Pandas初学笔记

前言

Pandas是建立在Numpy上的一个Python数据处理库，能够轻松处理带标签数据和关系数据。

creating, reading and writing

创建数据

用到的函数主要是DataFrame和Series

import pandas as pd

pd.DataFrame({'Bob': ['I liked it.', 'It was awful.'], 'Sue': ['Pretty good.', 'Bland.']})
##DataFrame 是表格，创建格式如上，输出如下图一，默认第一列是从0到n的整数

pd.DataFrame({'Bob': ['I liked it.', 'It was awful.'], 
              'Sue': ['Pretty good.', 'Bland.']},
             index=['Product A', 'Product B'])
##如果需要定义列标签，用index这个参数即可，如图二

##Series是个列表，与DataFrame类似，列标签通过变量index添加
pd.Series([1, 2, 3, 4, 5])
##输出
0    1
1    2
2    3
3    4
4    5
dtype: int64

pd.Series([30, 35, 40], index=['2015 Sales', '2016 Sales', '2017 Sales'], name='Product A')
##输出
2015 Sales    30
2016 Sales    35
2017 Sales    40
Name: Product A, dtype: int64

读取数据

一般用于读取的数据都是.csv格式，所以用函数 pd.read_csv() 来读取。

wine_reviews = pd.read_csv("../input/wine-reviews/winemag-data-130k-v2.csv")

##可以用shape函数来查看数据矩阵的大小，输出表示129971行，14列
wine_reviews.shape
##输出
(129971, 14)

##可以用head()函数来查看前5列
wine_reviews.head()

##有的csv文件自带第一列（索引），但是pandas有时并不能自动识别它，而是自动建立一个新的（索引），也就是之前提到过的从0到n的正整数。
## 遇到这种情况，解决方法如下，指定参数 index_col
wine_reviews = pd.read_csv("../input/wine-reviews/winemag-data-130k-v2.csv", index_col=0)

向文件中写入数据

animals = pd.DataFrame({'Cows': [12, 20], 'Goats': [22, 19]}, index=['Year 1', 'Year 2'])
animals.to_csv("cows_and_goats.csv")

Indexing, Selecting and Assigning

检索

在Python中，对列的索引很简单。如定义一个字符串矩阵 review ，它的第一行，也即表头，就是列的索引，每个值一般成为一个标签，假设其中一个标签为country。可以通过 review.country 来得到 country 这一列，或者 review[‘country’] 来得到。前者适用范围比后者小，如标签为 country size 的列，则不能通过 review.country size 来得到。
若要检索特定行列位置的数据，则通过 review[‘country’][0] 来索引，先列后行。
在pandas中，一般用函数 loc 和 iloc 来索引。其中 loc 常用于label-based selection ，即通过标签检索，这里的标签常常是字符串。 而 iloc 用于数字检索。
loc 和 iloc 另一个区别在于索引的范围。 在索引 1:10 时， loc 将会选择 0，1，2，……9，而 iloc 将会选择 0，1，2……9，10。之所以会有这样的区别，是因为 iloc 的使用场景经常是字符串，左右两边都闭的区间比较方便。原句引用如下：

Why the change? Remember that loc can index any stdlib type: strings, for example. If we have a DataFrame with index values Apples, …, Potatoes, …, and we want to select “all the alphabetical fruit choices between Apples and Potatoes”, then it’s a lot more convenient to index df.loc[‘Apples’:‘Potatoes’] than it is to index something like df.loc[‘Apples’, ‘Potatoet’] (t coming after s in the alphabet).

与Python相反，pandas 对于行的索引更加简单。
沿用上述例子，review.iloc[0] 索引得到的结果是第一行。即，对于pandas来说，先行后列。
若想索引得到第一列，则需要 review.iloc[:,0] ，表示所有行的第一个。

添加

增加新的行可以使用函数 set_index() ，如 review.set_index(‘title’) ，此操作是建立一个新的行，并且该行第一个位置赋值为字符串 ’title’ ，其余空缺。该行位于此矩阵的第一行。