一.文件的读写
本文章是DataWhale组队学习pandas的记录。
数据获取地址
1.文件的读取
pandas可以读取的文件格式有很多,这里主要介绍读取csv, excel, txt文件。
df_csv = pd.read_csv('../data/my_csv.csv') # 读取csv文件
df_csv
df_txt = pd.read_table('../data/my_table.txt') # 读取txt文件
df_txt
df_excel = pd.read_excel('../data/my_excel.xlsx') # 读取excel文件
df_excel
header=None表示第一行不作为列名
例如df_csv如下:
pd.read_table('../data/my_csv.csv', header=None)
将原先的列名也变为了数据。
2.数据的写入
一般在数据写入中,最常用的操作是把index设置为False,特别当索引没有特殊意义的时候,这样的行为能把索引在保存的时候去除。
df_csv.to_csv('../data/my_csv_saved.csv', index=False)
如果想要把表格快速转换为markdown和latex语言,可以使用to_markdown和to_latex函数,此处需要安装tabulate包。
print(df_csv.to_markdown())
二.基本数据结构
pandas中具有两种基本的数据存储结构,存储一维values的Series和存储二维values的DataFrame,在这两种结构上定义了很多的属性和方法。
1.Series
Series一般由四个部分组成,分别是序列的值data、索引index、存储类型dtype、序列的名字name。其中,索引也可以指定它的名字,默认为空。
s = pd.Series(data=[22,'yj','{dict1:yx}'],
index = pd.Index(['id1',20,'third'],name='my_idx'),
dtype = 'object',
name = 'my_name')
s
s.values # ---> array([22, 'yj', '{dict1:yx}'], dtype=object)
s.index # ---> Index(['id1', 20, 'third'], dtype='object', name='my_idx')
s.dtype # ---> dtype('O')
s.name # ---> 'my_name'
利用.shape可以获取序列的长度:
s.shape # ----> (3,)
2.DataFrame
data = [[1, 'a', 1.2], [2, 'b', 2.2], [3, 'c', 3.2]]
df = pd.DataFrame(data = data,
index = ['row_%d'%i for i in range(3)],
columns=['col_0', 'col_1', 'col_2'])
df
但一般而言,更多的时候会采用从列索引名到数据的映射来构造数据框,同时再加上行索引:
df = pd.DataFrame(data = {'col_0': [1,2,3],
'col_1':list('abc'),
'col_2': [1.2, 2.2, 3.2]},
index = ['row_%d'%i for i in range(3)])
df
由于这种映射关系,在DataFrame中可以用[col_name]与[col_list]来取出相应的列与由多个列组成的表,结果分别为Series和DataFrame:
df['col_2']
df[['col_0', 'col_1']]
与Series类似,在数据框中同样可以取出相应的属性:
df.values
#array([[1, 'a', 1.2],
# [2, 'b', 2.2],
# [3, 'c', 3.2]], dtype=object)
df.index # --->Index(['row_0', 'row_1', 'row_2'], dtype='object')
df.columns # ---> Index(['col_0', 'col_1', 'col_2'], dtype='object')
df.shape # ---> (3,3)
通过.T可以把DataFrame进行转置:
df.T
三、常用基本函数
为了进行举例说明,在接下来的部分和其余章节都将会使用一份learn_pandas.csv的虚拟数据集,它记录了四所学校学生的体测个人信息。 (共200个学生的数据)
df = pd.read_csv('../data/learn_pandas.csv')
df.columns
上述列名依次代表学校、年级、姓名、性别、身高、体重、是否为转系生、体测场次、测试时间、1000米成绩,只需使用其中的前七列。
df = df[df.columns[:7]]
df
1. 汇总函数
head, tail函数分别表示返回表或者序列的前n行和后n行,其中n默认为5:
df.head(2)
df.tail(3)
info, describe分别返回表的信息概况和表中数值列对应的主要统计量 :
df.info()
df.describe()
2. 特征统计函数
在Series和DataFrame上定义了许多统计函数,最常见的是sum, mean, median, var, std, max, min。例如,选出身高和体重列进行演示:
df_demo = df[['Height', 'Weight']]
df_demo.mean()
df_demo.max()
此外,需要介绍的是quantile, count, idxmax这三个函数,它们分别返回的是分位数、非缺失值个数、最大值对应的索引:
df_demo.quantile(0.75)
df_demo.count()
df_demo.idxmax() # idxmin是对应的函数
上面这些所有的函数,由于操作后返回的是标量,所以又称为聚合函数,它们有一个公共参数axis,默认为0代表逐列聚合,如果设置为1则表示逐行聚合:
df_demo.mean(axis=1).head() # 在这个数据集上体重和身高的均值并没有意义
(158.9+46)/ 2 = 102.45
3. 唯一值函数
对序列使用unique和nunique可以分别得到其唯一值组成的列表和唯一值的个数:
df['School'].unique()
df['School'].nunique() # ---> 4
value_counts可以得到唯一值和其对应出现的频数:
df['School'].value_counts()
如果想要观察多个列组合的唯一值,可以使用drop_duplicates。其中的关键参数是keep,默认值first表示每个组合保留第一次出现的所在行,last表示保留最后一次出现的所在行,False表示把所有重复组合所在的行剔除。
df_demo = df[['Gender','Transfer','Name']]
df_demo.drop_duplicates(['Gender', 'Transfer'])
df_demo.drop_duplicates(['Gender', 'Transfer'], keep='last')
df_demo.drop_duplicates(['Name', 'Gender'], keep=False).head() # 保留只出现过一次的性别和姓名组合
df['School'].drop_duplicates() # 在Series上也可以使用
此外,duplicated和drop_duplicates的功能类似,但前者返回了是否为唯一值的布尔列表,其keep参数与后者一致。其返回的序列,把重复元素设为True,否则为False。 drop_duplicates等价于把duplicated为True的对应行剔除。
df_demo.duplicated(['Gender', 'Transfer']).head()
df['School'].duplicated().head() # 在Series上也可以使用
4. 替换函数
一般而言,替换操作是针对某一个列进行的,因此下面的例子都以Series举例。pandas中的替换函数可以归纳为三类:映射替换、逻辑替换、数值替换。
在replace中,可以通过字典构造,或者传入两个列表来进行替换:
df['Gender'].replace({'Female':0, 'Male':1}).head()
df['Gender'].replace(['Female', 'Male'], [0, 1]).head()
逻辑替换包括了where和mask,这两个函数是完全对称的:where函数在传入条件为False的对应行进行替换,而mask在传入条件为True的对应行进行替换,当不指定替换值时,替换为缺失值。
s = pd.Series([-1, 1.2345, 100, -50])
s.where(s<0)
s.where(s<0, 100)
s.mask(s<0)
s.mask(s<0, -50)
数值替换包含了round, abs, clip
方法,它们分别表示取整、取绝对值和截断:
s = pd.Series([-1, 1.2345, 100, -50])
s.round(2)
s.abs()
s.clip(0, 2) # 前两个数分别表示上下截断边界
5. 排序函数
排序共有两种方式,其一为值排序,其二为索引排序,对应的函数是sort_values和sort_index。
为了演示排序函数,下面先利用set_index方法把年级和姓名两列作为索引.
df_demo = df[['Grade', 'Name', 'Height', 'Weight']].set_index(['Grade','Name'])
df_demo.head(3)
对身高进行排序,默认参数ascending=True为升序:
df_demo.sort_values('Height').head()
df_demo.sort_values('Height', ascending=False).head()
在排序中,进场遇到多列排序的问题,比如在体重相同的情况下,对身高进行排序,并且保持身高降序排列,体重升序排列:
df_demo.sort_values(['Weight','Height'],ascending=[True,False]).head()
6. apply方法
apply方法常用于DataFrame的行迭代或者列迭代,它的axis含义与第2小节中的统计聚合函数一致,apply的参数往往是一个以序列为输入的函数。例如对于.mean(),使用apply可以如下地写出:
df_demo = df[['Height', 'Weight']]
def my_mean(x):
res = x.mean()
return res
df_demo.apply(my_mean)
同样的,可以利用lambda表达式使得书写简洁,这里的x就指代被调用的df_demo表中逐个输入的序列:
df_demo.apply(lambda x:x.mean())
若指定axis=1,那么每次传入函数的就是行元素组成的Series,其结果与之前的逐行均值结果一致。
df_demo.apply(lambda x:x.mean(), axis=1).head()
这里再举一个例子:mad函数返回的是一个序列中偏离该序列均值的绝对值大小的均值,例如序列1,3,7,10中,均值为5.25,每一个元素偏离的绝对值为4.25,2.25,1.75,4.75,这个偏离序列的均值为3.25。现在利用apply计算升高和体重的mad指标:
df_demo.apply(lambda x:(x-x.mean()).abs().mean())
这与使用内置的mad函数计算结果一致:
df_demo.mad()
四、窗口对象
pandas中有3类窗口,分别是滑动窗口rolling、扩张窗口expanding以及指数加权窗口ewm。
1. 滑窗对象
要使用滑窗函数,就必须先要对一个序列使用.rolling得到滑窗对象,其最重要的参数为窗口大小window。
s = pd.Series([1,2,3,4,5])
roller = s.rolling(window = 3)
roller
在得到了滑窗对象后,能够使用相应的聚合函数进行计算,需要注意的是窗口包含当前行所在的元素,例如在第四个位置进行均值运算时,应当计算(2+3+4)/3,而不是(1+2+3)/3:
roller.mean()
roller.sum()
对于滑动相关系数或滑动协方差的计算,可以如下写出:
s2 = pd.Series([1,2,6,16,30])
roller.cov(s2)
roller.corr(s2)
此外,还支持使用apply传入自定义函数,其传入值是对应窗口的Series,例如上述的均值函数可以等效表示:
roller.apply(lambda x:x.mean())
shift, diff, pct_change是一组类滑窗函数,它们的公共参数为periods=n,默认为1,分别表示取向前第n个元素的值、与向前第n个元素做差(与Numpy中不同,后者表示n阶差分)、与向前第n个元素相比计算增长率。这里的n可以为负,表示反方向的类似操作。
s = pd.Series([1,3,6,10,15])
s.shift(2)
s.diff(3)
s.pct_change()
2. 扩张窗口
扩张窗口又称累计窗口,可以理解为一个动态长度的窗口,其窗口的大小就是从序列开始处到具体操作的对应位置,其使用的聚合函数会作用于这些逐步扩张的窗口上。具体地说,设序列为a1, a2, a3, a4,则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。
s = pd.Series([1, 3, 6, 10])
s.expanding().mean()