pandas(数据框部分01)

作为从事数据相关工作的我们，平时接触的更多的是一张有板有眼的数据表格，在这里我们就叫作数据框。在Python中可以通过pandas模块的DataFrame函数构造数据框，而R语言则是data.frame创建数据框。接下来我们将对比Python和R语言如下几个方面的应用：

1、数据框的构造

在Python中,可以借助于列表、元组、字典进行手工构建数据框，我们用例子说明：

通过列表创建数据框

发现，这样创建数据框的话，没有变量名称。该如何创建的时候加上列名称呢？

是的，可以运用DataFrame函数中的columns参数给数据框的每列添加名称，如果你需要给行加上索引名称，你可以使用index参数。

通过字典创建数据框

发现输出结果中列名称顺序与构造时的数据不一致，这是因为字典并非是一种序列，而是一种特殊的键值对关系的对象。如果你需要按照指定的列顺序排列，仍然可以通过columns参数实现。

在R语言中，构造数据框的方法就相对单一一些了，只需要往data.frame函数传入向量对象即可。

2、数据的读入

在更多的场景下我们是读取外部数据，然后基于外部数据进行数据分析、可视化、数据挖掘等研究。这里跟大家介绍一下文本文件、电子表格和MySQL数据库的读取。

文本文件的读取

在pandas模块中有read_table和read_csv两个函数读取常见的文本文件，这里就以txt和csv文件为例，对比Python和R语言的读取。

read_table和read_csv两个函数都可以读文本文件数据，区别在于默认的sep参数不一致，read_table默认以制表符Tab键为字段间的间隔符，而read_csv默认以逗号为字段间的间隔符。

由于原始数据文件books.txt没有字段名称，故设置header=None，并用names参数给表字段加上名称，usecols则是设置读取原始数据的哪些列。下面再来看看使用read_table函数读取csv文件。

在R语言中，也有两个常用的函数read.table和read.csv函数读取txt和csv文件，不妨就用read.csv函数读取上面的co2.csv数据集：

电子表格的读取

pandas模块中read_excel函数可以非常方便的读取外部的xls和xlsx电子表格：

在R语言中，基础包就无法读取电子表格数据了，这里强烈推荐R的用户使用readxl包读取Excel文件。但需要注意的一点是，数据的路径一定不能包含中文，连文件名称也不可以。

MySQL数据库数据的读取

使用Python读取MySQL数据库，还需要结合pymysql模块一起使用。这里我们就在本地的MySQL创建一个数据集，并用Python和R实现数据库数据的读取。

在MySQL中创建数据

运用Python与MySQL创建连接,并读取数据；

运用R与MySQL创建连接,并读取数据（需要下载RMySQL包）；

3、数据的概览信息

外部数据读取到Python或R语言中，往往对数据需要做一些大概的了解，如最小值、最大值、平均值、各变量都是哪些数据类型、数据量如何等。我们来看看这些问题是如何解决的：

shape属性和columns属性返回数据集的行列数及变量名；

describe属性可以对数值型变量（include=['number']）和离散型变量（include=['object']）进行描述性

info属性则对数据集的变量类型进行简单的描述。

在R语言中，上面关于数据的概览信息，可以对应到如下的代码：

dim函数和names函数；

summary函数进行统计描述；

str函数对数据集的变量类型进行描述。

今天我们的内容就介绍到这边，欢迎大家拍砖。下期我们来聊聊pandas模块的数据框DataFrame第二部分。主要涉及变量、观测的筛选；变量的重命名；数据类型的变换；排序和数据集的去重。

往期从零开始学Python系列：

从零开始学Python【4】--pandas(序列部分)

从零开始学Python【4】--numpy

从零开始学Python【3】--控制流与自定义函数

从零开始学Python--数值计算及正则表达式

从零开始学Python--数据类型及结构

每天进步一点点2015

学习与分享，取长补短，关注小号！

长按识别二维码 马上关注