Pandas DataFrame基础知识

 简介

pandas是一个用于数据分析的开源python库，通过引入Series和DataFrame实现了数据加载、操作、对齐、合并等功能。查看数据集最简单的方法是检查特定的行和列，并对他们取子集。

加载数据集

由于Pandas不是Python标准库的一部分，所以需要导入

import pandas as pd

那么，现在可以开始调用read_csv函数来加载CSV数据文件了。

默认情况下，read_csv函数是读取‘，’分隔文件的。而我们采用的Gapminder数据使用制表符分隔，即将参数sep设置为'\t'

df=pd.read_csv('data/gapminder.tsv',sep='\t')

详细的内容的可以在pandas官网查看

接下来我们可以调用shape查看文件属性，该属性指明DataFrame行数和列数，注意，shape是DataFrame的属性，调用时后面不需要加（）。

文件的基本属性

获取文件的子集

如果是想查看文件的多列，可以通过名称、位置索引、范围来指定

如果文件量过大的话，全部输出耗时耗力，一般采用head来查看前五行（默认，可以自己修改），tail来查看尾几行。

subset=df[['country','continent','year']]\
print(subset.head())
print(subset.head(n=10))
print(subset.tail())
print(subset.tail(n=10))

示例如下

如果是想查看文件的行子集的话，可以通过行名或者行索引。

DataFrame的loc是基于索引标签获取行子集

需要注意的是，传入-1会报错

查看最后一行

print(df.tail(n=1))

iloc是基于行索引号来获取行，且可以直接传入-1调用最后一行

混合使用

df.loc[[行],[列]]或者df.iloc[[行],[列]]                 支持切片法！

使用loc和iloc来获取列子集 ，前者使用索引标签，后者使用整数

显然，iloc获取列子集也可以使用切片

但是从数据处理的角度来讲，还是使用loc、传入实际的列名更好，因为这样可以提高代码可读性，且避免列顺序发生改变

分组计算

如问，数据中每年的平均预期寿命是多少？则需要使用DataFrame的groupby方法完成分组/聚合计算。下列代码表示的是，先对数据按照年份分割，然后获取其lifeExp列，计算平均值

多列计算（个人不推荐）

分组频率计数

可以使用nunique方法或者value_counts()方法来获取唯一值和频率计数（很方便）

基本绘图