Pandas 简介
学习目标:
- 大致了解 pandas 库的
DataFrame
和Series
数据结构 - 存取和处理
DataFrame
和Series
中的数据 - 将 CSV 数据导入 pandas 库的
DataFrame
- 对
DataFrame
重建索引来随机打乱数据
pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具,很多机器学习框架都支持将 pandas 数据结构作为输入。 虽然全方位介绍 pandas API 会占据很长篇幅,但它的核心概念非常简单,我们会在下文中进行说明。有关更完整的参考,请访问 pandas 文档网站,其中包含丰富的文档和教程资源。
基本概念
以下行导入了 pandas API 并输出了相应的 API 版本:
import pandas as pd
pd.__version__
创建 Series
的一种方法是构建 Series
对象。例如:
pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
您可以将映射 string
列名称的 dict
传递到它们各自的 Series
,从而创建DataFrame
对象。如果 Series
在长度上不一致,系统会用特殊的 NA/NaN 值填充缺失的值。例如:
city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])
pd.DataFrame({ 'City name': city_names, 'Population': population })
但是在大多数情况下,您需要将整个文件加载到 DataFrame
中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据,并创建特征定义:
california_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",")
california_housing_dataframe.describe()
上面的示例使用 DataFrame.describe
来显示关于 DataFrame
的有趣统计信息。另一个实用函数是 DataFrame.head
,它显示 DataFrame
的前几个记录:
california_housing_dataframe.head()
pandas 的另一个强大功能是绘制图表。例如,借助 DataFrame.hist
,您可以快速了解一个列中值的分布:
california_housing_dataframe.hist('housing_median_age')
访问数据
您可以使用熟悉的 Python dict/list 指令访问 DataFrame
数据:
cities = pd.DataFrame({ 'City name': city_names, 'Population': population })
print type(cities['City name'])
cities['City name']
print type(cities['City name'][1])
cities['City name'][1]
print type(cities[0:2])
cities[0:2]
此外,pandas 针对高级索引和选择提供了极其丰富的 API(数量过多,此处无法逐一列出)。
操控数据
您可以向 Series
应用 Python 的基本运算指令。例如:
population / 1000.
NumPy 是一种用于进行科学计算的常用工具包。pandas Series
可用作大多数 NumPy 函数的参数:
import numpy as np
np.log(population)
population.apply(lambda val: val > 1000000)
DataFrames
的修改方式也非常简单。例如,以下代码向现有 DataFrame
添加了两个 Series
:
cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
cities
练习 1
通过添加一个新的布尔值列(当且仅当以下两项均为 True 时为 True)修改 cities
表格:
- 城市以圣人命名。
- 城市面积大于 50 平方英里。
注意:布尔值 Series
是使用“按位”而非传统布尔值“运算符”组合的。例如,执行逻辑与时,应使用 &
,而不是 and
。
提示:"San" 在西班牙语中意为 "saint"。
# Your code here
解决方案
点击下方,查看解决方案。
cities['Is wide and has saint name'] = (cities['Area square miles'] > 50) & cities['City name'].apply(lambda name: name.startswith('San'))
cities
索引
Series
和 DataFrame
对象也定义了 index
属性,该属性会向每个 Series
项或 DataFrame
行赋一个标识符值。
默认情况下,在构造时,pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的;也就是说,它们不会因为数据重新排序而发生改变。
city_names.index
cities.index
调用 DataFrame.reindex
以手动重新排列各行的顺序。例如,以下方式与按城市名称排序具有相同的效果:
cities.reindex([2, 0, 1])
重建索引是一种随机排列 DataFrame
的绝佳方式。在下面的示例中,我们会取用类似数组的索引,然后将其传递至 NumPy 的 random.permutation
函数,该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex
,会导致 DataFrame
行以同样的方式随机排列。 尝试多次运行以下单元格!
cities.reindex(np.random.permutation(cities.index))
有关详情,请参阅索引文档。
练习 2
reindex
方法允许使用未包含在原始 DataFrame
索引值中的索引值。请试一下,看看如果使用此类值会发生什么!您认为允许此类值的原因是什么?
# Your code here
解决方案
点击下方,查看解决方案。
如果您的 reindex
输入数组包含原始 DataFrame
索引值中没有的值,reindex
会为此类“丢失的”索引添加新行,并在所有对应列中填充 NaN
值:
cities.reindex([0, 4, 5, 2])
这种行为是可取的,因为索引通常是从实际数据中提取的字符串(请参阅 pandas reindex 文档,查看索引值是浏览器名称的示例)。
在这种情况下,如果允许出现“丢失的”索引,您将可以轻松使用外部列表重建索引,因为您不必担心会将输入清理掉。
自己Mark下
Pandas 简介
学习目标:
- 大致了解 pandas 库的
DataFrame
和Series
数据结构 - 存取和处理
DataFrame
和Series
中的数据 - 将 CSV 数据导入 pandas 库的
DataFrame
- 对
DataFrame
重建索引来随机打乱数据
pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具,很多机器学习框架都支持将 pandas 数据结构作为输入。 虽然全方位介绍 pandas API 会占据很长篇幅,但它的核心概念非常简单,我们会在下文中进行说明。有关更完整的参考,请访问 pandas 文档网站,其中包含丰富的文档和教程资源。
基本概念
以下行导入了 pandas API 并输出了相应的 API 版本:
import pandas as pd
pd.__version__
创建 Series
的一种方法是构建 Series
对象。例如:
pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
您可以将映射 string
列名称的 dict
传递到它们各自的 Series
,从而创建DataFrame
对象。如果 Series
在长度上不一致,系统会用特殊的 NA/NaN 值填充缺失的值。例如:
city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])
pd.DataFrame({ 'City name': city_names, 'Population': population })
但是在大多数情况下,您需要将整个文件加载到 DataFrame
中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据,并创建特征定义:
california_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",")
california_housing_dataframe.describe()
上面的示例使用 DataFrame.describe
来显示关于 DataFrame
的有趣统计信息。另一个实用函数是 DataFrame.head
,它显示 DataFrame
的前几个记录:
california_housing_dataframe.head()
pandas 的另一个强大功能是绘制图表。例如,借助 DataFrame.hist
,您可以快速了解一个列中值的分布:
california_housing_dataframe.hist('housing_median_age')
访问数据
您可以使用熟悉的 Python dict/list 指令访问 DataFrame
数据:
cities = pd.DataFrame({ 'City name': city_names, 'Population': population })
print type(cities['City name'])
cities['City name']
print type(cities['City name'][1])
cities['City name'][1]
print type(cities[0:2])
cities[0:2]
此外,pandas 针对高级索引和选择提供了极其丰富的 API(数量过多,此处无法逐一列出)。
操控数据
您可以向 Series
应用 Python 的基本运算指令。例如:
population / 1000.
NumPy 是一种用于进行科学计算的常用工具包。pandas Series
可用作大多数 NumPy 函数的参数:
import numpy as np
np.log(population)
population.apply(lambda val: val > 1000000)
DataFrames
的修改方式也非常简单。例如,以下代码向现有 DataFrame
添加了两个 Series
:
cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
cities
练习 1
通过添加一个新的布尔值列(当且仅当以下两项均为 True 时为 True)修改 cities
表格:
- 城市以圣人命名。
- 城市面积大于 50 平方英里。
注意:布尔值 Series
是使用“按位”而非传统布尔值“运算符”组合的。例如,执行逻辑与时,应使用 &
,而不是 and
。
提示:"San" 在西班牙语中意为 "saint"。
# Your code here
解决方案
点击下方,查看解决方案。
cities['Is wide and has saint name'] = (cities['Area square miles'] > 50) & cities['City name'].apply(lambda name: name.startswith('San'))
cities
索引
Series
和 DataFrame
对象也定义了 index
属性,该属性会向每个 Series
项或 DataFrame
行赋一个标识符值。
默认情况下,在构造时,pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的;也就是说,它们不会因为数据重新排序而发生改变。
city_names.index
cities.index
调用 DataFrame.reindex
以手动重新排列各行的顺序。例如,以下方式与按城市名称排序具有相同的效果:
cities.reindex([2, 0, 1])
重建索引是一种随机排列 DataFrame
的绝佳方式。在下面的示例中,我们会取用类似数组的索引,然后将其传递至 NumPy 的 random.permutation
函数,该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex
,会导致 DataFrame
行以同样的方式随机排列。 尝试多次运行以下单元格!
cities.reindex(np.random.permutation(cities.index))
有关详情,请参阅索引文档。
练习 2
reindex
方法允许使用未包含在原始 DataFrame
索引值中的索引值。请试一下,看看如果使用此类值会发生什么!您认为允许此类值的原因是什么?
# Your code here
解决方案
点击下方,查看解决方案。
如果您的 reindex
输入数组包含原始 DataFrame
索引值中没有的值,reindex
会为此类“丢失的”索引添加新行,并在所有对应列中填充 NaN
值:
cities.reindex([0, 4, 5, 2])
这种行为是可取的,因为索引通常是从实际数据中提取的字符串(请参阅 pandas reindex 文档,查看索引值是浏览器名称的示例)。
在这种情况下,如果允许出现“丢失的”索引,您将可以轻松使用外部列表重建索引,因为您不必担心会将输入清理掉。