Python——Pandas（第一讲）

Pandas 是一个开源的 Python 数据分析库，它提供了快速、灵活和富有表达力的数据结构，旨在使“关系”或“标签”数据的处理既简单又直观。它旨在成为高级数据分析和操作的高级构建块。Pandas 的名字来源于“panel data”（面板数据）和“python data analysis”（Python 数据分析）的缩写。
Pandas已经成为了Python 进行数据分析和挖掘时的数据基础平台和事实上的工业准。
使用 Pandas 包完成数据读入、数据清理、数据准备、图表呈现等工作，为继续学习数据建模和数据挖掘打下坚实基础。

安装

pip install pandas

设定系统环境

import pandas as pd
#设定自由列表输出最多为 10 行(可以根据需要去设定)
pd.options.display.max_rows = 10
# 显示当前 Pandas 版本号
pd.__version__

Series对象创建

Series：一维数组,与Numpy中的一维array类似。它是一种类似于一维数组的对象，是由一组数据(各种 NumPy 数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series 对象。用值列表生成 Series 时，Pandas 默认自动生成整数索引 。

【示例】使用列表创建

data=pd.Series([4,3,5,6,1])
data
'''
0    4
1    3
2    5
3    6
4    1
dtype: int64
'''

pandas中两个重要的属性 values 和index，**values:**是Series对象的原始数据。**index:**对应了Series对象的索引对象
【示例】属性values和index

data.values  # array([4, 3, 5, 6, 1])
data.index   # RangeIndex(start=0, stop=5, step=1)

【示例】指定index

data=pd.Series([5,4,6,3,1],index=['one','two','three','four','five'])
'''
one      5
two      4
three    6
four     3
five     1
dtype: int64
'''

【示例】使用list列表指定index

data=pd.Series([4,3,2,1],index=list('abcd'))
'''
a    4
b    3
c    2
d    1
dtype: int64
'''

【示例】传入字典创建，默认将key作为index

population_dict={'sh':2800,'bj':3000,'gz':1500,'sz':1200}
population_series=pd.Series(population_dict)
'''
sh    2800
bj    3000
gz    1500
sz    1200
dtype: int64
'''

【示例】如果既用了字典创建了Series对象，又显示的指定了index，如果key不存在，则值为NaN

#如果存在取交集
sub_series=pd.Series(population_dict,index=['bj','sh'])
#如果不存在则值为NaN
sub_series=pd.Series(population_dict,index=['bj','xa'])
'''
bj    3000.0
xa       NaN
dtype: float64
'''

【示例】将一个标量与index对象一起传入创建

data=pd.Series(10,index=list('abcd'))
'''
a    10
b    10
c    10
d    10
dtype: int64
'''

DataFrame对象创建

DataFrame 是 Pandas 中的一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型等)，DataFrame 即有行索引也有列索引，可以被看做是由 Series 组成的字典。将两个series对象作为dict的value传入，就可以创建一个DataFrame对象。
【示例】创建DataFrame对象

population_dict={'beijing':3000,'shanghai':1200,'guangzhou':1800}
area_dict={'beijing':300,'shanghai':180,'guangzhou':200}
population_series=pd.Series(population_dict)
area_series=pd.Series(area_dict)
citys=pd.DataFrame({'area':area_series,'population':population_series})
print(citys)
'''
	        area  population
beijing	     300	    3000
shanghai	 180	    1200
guangzhou	 200	    1800
'''

【示例】values index columns属性

citys.index   # Index(['beijing', 'shanghai', 'guangzhou'],dtype='object')
citys.values  
'''
array([[ 300, 3000],
       [ 180, 1200],
       [ 200, 1800]])
'''
citys.columns  # Index(['area', 'population'], dtype='object')

【示例】列表创建

population_dict={'beijing':3000,'shanghai':1200,'guangzhou':1800}
area_dict={'beijing':300,'shanghai':180,'guangzhou':200}
data=pd.DataFrame([population_dict,area_dict])
#添加index属性
data=pd.DataFrame([population_dict,area_dict],index=['population','area'])
'''
            beijing  shanghai  guangzhou
population     3000      1200       1800
area            300       180        200
'''

【示例】索引columns的使用

population_series=pd.Series(population_dict)
pd.DataFrame(population_series,columns=['population'])
'''
	       population
beijing	         3000
shanghai	     1200
guangzhou	     1800
'''

【示例】二维数组指定columns和index创建

pd.DataFrame(np.random.randint(0,10(3,2)),columns=list('ab'),index=list('efg'))
'''
	a	b
e	2	0
f	2	5
g	7	8
'''

Pandas中的Index

Pandas中的Index，其实是不可变的一维数组

ind=pd.Index([3,4,5,6,7])  # Index([3, 4, 5, 6, 7], dtype='int64')
#根据下标获取值
ind[3]   # np.int64(6)
#切片获取值
ind[::2]  # Index([3, 5, 7], dtype='int64')
#有ndim shap dtype size属性
#但不能进行修改
ind[3]=20  # TypeError: Index does not support mutable operations

导入Excel文件

使用read_excel()方法导入文件，首先要指定文件的路径。

• 说明——使用Pandas模块操作Excel时候，需要安装openpyxl

pd.read_excel('stu_data.xlsx')

【示例】导入.xlsx文件时，指定导入哪个Sheet

pd.read_excel('stu_data.xlsx',sheet_name='Target')
pd.read_excel('stu_data.xlsx',sheet_name=0)

【示例】导入.xlsx文件时，通过index_col指定行索引

pd.read_excel('stu_data.xlsx',sheet_name=0,index_col=0)

【示例】导入.xlsx文件时，通过header指定列索引

pd.read_excel('stu_data.xlsx',sheet_name=0,header=1)
pd.read_excel('stu_data.xlsx',sheet_name=0,header=None)

有时候本地文件的列数太多，而我们又不需要那么多列时，我们就可以通过设置usecols参数来指定要导入的列。
【示例】导入.xlsx文件时，通过usecols指定导入列

# 导入1，2，3列
pd.read_excel('stu_data.xlsx',usecols=[1,2,3])

导入csv文件

导入csv文件时除了指明文件路径，还需要设置编码格式。Python中用得比较多的两种编码格式是UTF-8和gbk，默认编码格式是UTF-8。我们要根据导入文件本身的编码格式进行设置，通过设置参数encoding来设置导入的编码格式。

【示例】导入.csv文件，文件编码格式是gbk

pd.read_csv('stu_data.csv',encoding='gbk')

用分隔符号进行分隔。常用的分隔符除了逗号、空格，还有制表符（\t）。

【示例】导入.csv文件，指明分隔符

df = pd.read_csv("stu_data.csv",encoding='gbk',sep=' ')
pd.read_csv('stu_data.csv',encoding='gbk',sep=',')

导入txt文件

导入.txt文件用得方法时read_table()，read_table()是将利用分隔符分开的文件导入。DataFrame的通用函数。它不仅仅可以导入.txt文件，还可以导入.csv文件。

【示例】导入.txt文件

pd.read_table('test_data.txt',encoding='utf-8',sep='\t')

【示例】导入.csv文件，指明分隔符

pd.read_table('stu_data.csv',encoding='gbk',sep=',')

保存数据

保存数据至外部文件

df.to_csv(
    filepath_or_buffer :要保存的文件路径
    sep =：分隔符
    columns :需要导出的变量列表
    header = True :指定导出数据的新变量名，可直接提供 list
    index = True :是否导出索引
    mode = 'w' : Python 写模式,读写方式：r,r+ ,w , w+ , a , a+     
    encoding = 'utf-8' :默认导出的文件编码格式
    )
df2.to_csv('temp.csv')
df.to_excel(
     filepath_or_buffer :要读入的文件路径
     sheet_name = 1 Sheetl1 :要保存的表单名称
)
df2.to_excel('temp.xlsx', index = False,sheet_name = data)

了解数据

head()与 tail()

当数据表中包含了数据行数过多时，而我们又想看一下每一列数据都是什么样的数据时，就可以把数据表中前几行或后几行数据显示出来进行查看head()方法返回前 n 行(观察索引值)，显示元素的数量默认是 5，但可以传递自定义数值tail()方法返回后 n 行观察索引值)，显示元素的数量默认是 5，但可以传递自定义数值。

#浏览前几条记录
df.head()
df.head(10)
#浏览最后几条记录
df.tail()

info()

熟悉数据的第一点就是看下数据的类型，不同的数据类型的分析思路是不一样的，比如说数值类型的数据就可以求均值，但是字符类型的数据就没法求均值了。
info()方法查看数据表中的数据类型，而且不需要一列一列的查看，info()可以输出整个表 中所有列的数据类型。

df.info()

shape

熟悉数据的第二点就是看下数据表的大小，即数据表有多少行，多少列 。
shape()方法会以元组的形式返回行、列数。注意 shape 方法获取行数和列数时不会把索引和列索引计算在内。

df.shape

describe()

熟悉数据的第三点就是掌握数值的分布情况，即均值是多少，最值是多少，方差及分位数分别是多少 。
describe()方法就是可以获取所有数值类型字段的分布值。

df.describe()

列操作

修改变量列

columns

df.columns =新的名称 list
df.columns

rename()

df.rename(
columns =新旧名称字典：｛旧名称，：新名称，｝
inplace = False :是否直接替换原数据框)

df.rename(columns =｛'newname':'name','newname2':'name2'｝,inplace = True)

筛选变量列

通过 df.var 或 df[var] 可以选择单列

• 注意：但只适用于已存在的列，只能筛选单列，结果为 Series

df.var 单列的筛选结果为 Series

通过 df[[var]] 可以选择多列

df[[var]] 单列的筛选结果为 DataFream
df[['var1', 'var2']] 多列时，列名需要用列表形式提
供（因此可使用列表中的切片操作） 多列的筛选结果为 DF

删除变量列

df.drop(
index / columns =准备删除的行/列标签，多个时用列表
形式提供
inplace = False :是否直接更改原数据框)
df.drop(columns =['col1','col2'])
del df['column-name'] 直接删除原数据框相应的一列，建议尽量少用
del df.column_name #不允许

添加变量列

根据新数据添加

df[cloumn] = pd.Series([val,val2,val3],index=[c1,c2,c3])

根据原数据添加

df[cloumn] = df[c2]+df[c3]