Pandas 初体验

第1关：了解数据处理对象--Series

任务描述

本关任务：仔细阅读编程要求，完成相关要求。

相关知识

为了完成本关任务，你需要掌握：

1. Pandas 中的数据结构；
2. 了解 Series。

Pandas 是为了解决数据分析任务而创建的，纳入了大量的库和标准数据模型，提供了高效地操作大型数据集所需的工具。 对于 Pandas 包，在 Python 中常见的导入方法如下：

1. from pandas import Series,DataFrame
2. import pandas as pd

Pandas 中的数据结构

• Series: 一维数组，类似于 Python 中的基本数据结构 list，区别是 Series 只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。就像数据库中的列数据；
• DataFrame: 二维的表格型数据结构。很多功能与 R 中的 data.frame 类似。可以将 DataFrame 理解为 Series 的容器；
• Panel：三维的数组，可以理解为 DataFrame 的容器。

了解 Series

为了开始使用 Pandas，我们必需熟悉它的两个重要的数据结构： Series 和 DataFrame。虽然它们不是每一个问题的通用解决方案，但可以提供一个坚实的，易于使用的大多数应用程序的基础。 Series 是一个一维的类似的数组对象，包含一个数组的数据（任何 NumPy 的数据类型）和一个与数组关联的数据标签，被叫做索引 。最简单的 Series 是由一个数组的数据构成：

1. In [1]:obj=Series([4,7,-5,3])
2. In [2]:obj
3. Out[2]:
4. 0 4
5. 1 7
6. 2 -5
7. 3 3

Series 的交互式显示的字符串表示形式是索引在左边，值在右边。因为我们没有给数据指定索引，一个包含整数 0 到 N-1 这里 N 是数据的长度）的默认索引被创建。你可以分别的通过它的 values 和 index 属性来获取 Series 的数组表示和索引对象：

1. In [3]: obj.values
2. Out[3]:array([4,7,-5,3])
3. In [4]: obj.index
4. Out[4]:Int64Index([0,1,2,3])

通常，需要创建一个带有索引来确定每一个数据点的 Series。

1. In [5]:obj2=Series([4,7,-5,3],index=['d','b','a','c'])
2. In [6]:obj2
3. Out[6]:
4. d 4
5. b 7
6. a -5
7. c 3

如果你有一些数据在一个 Python 字典中，你可以通过传递字典来从这些数据创建一个 Series，只传递一个字典的时候，结果 Series 中的索引将是排序后的字典的键。

1. In [7]:sdata={'Ohio':35000,'Texas':71000,'Oregon':16000,'Utah':5000}
2. In [8]:obj3=Series(sdata)
3. In [9]:obj3
4. Out[9]:
5. Ohio 35000
6. Texas 71000
7. Oregon 16000
8. Utah 5000

编程要求

根据提示，在右侧编辑器 Begin-End 内补充代码：

• 创建一个名为 series_a 的 series 数组，当中值为 [1,2,5,7],对应的索引为 ['nu', 'li', 'xue', 'xi']；

• 创建一个名为 dict_a 的字典，字典中包含如下内容 {'ting':1, 'shuo':2, 'du':32, 'xie':44}；

• 将 dict_a 字典转化成名为 series_b 的 series 数组。

测试说明

• 如果答案正确，则会输出 True。

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd

def create_series():
    '''
    返回值:
    series_a: 一个Series类型数据
    series_b: 一个Series类型数据
    dict_a：  一个字典类型数据
    '''
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    series_a=Series([1,2,5,7],index=['nu', 'li', 'xue', 'xi'])
    dict_a={'ting':1, 'shuo':2, 'du':32, 'xie':44}
    series_b=Series(dict_a)
    # ********** End **********#
    # 返回series_a,dict_a,series_b
    return series_a,dict_a,series_b

第2关：了解数据处理对象-DataFrame

任务描述

本关任务：根据编程要求，完成相关代码的编写。

相关知识

为了完成本关任务，你需要掌握：

1. DataFrame 创建；
2. 修改行名；
3. 添加修改；
4. 添加 Series 类型；
5. 添加新列。

DataFrame 是一个表格型的数据结构，是以一个或多个二维块存放的数据表格（层次化索引），DataFrame 既有行索引还有列索引，它有一组有序的列，每列既可以是不同类型（数值、字符串、布尔型）的数据，或者可以看做由 Series 组成的字典。

DataFrame 创建

1. dictionary = {'state':['0hio','0hio','0hio','Nevada','Nevada'],
2. 'year':[2000,2001,2002,2001,2002],
3. 'pop':[1.5,1.7,3.6,2.4,2.9]}
4. frame = DataFrame(dictionary)

修改行名

1. frame=DataFrame(dictionary,index=['one','two','three','four','five'])

添加修改

1. frame['add']=[0,0,0,0,0]

添加 Series 类型

1. value = Series([1,3,1,4,6,8],index = [0,1,2,3,4,5])
2. frame['add1'] = value

添加新列

1. 1、直接在后面新增一列
2. 指明列名，并赋值即可：
3. data[‘列名’]=[1,2]
5. 2、在指定位置新增一列
6. 用insert()函数，data.insert(位置,列名,列值)，例如：
7. data.insert(2,‘c’,’’)

编程要求

根据提示，在右侧编辑器 Begin-End 内补充代码：

• 创建一个五行三列的名为 df1 的 DataFrame 数组，列名为 [states,years,pops]，行名 ['one','two','three','four','five']；

• 给 df1 添加新列，列名为 new_add，值为 [7,4,5,8,2]。

测试说明

如果答案正确，则会输出 True。

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd

def create_dataframe():
    '''
    返回值:
    df1: 一个DataFrame类型数据
    '''
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    dictionary={'states':['','','','',''],
            'years':['','','','',''],
            'pops':['','','','','']}
    df1=DataFrame(dictionary)
    df1=DataFrame(dictionary,index=['one','two','three','four','five'])
    df1['new_add']=[7,4,5,8,2]
    # ********** End **********#
    #返回df1
    return df1

第3关：读取 CSV 格式数据

任务描述

本关任务：根据编程要求，完成相关代码的编写。

相关知识

为了完成本关任务，你需要掌握：

1. 读取 CSV；
2. 查看前 n 行；
3. 查看后 n 行；
4. 查看总行数；
5. 修改列名。

在使用机器学习工具包对数据进行修改、探索和分析之前，我们必须先讲外部数据导入。使用 Pandas 导入数据比 Numpy 要容易。在这里我们将使用英国降雨数据，数据已下好并放在本实训的当前文件夹。

读取 CSV

1. # Reading a csv into Pandas.
2. # 如果数据集中有中文的话，最好在里面加上 encoding = 'gbk' ，以避免乱码问题。后面的导出数据的时候也一样。
3. df = pd.read_csv('uk_rain_2014.csv', header=0)

这里我们从 csv 文件里导入了数据，并储存在 DataFrame 中。这一步非常简单，你只需要调用 read_csv 然后将文件的路径传进去就行了。header 关键字告诉 Pandas 哪些是数据的列名。如果没有列名的话就将它设定为 None。 数据导入 pandas 之后，我们该怎么查看数据呢？

查看前 n 行

1. # Getting first x rows.
2. df.head(5)

查看后 n 行

1. # Getting last x rows.
2. df.tail(5)

查看总行数

1. # Finding out how many rows dataset has.
2. len(df)

修改列名

我们通常使用列的名字来在 Pandas 中查找列。这一点很好而且易于使用，但是有时列名太长，我们需要缩短列名。

1. # Changing column labels.
2. df.columns = ['water_year','rain_octsep','outflow_octsep','rain_decfeb', 'outflow_decfeb', 'rain_junaug', 'outflow_junaug']

编程要求

根据提示，在右侧编辑器 Begin-End 内补充代码：

• 将 test3/uk_rain_2014.csv 中的数据导入到 df1 中；

• 将列名修改为 ['water_year','rain_octsep','outflow_octsep','rain_decfeb', 'outflow_decfeb', 'rain_junaug', 'outflow_junaug']；

• 计算 df1 的总行数并存储在 length1 中。

测试说明

如果答案正确，则会输出 True。

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd
def read_csv_data():
    '''
    返回值:
    df1: 一个DataFrame类型数据
    length1: 一个int类型数据
    '''
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    df1=pd.read_csv('test3/uk_rain_2014.csv', header=0)
    df1.columns=['water_year','rain_octsep','outflow_octsep','rain_decfeb', 
                'outflow_decfeb', 'rain_junaug', 'outflow_junaug']
    length1=len(df1)
    # ********** End **********#
    #返回df1,length1
    return df1,length1

第4关：数据的基本操作——排序

任务描述

本关任务：根据编程要求，完成相关代码的编写。

相关知识

为了完成本关任务，你需要掌握：

1. 对索引进行排序；
2. 按行排序；
3. 按值排序。

本关我们将学习处理 Series 和 DataFrame 中的数据的基本手段，我们将会探讨 Pandas 最为重要的一些功能。

对索引进行排序

Series 用 sort_index() 按索引排序，sort_values() 按值排序； DataFrame 也是用 sort_index() 和 sort_values()。

1. In[73]: obj = Series(range(4), index=['d','a','b','c'])
2. In[74]: obj.sort_index()
3. Out[74]:
4. a 1
5. b 2
6. c 3
7. d 0
8. dtype: int64
10. In[78]: frame = DataFrame(np.arange(8).reshape((2,4)),index=['three', 'one'],columns=['d','a','b','c'])
11. In[79]: frame
12. Out[79]:
13. d a b c
14. three 0 1 2 3
15. one 4 5 6 7
17. In[86]: frame.sort_index()
18. Out[86]:
19. d a b c
20. one 4 5 6 7
21. three 0 1 2 3

按行排序

1. In[89]: frame.sort_index(axis=1, ascending=False)
2. Out[89]:
3. d c b a
4. three 0 3 2 1
5. one 4 7 6 5

按值排序

Series:

1. In[92]: obj = Series([4, 7, -3, 2])
2. In[94]: obj.sort_values()
3. Out[94]:
4. 2 -3
5. 3 2
6. 0 4
7. 1 7
8. dtype: int64

DataFrame:

1. In[95]: frame = DataFrame({'b':[4, 7, -3, 2], 'a':[0, 1, 0, 1]})
2. In[97]: frame.sort_values(by='b') #DataFrame必须传一个by参数表示要排序的列
3. Out[97]:
4. a b
5. 2 0 -3
6. 3 1 2
7. 0 0 4
8. 1 1 7

编程要求

根据提示，在右侧编辑器 Begin-End 内补充代码：

• 对代码中 s1 进行按索引排序，并将结果存储到 s2；

• 对代码中 d1 进行按值排序（index 为 f），并将结果存储到 d2。

测试说明

如果答案正确，则会输出 True。

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd
def sort_gate():
    '''
    返回值:
    s2: 一个Series类型数据
    d2: 一个DataFrame类型数据
    '''

    # s1是Series类型数据，d1是DataFrame类型数据
    s1 = Series([4, 3, 7, 2, 8], index=['z', 'y', 'j', 'i', 'e'])
    d1 = DataFrame({'e': [4, 2, 6, 1], 'f': [0, 5, 4, 2]})
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    s2=s1.sort_index()
    d2=d1.sort_values(by='f')
    # ********** End **********#
    #返回s2,d2
    return s2,d2

第5关：数据的基本操作——删除

任务描述

本关任务：根据编程要求，完成相关代码的编写。

相关知识

为了完成本关任务，你需要掌握：删除指定轴上的项。

删除指定轴上的项

即删除 Series 的元素或 DataFrame 的某一行（列）的意思，我们可以通过对象的 drop(labels, axis=0) 方法实现此功能。

删除 Series 的一个元素：

1. In[11]: ser = Series([4.5,7.2,-5.3,3.6], index=['d','b','a','c'])
2. In[13]: ser.drop('c')
3. Out[13]:
4. d 4.5
5. b 7.2
6. a -5.3
7. dtype: float64

删除 DataFrame 的行或列：

1. In[17]: df = DataFrame(np.arange(9).reshape(3,3), index=['a','c','d'], columns=['oh','te','ca'])
2. In[18]: df
3. Out[18]:
4. oh te ca
5. a 0 1 2
6. c 3 4 5
7. d 6 7 8
9. In[19]: df.drop('a')
10. Out[19]:
11. oh te ca
12. c 3 4 5
13. d 6 7 8
15. In[20]: df.drop(['oh','te'],axis=1)
16. Out[20]:
17. ca
18. a 2
19. c 5
20. d 8

需要注意的是 drop() 返回的是一个新对象，原对象不会被改变。

编程要求

根据提示，在右侧编辑器 Begin-End 内补充代码：

• 在 s1 中删除 z 行，并赋值到 s2；

• d1 中删除 yy 列，并赋值到 d2。

测试说明

如果答案正确，则会输出 True。

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import numpy as np
import  pandas as pd

def delete_data():
    '''
    返回值:
    s2: 一个Series类型数据
    d2: 一个DataFrame类型数据
    '''

    # s1是Series类型数据，d1是DataFrame类型数据
    s1 = Series([5, 2, 4, 1], index=['v', 'x', 'y', 'z'])
    d1=DataFrame(np.arange(9).reshape(3,3), columns=['xx','yy','zz'])
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    s2=s1.drop('z')
    d2=d1.drop(['yy'],axis=1)
    # ********** End **********#
    # 返回s2,d2
    return s2, d2

第6关：数据的基本操作——算术运算

任务描述

本关任务：根据编程要求，完成相关代码的编写。

相关知识

为了完成本关任务，你需要掌握：算术运算（+，-，*，/）。

算术运算（+，-，*，/）

DataFrame 中的算术运算是 df 中对应位置的元素的算术运算，如果没有共同的元素，则用 NaN 代替。

1. In[5]: df1 = DataFrame(np.arange(12.).reshape((3,4)),columns=list('abcd'))
2. In[6]: df2 = DataFrame(np.arange(20.).reshape((4,5)),columns=list('abcde'))
3. In[9]: df1+df2
4. Out[9]:
5. a b c d e
6. 0 0 2 4 6 NaN
7. 1 9 11 13 15 NaN
8. 2 18 20 22 24 NaN
9. 3 NaN NaN NaN NaN NaN

此外，如果我们想设置默认的其他填充值，而非 NaN 的话，可以传入填充值。

1. In[11]: df1.add(df2, fill_value=0)
2. Out[11]:
3. a b c d e
4. 0 0 2 4 6 4
5. 1 9 11 13 15 9
6. 2 18 20 22 24 14
7. 3 15 16 17 18 19

编程要求

根据提示，在右侧编辑器 Begin-End 内补充代码：

• 让 df1 与 df2 相加得到 df3，并设置默认填充值为 4。

测试说明

如果答案正确，则会输出 True。

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import numpy as np
import  pandas as pd

def add_way():
    '''
    返回值:
    df3: 一个DataFrame类型数据
    '''

    # df1,df2是DataFrame类型数据
    df1 = DataFrame(np.arange(12.).reshape((3, 4)), columns=list('abcd'))
    df2 = DataFrame(np.arange(20.).reshape((4, 5)), columns=list('abcde'))

    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    df3=df1.add(df2,fill_value=4)
    # ********** End **********#
    # 返回df3
    return df3

第7关：数据的基本操作——去重

任务描述

本关任务：根据编程要求，完成相关代码的编写。

相关知识

为了完成本关任务，你需要掌握：

1. duplicated()；
2. drop_duplicates()。

duplicated()

DataFrame 的 duplicated 方法返回一个布尔型 Series，表示各行是否是重复行。具体用法如下：

1. In[1]: df = DataFrame({'k1':['one']*3 + ['two']*4, 'k2':[1,1,2,3,3,4,4]})
3. In[2]: df
4. Out[2]:
5. k1 k2
6. 0 one 1
7. 1 one 1
8. 2 one 2
9. 3 two 3
10. 4 two 3
11. 5 two 4
12. 6 two 4
14. In[3]: df.duplicated()
15. Out[3]:
16. 0 False
17. 1 True
18. 2 False
19. 3 False
20. 4 True
21. 5 False
22. 6 True
23. dtype: bool

drop_duplicates()

drop_duplicates() 用于去除重复的行数，具体用法如下：

1. In[4]: df.drop_duplicates()
2. Out[4]:
3. k1 k2
4. 0 one 1
5. 2 one 2
6. 3 two 3
7. 5 two 4

编程要求

根据提示，在右侧编辑器 Begin-End 内补充代码:

• 去除 df1 中重复的行，并把结果保存到 df2 中。

测试说明

如果答案正确，则会输出 True。

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd

def delete_duplicated():
    '''
    返回值:
    df2: 一个DataFrame类型数据
    '''

    # df1是DataFrame类型数据
    df1 = DataFrame({'k1': ['one'] * 3 + ['two'] * 4, 'k2': [1, 1, 2, 3, 3, 4, 4]})
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    df2=df1.drop_duplicates()
    # ********** End **********#
    # 返回df2
    return df2

第8关：数据重塑

任务描述

本关任务：根据编程要求，完成相关代码的编写。

相关知识

为了完成本关任务，你需要掌握：

1. 层次化索引；
2. 索引方式；
3. 内层选取；
4. 数据重塑。

层次化索引

层次化索引(hierarchical indexing)是 pandas 的一项重要功能，它使我们能在一个轴上拥有多个（两个以上）索引级别。请看以下例子：

1. In[1]:data = Series(np.random.randn(10), index = [['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'd', 'd' ],[1,2,3,1,2,3,1,2,2,3]])
2. In[2]:data
3. Out[2]:
4. a 1 0.169239
5. 2 0.689271
6. 3 0.879309
7. b 1 -0.699176
8. 2 0.260446
9. 3 -0.321751
10. c 1 0.893105
11. 2 0.757505
12. d 2 -1.223344
13. 3 -0.802812
14. dtype: float64

索引方式

1. In[3]:data['b':'d']
2. Out[3]:
3. b 1 -0.699176
4. 2 0.260446
5. 3 -0.321751
6. c 1 0.893105
7. 2 0.757505
8. d 2 -1.223344
9. 3 -0.802812
10. dtype: float64

内层选取

1. In[4]:data[:, 2]
2. Out[4]:
3. a 0.689271
4. b 0.260446
5. c 0.757505
6. d -1.223344
7. dtype: float64

数据重塑

将 Series 转化成 DataFrame:

1. in[5]:data.unstack()
2. Out[5]:
3. 1 2 3
4. a 0.169239 0.689271 0.879309
5. b -0.699176 0.260446 -0.321751
6. c 0.893105 0.757505 NaN
7. d NaN -1.223344 -0.802812

编程要求

根据提示，在右侧编辑器 Begin-End 内补充代码:

• 对 s1 进行数据重塑，转化成 DataFrame 类型，并复制到 d1。

测试说明

编写代码之后，点击测评即可。

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd
import numpy as np
def suoying():
    '''
    返回值:
    d1: 一个DataFrame类型数据
    '''
    #s1是Series类型数据
    s1=Series(np.random.randn(10),
           index=[['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'd', 'd'], [1, 2, 3, 1, 2, 3, 1, 2, 2, 3]])
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    d1=s1.unstack()
    # ********** End **********#
    # 返回d1
    return d1