今天开始进入Python数据分析工具的教程。
数据分析绝对绕不过的三个包是numpy、scipy和pandas。numpy是Python的数值计算扩展,专门用来处理矩阵,它的运算效率比列表更高效。scipy是基于numpy的科学计算包,包括统计、线性代数等工具。pandas是基于numpy的数据分析工具,能更方便的操作大型数据集。后续的章节主要围绕pandas讲解。
numpy和pandas
numpy的数据结构是n维的数组对象,叫做ndarray。Python的list虽然也能表示,但是不高效,随着列表数据的增加,效率会降低。
我们首先载入numpy包,因为它是第三方工具,所以每次使用前必须在代码中载入。as是命名为别名,方便调用,np是numpy约定俗成的简写。
创建数组使用numpy中的array函数,新手要记住加np。我们将系统自带的列表list转换成了numpy中的数组。
嵌套列表会被转换为一个多维数组,它也可以被称为矩阵。
array数组需要注意的是,它内部的元素必须为相同类型,比如数值或者字符串。可以用dtype查询其类型,不用加括号。
numpy的数据类型比较丰富,包括int8,int16,int32等,不过这块更接近计算机底层,数据分析用不太到。当我们想转换数据格式时,可以用astype函数。
数组的计算非常方便,不要大量的循环即可批量运算。
数组索引和列表相同,通过方括号和数字即可选择,也可直接赋值。
可以通过递归对多维数组进行筛选,如果省略了后面的索引,则返回次一级的维度,这一点和list一样。
numpy除了上述的基础操作之外,还有reshape、T转置、ufunc、sort等函数,功能强大,大家可以自行查阅文档学习,这里我不再花费时间讲解。对于数据分析师,pandas是一个更常用的包,在抽象概念上它更接近我们熟悉的excel和sql,也是最主要的分析工具。
pandas有两个主要的数据结构,Series和DataFrame,记住大小写区分,后续使用中不多提醒。Series类似于一维数组,和numpy的array接近,由一组数据和数据标签组成。数据标签有索引的作用。
加载pandas包,通过Series函数生成一个对象。我们很明显地看到,在jupyter上它的样式不同于array,它是竖着的。右边是我们输入的一组数据,左边是数据的索引,即标签。数据标签是pandas区分于numpy的重要特征。
索引不一定是从0开始的数字,它可以被定义。
索引的概念有点像SQL的主键,不过它的功能更强大,分析师能够很轻松的通过索引选取一个数据或者一组数据。
index函数可以显示Series的索引。Series和array一样,通过方括号选取数据,当要选取多个数据时,应该用列表表示多个索引,所以第三个案例嵌套了两层方括号。
如果数据是一个字典,也能直接通过这个字典创建Series。
此时,字典的key就是Series的索引
Series有自动对齐索引的功能,当自定义的索引qinqin和字典队员不上时,会自动选择NaN,即结果为空,表示缺失。缺失值的处理会在后续讲解。
DataFrame
Series是一维的数据结构,DataFrame是一个表格型的数据结构,它含有不同的列,每列都是不同的数据类型。我们可以把DataFrame看作Series组成的字典,它既有行索引也有列索引。想象得更明白一点,它类似一张excel表格或者SQL,只是功能更强大。
构建DataFrame的方法有很多,最常用的是传入一个字典。
DataFrame会自动补充索引,并且将字典的key作为列标签,即column。在这里,dict的key顺序是DataFame的顺序,不再是无序的。
DataFrame中可以通过info函数直接查看数据类型和统计。
列名后面是列的非空值统计量,以及数据类型,最后一行是DataFrame占用的内存大小,对于pandas来说,千万行几百兆的数据也是不再话下的。
DataFrame的数据类型变更和numpy一样,用astype就行,记住要赋值。df.age = df.age.astype,图上只是举例,没有真的更改数据类型。
DataFrame的索引方式和Series一样,它选取的是列。
返回的是一组Series,索引和原DataFrame一致。除了方括号选取,DataFrame还有更简单的选取方法。
行也可以通过通过位置获取,用索引字段ix的方式。
第二个方法不需要调用ix,直接以切片的形式获取行,切片的用啊和数组一样。记住,切片无法用单独的数字选取,只能用冒号切选范围。
列可以通过赋值的方式修改和添加,当列的名称是全新,则会在DataFrame的最右边自动加上新的一列。
列表和数组都可以赋值到列,长度必须匹配,列表是按照顺序,数组的话,可以按index参数设置的索引对应,若为空,则填上缺失值。
DataFrame的index不可更改,这是为了数据的安全性,但我们能通过index函数获取详情。
DataFrame在数据选取上面非常强大。
它支持常用的逻辑判断,例子中,后两种数据选取是通过布尔数组过滤出我们想要的结果。
df.sex == '男’返回了一个布尔数组(记住,是两个等号,一个等号是赋值),然后通过布尔数组找出df中符合条件为true的结果。
现在我们希望找出年龄在20以下,且性别为男的人。
这里用到布尔类型数据的计算公式,true and true 为true,false and true 为false。pandas中的逻辑符号,并且是&,或者是|。接下来过滤出性别为女,或者年龄为18的人。
当逻辑条件复杂时,这种写法并不优雅,比如性别为男,且年龄在18岁,以及性别为女,且年龄在18岁以上的两类人群,这种过滤条件就比较复杂了。pandas中可以用query函数以类SQL语言执行查询。
query中可以直接使用列名,它的功能远不至于此,大家有兴趣可以深入学习。
DataFrame可以直接在列上进行运算,当DataFrame和DataFrame之间运算时,按索引进行加减乘除。
如果直接用加法,若列名匹配不上,会产生NaN 的缺失值,我们可以在后续后续fillna函数填充。另外一种方法是add函数,它可以直接通过参数选择填充值。减乘除对应sub、mul、div。
DataFrame还有两个常用函数,又特别容易搞混的是,iloc和loc。
它们都是通过索引选取行,iloc是通过所在行的数字为索引,loc是所在行的标签为索引,简单讲,iloc是第几行,loc是标签。当索引没有标签时,loc和iloc等价。两者支持冒号的范围选择。
上文提到的过的ix,则是两者的混合,即可以行号,也可以行索引。
当行和列需要同时选择的时候,用逗号分割,逗号前是想要选择的行,逗号后是想要选择的列。
完整形式是ix[ 行1:行2, 列1:列2 ],iloc和loc也支持行列同时选择,方法一样。新人接触这几块比较容易混淆。后续联系即可掌握。
大家如果想加深掌握这块,除了敲一遍代码,可以阅读「利用Python进行数据分析」,很经典的入门书(部分内容有点老)。也可以多拿工作中的报表做练习。
到这里,numpy和pandas的基础就讲解的差不多了,更深入的应用,还是用实战解决吧!下一章,将会用大家已经很熟悉的练习数据,以实际操作的方式完成一次数据分析。
转自:numpy和pandas入门 - 秦路的文章 - 知乎
https://zhuanlan.zhihu.com/p/27624814