pandas是一个Python语言的软件包,在我们使用Python语言进行机器学习编程的时候,这是一个非常常用的基础编程库。本文是对它的一个入门教程。
pandas提供了快速,灵活和富有表现力的数据结构,目的是使“关系”或“标记”数据的工作既简单又直观。它旨在成为在Python中进行实际数据分析的高级构建块。
入门介绍
pandas适合于许多不同类型的数据,包括:
具有异构类型列的表格数据,例如SQL表格或Excel数据
有序和无序(不一定是固定频率)时间序列数据。
具有行列标签的任意矩阵数据(均匀类型或不同类型)
任何其他形式的观测/统计数据集。
由于这是一个Python语言的软件包,因此需要你的机器上首先需要具备Python语言的环境。关于这一点,请自行在网络上搜索获取方法。
关于如何获取pandas请参阅官网上的说明:pandas Installation。
通常情况下,我们可以通过pip来执行安装:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/da296d044d7f5d4899a62f99ff926af9.png)
或者通过conda 来安装pandas:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/2f775ebe570465034595025db7197ccb.png)
目前(2018年2月)pandas的最新版本是v0.22.0(发布时间:2017年12月29日)。
我已经将本文的源码和测试数据放到Github上: pandas_tutorial ,读者可以前往获取。
另外,pandas常常和NumPy一起使用,本文中的源码中也会用到NumPy。
建议读者先对NumPy有一定的熟悉再来学习pandas,我之前也写过一个NumPy的基础教程,参见这里:Python 机器学习库 NumPy 教程
核心数据结构
pandas最核心的就是Series和DataFrame两个数据结构。
这两种类型的数据结构对比如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/1d7cb9451af906a2e9226077c1b4c487.png)
DataFrame可以看做是Series的容器,即:一个DataFrame中可以包含若干个Series。
注:在0.20.0版本之前,还有一个三维的数据结构,名称为Panel。这也是pandas库取名的原因:pan(el)-da(ta)-s。但这种数据结构由于很少被使用到,因此已经被废弃了。
Series
由于Series是一维结构的数据,我们可以直接通过数组来创建这种数据,像这样:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/9f2fe44f1ba7266504692a52187fc9b2.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/9388b23ba9a179895b38ffbef8fc91a7.png)
这段输出说明如下:
输出的最后一行是Series中数据的类型,这里的数据都是int64类型的。
数据在第二列输出,第一列是数据的索引,在pandas中称之为Index。
我们可以分别打印出Series中的数据和索引:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/620ea8a872284b20bbf26b333aa62bbe.png)
这两行代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/620ea8a872284b20bbf26b333aa62bbe.png)
如果不指定(像上面这样),索引是[1, N-1]的形式。不过我们也可以在创建Series的时候指定索引。索引未必一定需要是整数,可以是任何类型的数据,例如字符串。例如我们以七个字母来映射七个音符。索引的目的是可以通过它来获取对应的数据,例如下面这样:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/d19dbc122bf4502dbfb68da84624d36f.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/408b2948213bf08db02e73bb84728f2f.png)
DataFrame
下面我们来看一下DataFrame的创建。我们可以通过NumPy的接口来创建一个4x4的矩阵,以此来创建一个DataFrame,像这样:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/20e8dfd7a1ccaba9481d52154d000c17.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/0f077c1fa2cbe1ca10bef72bf834baaa.png)
从这个输出我们可以看到,默认的索引和列名都是[0, N-1]的形式。
我们可以在创建DataFrame的时候指定列名和索引,像这样:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/5bdbfae66ad539dc7accb8a07dac2be0.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/d52c7577282a18ad25fa78a72f9836be.png)
我们也可以直接指定列数据来创建DataFrame:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/de4b29de4219d7baecd5fad92dddbd84.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/83e8e10a07fc345e7ca2f20f91de1fab.png)
请注意:
DataFrame的不同列可以是不同的数据类型
如果以Series数组来创建DataFrame,每个Series将成为一行,而不是一列
例如:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/5351431b4d4ec72de54ef6f75766ee00.png)
df4的输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/855f799dc23fbdb9f3dfbdde1854a1e7.png)
我们可以通过下面的形式给DataFrame添加或者删除列数据:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/3339097436918f5fc27666ca81436e86.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/c5aef05289d2e692cea6f865a25d036a.png)
Index对象与数据访问
pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候,标签的数组或者序列会被转换成Index。可以通过下面的方式获取到DataFrame的列和行的Index对象:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/a28f3ff914f530466117bf4ac3137a88.png)
这两行代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/df8cb70e73c84766291d0706ee8ea22b.png)
请注意:
Index并非集合,因此其中可以包含重复的数据
Index对象的值是不可以改变,因此可以通过它安全的访问数据
DataFrame提供了下面两个操作符来访问其中的数据:
loc:通过行和列的索引来访问数据
iloc:通过行和列的下标来访问数据
例如这样:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/236d7ced68969a3e987df329c8c9b403.png)
第一行代码访问了行索引为0和1,列索引为“note”的元素。第二行代码访问了行下标为0和1(对于df3来说,行索引和行下标刚好是一样的,所以这里都是0和1,但它们却是不同的含义),列下标为0的元素。
这两行代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/09fa4001eddc866b49d4abcc4eeb8070.png)
文件操作
pandas库提供了一系列的read_函数来读取各种格式的文件,它们如下所示:
read_csv
read_table
read_fwf
read_clipboard
read_excel
read_hdf
read_html
read_json
read_msgpack
read_pickle
read_sas
read_sql
read_stata
read_feather
读取Excel文件
注:要读取Excel文件,还需要安装另外一个库:xlrd
通过pip可以这样完成安装:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/41af645ffa70e7e908075dfe69f6de86.png)
安装完之后可以通过pip查看这个库的信息:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/e43eeaf7ef7e6b4be0bcb916aaaf1a81.png)
接下来我们看一个读取Excel的简单的例子:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/508a49f2c399bf9c2c14e07fbc1e66e3.png)
这个Excel的内容如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/d2ae503e0e3c8a87e077a82aa81f3adb.png)
注:本文的代码和数据文件可以通过文章开头提到的Github仓库获取。
读取CSV文件
下面,我们再来看读取CSV文件的例子。
第一个CSV文件内容如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/e8b73ab0f4287c91ce9da09e1df3d460.png)
读取的方式也很简单:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/16bbad6f4c5703d54ecd34de9b0a14d6.png)
我们再来看第2个例子,这个文件的内容如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/1700172f6962a97a87b5d75c2728dd1a.png)
严格的来说,这并不是一个CSV文件了,因为它的数据并不是通过逗号分隔的。在这种情况下,我们可以通过指定分隔符的方式来读取这个文件,像这样:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/7ce4ab3f89249d84cefecab3f544360f.png)
实际上,read_csv支持非常多的参数用来调整读取的参数,如下表所示:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/d2bc498e64b0a509e1cde759c40cb5d1.png)
详细的read_csv函数说明请参见这里:pandas.read_csv
处理无效值
现实世界并非完美,我们读取到的数据常常会带有一些无效值。如果没有处理好这些无效值,将对程序造成很大的干扰。
对待无效值,主要有两种处理方法:直接忽略这些无效值;或者将无效值替换成有效值。
下面我先创建一个包含无效值的数据结构。然后通过pandas.isna函数来确认哪些值是无效的:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/e266b0f20a6185fd476d477d12945045.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/f81fd6a6b9e5278475da419813c8c4bb.png)
忽略无效值
我们可以通过pandas.DataFrame.dropna函数抛弃无效值:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/b862b22c7f5f13578237c4b77ff7f928.png)
注:dropna默认不会改变原先的数据结构,而是返回了一个新的数据结构。如果想要直接更改数据本身,可以在调用这个函数的时候传递参数 inplace = True。
对于原先的结构,当无效值全部被抛弃之后,将不再是一个有效的DataFrame,因此这行代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/4ea9c2f0a33b1490504f0e1cf8e5ad76.png)
我们也可以选择抛弃整列都是无效值的那一列:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/06eef0c8d8f6c35d18ad1b71658ccd4d.png)
注:axis=1表示列的轴。how可以取值'any'或者'all',默认是前者。
这行代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/a3658fc60919bb47d5091183738fa29c.png)
替换无效值
我们也可以通过fillna函数将无效值替换成为有效值。像这样:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/6f2e7e47add371fd6acc72731efb1278.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/c606778931e0e390ba8103268ea377e8.png)
将无效值全部替换成同样的数据可能意义不大,因此我们可以指定不同的数据来进行填充。为了便于操作,在填充之前,我们可以先通过rename方法修改行和列的名称:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/29cf71854cb0f0c43515fe15ef1ea467.png)
这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/7a1ae1c7c69de312885ea36b2970a610.png)
处理字符串
数据中常常牵涉到字符串的处理,接下来我们就看看pandas对于字符串操作。
Series的str字段包含了一系列的函数用来处理字符串。并且,这些函数会自动处理无效值。
下面是一些实例,在第一组数据中,我们故意设置了一些包含空格字符串:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/cb706ee7ccce95c1cdf31b58de24e210.png)
在这个实例中我们看到了对于字符串strip的处理以及判断字符串本身是否是数字,这段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/76caca9b0738ac79d489a0006a26ddad.png)
下面是另外一些示例,展示了对于字符串大写,小写以及字符串长度的处理:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/d7adcc15928a1c9000d9d05a51db1299.png)
该段代码输出如下:
![640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/ca0fcb8d80f6d4360c1a1e1cfa652e8f.png)
结束语
本文是pandas的入门教程,因此我们只介绍了最基本的操作。更深入的内容,以后有机会我们再来一起学习。
读者也可以根据下面的链接获取更多的知识。
参考资料与推荐读物
pandas官方网站
Python for Data Analysis
Pandas Tutorial: Data analysis with Python: Part 1
https://pandas.pydata.org/
https://www.amazon.com/Python-Data-Analysis-Wrangling-IPython/dp/1491957662/
https://www.dataquest.io/blog/pandas-python-tutorial/
end
今日科技联播:报告显示网约车案发率低于传统出租车;刘强东性侵案已移交美国检方
更多精彩