,Pandas是很强大是数据集处理工具,往往和numpy, matplotlib 等库搭配使用,我也是刚刚开始学习Pandas, 顺便翻译了一下官方的Pandas教程 , 这里使用的是jupyter notebook, 因为博客不支持html直接编辑,所以只能转化为markdown 格式,如果想直接查看html版本可点击每一节下的链接。本文仅供学习和交流使用,欢迎大家交流和指正!
摘要
数据帧(DataFrame)与结构 创建数据,使用to_csv()函数创建数据集 获取数据,使用read_csv()函数读取数据集 准备数据(make data clean) 即确保生成的数据集正确无误,主要是检查类型 分析数据,主要是排序df.sort_values(),获取最大值df.max(),还有df.head()等函数 可视化,使用matplotlib,直观地显示我们的数据
HTML版本点击此处
from pandas import DataFrame, read_csv
import matplotlib. pyplot as plt
import pandas as pd
import sys
import matplotlib
% matplotlib inline
print ( 'Python version' + sys. version)
print ( 'Pandas version' + pd. __version__)
print ( 'Matplotlib version' + matplotlib. __version__)
Python version3.6.5 |Anaconda, Inc.| (default, Apr 29 2018, 16:14:56)
[GCC 7.2.0]
Pandas version0.23.0
Matplotlib version2.2.2
names = [ 'Bob' , 'Jessica' , 'Mary' , 'John' , 'Mel' ]
births = [ 968 , 155 , 77 , 578 , 973 ]
BabyDataSet = list ( zip ( names, births) )
BabyDataSet
[('Bob', 968), ('Jessica', 155), ('Mary', 77), ('John', 578), ('Mel', 973)]
df = pd. DataFrame( data= BabyDataSet, columns= [ 'Names' , 'Births' ] )
df
Names Births 0 Bob 968 1 Jessica 155 2 Mary 77 3 John 578 4 Mel 973
"""
然后用 DataFrame 对象的to_csv()函数生成.csv文件
其中index 参数设置为False表示生成的csv文件中将不带行标(index)
header=False 表示不生成 Names Births 两个关键字
"""
df. to_csv( 'births1880.csv' , index= False , header= False )
"""
我们得到的csv文件内容如下:
Bob, 968
Jessica, 155
Mary, 77
John, 578
Mel, 973
"""
"""
从csv文件中读取数据,调用 read_csv() 库函数
先定义路径
我的csv就生成在当前目录下,如果需要在windows平台下用绝对路径读取可以参考
Location = r'C:\Users\dreamboy\births1880.csv'
其中的r 是用来修正 反斜杠的
"""
Location = 'births1880.csv'
df = pd. read_csv( Location)
df
Bob 968 0 Jessica 155 1 Mary 77 2 John 578 3 Mel 973
"""
可以看到我们的结果好像出了点问题! Bob 968跑到了列名的位置上
解决这个问题我们需要用read_csv()函数中的header参数
将header设置为None 表示告诉函数我们要读取的csv文件中是没有header(列关键字)的,
它就不会把Bob误认为是header了!
"""
df = pd. read_csv( Location, header= None )
df
0 1 0 Bob 968 1 Jessica 155 2 Mary 77 3 John 578 4 Mel 973
"""
此时header 变为了0和1,这是默认值,为了达到我们想要的效果,需要显式地指定
names参数,就和我们创建数据帧时一样
"""
df = pd. read_csv( Location, names= [ 'Names' , 'Births' ] )
df
Names Births 0 Bob 968 1 Jessica 155 2 Mary 77 3 John 578 4 Mel 973
import os
os. remove( Location)
df. dtypes
Names object
Births int64
dtype: object
df. Births. dtype
dtype('int64')
"""
当我们完成了上述步骤并确认数据类型无误后我们就可以开始分析数据了
- 对数据帧df进行排序并选出最上面一行
- 用max() 属性来找到出生次数的最大值
"""
Sorted = df. sort_values( [ 'Births' ] , ascending= False )
Sorted. head( 1 )
df[ 'Births' ] . max ( )
973
df[ 'Births' ] . plot( )
MaxValue = df[ 'Births' ] . max ( )
MaxName = df[ 'Names' ] [ df[ 'Births' ] == MaxValue] . values
Text = str ( MaxValue) + ' - ' + MaxName
plt. annotate( Text, xy= ( 1 , MaxValue) , xytext= ( 8 , 0 ) ,
xycoords= ( 'axes fraction' , 'data' ) , textcoords= 'offset points' )
print ( "The most popular name" )
df[ df[ 'Births' ] == df[ 'Births' ] . max ( ) ]
The most popular name
df[ 'Births' ] [ 1 ]
155
df1 = df. copy( )
df1[ 'Births' ] [ 1 ] = 973
/home/dreamboy/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:3: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
This is separate from the ipykernel package so we can avoid doing imports until
df
Names Births 0 Bob 968 1 Jessica 155 2 Mary 77 3 John 578 4 Mel 973
df1
Names Births 0 Bob 968 1 Jessica 973 2 Mary 77 3 John 578 4 Mel 973
array = df1[ 'Names' ] [ df1[ 'Births' ] == df1[ 'Births' ] . max ( ) ] . values
array
array(['Jessica', 'Mel'], dtype=object)
array[ 0 ]
'Jessica'
from pandas import DataFrame, read_csv
import matplotlib. pyplot as plt
import pandas as pd
import sys
import matplotlib
% matplotlib inline
print ( 'Python version' + sys. version)
print ( 'Pandas version' + pd. __version__)
print ( 'Matplotlib version' + matplotlib. __version__)
Python version3.6.5 |Anaconda, Inc.| (default, Apr 29 2018, 16:14:56)
[GCC 7.2.0]
Pandas version0.23.0
Matplotlib version2.2.2
names = [ 'Bob' , 'Jessica' , 'Mary' , 'John' , 'Mel' ]
births = [ 968 , 155 , 77 , 578 , 973 ]
BabyDataSet = list ( zip ( names, births) )
BabyDataSet
[('Bob', 968), ('Jessica', 155), ('Mary', 77), ('John', 578), ('Mel', 973)]
df = pd. DataFrame( data= BabyDataSet, columns= [ 'Names' , 'Births' ] )
df
Names Births 0 Bob 968 1 Jessica 155 2 Mary 77 3 John 578 4 Mel 973
"""
然后用 DataFrame 对象的to_csv()函数生成.csv文件
其中index 参数设置为False表示生成的csv文件中将不带行标(index)
header=False 表示不生成 Names Births 两个关键字
"""
df. to_csv( 'births1880.csv' , index= False , header= False )
"""
我们得到的csv文件内容如下:
Bob, 968
Jessica, 155
Mary, 77
John, 578
Mel, 973
"""
"""
从csv文件中读取数据,调用 read_csv() 库函数
先定义路径
我的csv就生成在当前目录下,如果需要在windows平台下用绝对路径读取可以参考
Location = r'C:\Users\dreamboy\births1880.csv'
其中的r 是用来修正 反斜杠的
"""
Location = 'births1880.csv'
df = pd. read_csv( Location)
df
Bob 968 0 Jessica 155 1 Mary 77 2 John 578 3 Mel 973
"""
可以看到我们的结果好像出了点问题! Bob 968跑到了列名的位置上
解决这个问题我们需要用read_csv()函数中的header参数
将header设置为None 表示告诉函数我们要读取的csv文件中是没有header(列关键字)的,
它就不会把Bob误认为是header了!
"""
df = pd. read_csv( Location, header= None )
df
0 1 0 Bob 968 1 Jessica 155 2 Mary 77 3 John 578 4 Mel 973
"""
此时header 变为了0和1,这是默认值,为了达到我们想要的效果,需要显式地指定
names参数,就和我们创建数据帧时一样
"""
df = pd. read_csv( Location, names= [ 'Names' , 'Births' ] )
df
Names Births 0 Bob 968 1 Jessica 155 2 Mary 77 3 John 578 4 Mel 973
import os
os. remove( Location)
df. dtypes
Names object
Births int64
dtype: object
df. Births. dtype
dtype('int64')
"""
当我们完成了上述步骤并确认数据类型无误后我们就可以开始分析数据了
- 对数据帧df进行排序并选出最上面一行
- 用max() 属性来找到出生次数的最大值
"""
Sorted = df. sort_values( [ 'Births' ] , ascending= False )
Sorted. head( 1 )
df[ 'Births' ] . max ( )
973
df[ 'Births' ] . plot( )
MaxValue = df[ 'Births' ] . max ( )
MaxName = df[ 'Names' ] [ df[ 'Births' ] == MaxValue] . values
Text = str ( MaxValue) + ' - ' + MaxName
plt. annotate( Text, xy= ( 1 , MaxValue) , xytext= ( 8 , 0 ) ,
xycoords= ( 'axes fraction' , 'data' ) , textcoords= 'offset points' )
print ( "The most popular name" )
df[ df[ 'Births' ] == df[ 'Births' ] . max ( ) ]
The most popular name
df[ 'Births' ] [ 1 ]
155
df1 = df. copy( )
df1[ 'Births' ] [ 1 ] = 973
/home/dreamboy/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:3: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
This is separate from the ipykernel package so we can avoid doing imports until
df
Names Births 0 Bob 968 1 Jessica 155 2 Mary 77 3 John 578 4 Mel 973
df1
Names Births 0 Bob 968 1 Jessica 973 2 Mary 77 3 John 578 4 Mel 973
array = df1[ 'Names' ] [ df1[ 'Births' ] == df1[ 'Births' ] . max ( ) ] . values
array
array(['Jessica', 'Mel'], dtype=object)
array[ 0 ]
'Jessica'