Python 數(shù)據(jù)處理庫 pandas 入門教程基本操作

更新時間：2018年04月19日 09:11:31 作者：只為那傳說中美麗的草原

pandas是一個Python語言的軟件包，在我們使用Python語言進(jìn)行機(jī)器學(xué)習(xí)編程的時候，這是一個非常常用的基礎(chǔ)編程庫。本文是對Python 數(shù)據(jù)處理庫 pandas 入門教程,非常不錯，感興趣的朋友一起看看吧

pandas是一個Python語言的軟件包，在我們使用Python語言進(jìn)行機(jī)器學(xué)習(xí)編程的時候，這是一個非常常用的基礎(chǔ)編程庫。本文是對它的一個入門教程。

pandas提供了快速，靈活和富有表現(xiàn)力的數(shù)據(jù)結(jié)構(gòu)，目的是使“關(guān)系”或“標(biāo)記”數(shù)據(jù)的工作既簡單又直觀。它旨在成為在Python中進(jìn)行實際數(shù)據(jù)分析的高級構(gòu)建塊。

入門介紹

pandas適合于許多不同類型的數(shù)據(jù)，包括：

具有異構(gòu)類型列的表格數(shù)據(jù)，例如SQL表格或Excel數(shù)據(jù)
有序和無序（不一定是固定頻率）時間序列數(shù)據(jù)。
具有行列標(biāo)簽的任意矩陣數(shù)據(jù)（均勻類型或不同類型）
任何其他形式的觀測/統(tǒng)計數(shù)據(jù)集。

由于這是一個Python語言的軟件包，因此需要你的機(jī)器上首先需要具備Python語言的環(huán)境。關(guān)于這一點(diǎn)，請自行在網(wǎng)絡(luò)上搜索獲取方法。

關(guān)于如何獲取pandas請參閱官網(wǎng)上的說明：pandas Installation。

通常情況下，我們可以通過pip來執(zhí)行安裝：

sudo pip3 install pandas

或者通過conda 來安裝pandas：

conda install pandas

目前（2018年2月）pandas的最新版本是v0.22.0（發(fā)布時間：2017年12月29日）。

我已經(jīng)將本文的源碼和測試數(shù)據(jù)放到Github上：pandas_tutorial ，讀者可以前往獲取。

另外，pandas常常和NumPy一起使用，本文中的源碼中也會用到NumPy。

建議讀者先對NumPy有一定的熟悉再來學(xué)習(xí)pandas，我之前也寫過一個NumPy的基礎(chǔ)教程，參見這里：Python 機(jī)器學(xué)習(xí)庫 NumPy 教程

核心數(shù)據(jù)結(jié)構(gòu)

pandas最核心的就是Series和DataFrame兩個數(shù)據(jù)結(jié)構(gòu)。

這兩種類型的數(shù)據(jù)結(jié)構(gòu)對比如下：

DataFrame可以看做是Series的容器，即：一個DataFrame中可以包含若干個Series。

注：在0.20.0版本之前，還有一個三維的數(shù)據(jù)結(jié)構(gòu)，名稱為Panel。這也是pandas庫取名的原因：pan-da-s。但這種數(shù)據(jù)結(jié)構(gòu)由于很少被使用到，因此已經(jīng)被廢棄了。

Series

由于Series是一維結(jié)構(gòu)的數(shù)據(jù)，我們可以直接通過數(shù)組來創(chuàng)建這種數(shù)據(jù)，像這樣：

# data_structure.py
import pandas as pd
import numpy as np
series1 = pd.Series([1, 2, 3, 4])
print("series1:\n{}\n".format(series1))

這段代碼輸出如下：

series1:
0 1
1 2
2 3
3 4
dtype: int64

這段輸出說明如下：

輸出的最后一行是Series中數(shù)據(jù)的類型，這里的數(shù)據(jù)都是int64類型的。
數(shù)據(jù)在第二列輸出，第一列是數(shù)據(jù)的索引，在pandas中稱之為Index。

我們可以分別打印出Series中的數(shù)據(jù)和索引：

# data_structure.py
print("series1.values: {}\n".format(series1.values))
print("series1.index: {}\n".format(series1.index))

這兩行代碼輸出如下：

series1.values: [1 2 3 4]
series1.index: RangeIndex(start=0, stop=4, step=1)

如果不指定（像上面這樣），索引是[1, N-1]的形式。不過我們也可以在創(chuàng)建Series的時候指定索引。索引未必一定需要是整數(shù)，可以是任何類型的數(shù)據(jù)，例如字符串。例如我們以七個字母來映射七個音符。索引的目的是可以通過它來獲取對應(yīng)的數(shù)據(jù)，例如下面這樣：

# data_structure.py
series2 = pd.Series([1, 2, 3, 4, 5, 6, 7],
 index=["C", "D", "E", "F", "G", "A", "B"])
print("series2:\n{}\n".format(series2))
print("E is {}\n".format(series2["E"]))

這段代碼輸出如下：

series2:
C 1
D 2
E 3
F 4
G 5
A 6
B 7
dtype: int64
E is 3
DataFrame

下面我們來看一下DataFrame的創(chuàng)建。我們可以通過NumPy的接口來創(chuàng)建一個4x4的矩陣，以此來創(chuàng)建一個DataFrame，像這樣：

# data_structure.py
df1 = pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1))

這段代碼輸出如下：

df1:
 0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15

從這個輸出我們可以看到，默認(rèn)的索引和列名都是[0, N-1]的形式。

我們可以在創(chuàng)建DataFrame的時候指定列名和索引，像這樣：

# data_structure.py
df2 = pd.DataFrame(np.arange(16).reshape(4,4),
 columns=["column1", "column2", "column3", "column4"],
 index=["a", "b", "c", "d"])
print("df2:\n{}\n".format(df2))

這段代碼輸出如下：

df2:
 column1 column2 column3 column4
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
d 12 13 14 15

我們也可以直接指定列數(shù)據(jù)來創(chuàng)建DataFrame：

# data_structure.py

df3 = pd.DataFrme({"note" : ["C", "D", "E", "F", "G", "A", "B"],
 "weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})
print("df3:\n{}\n".format(df3))

這段代碼輸出如下：

df3:
 note weekday
0 C Mon
1 D Tue
2 E Wed
3 F Thu
4 G Fri
5 A Sat
6 B Sun

請注意：

DataFrame的不同列可以是不同的數(shù)據(jù)類型

如果以Series數(shù)組來創(chuàng)建DataFrame，每個Series將成為一行，而不是一列

例如：

# data_structure.py
noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"],
 index=[1, 2, 3, 4, 5, 6, 7])
weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
 index=[1, 2, 3, 4, 5, 6, 7])
df4 = pd.DataFrame([noteSeries, weekdaySeries])
print("df4:\n{}\n".format(df4))

df4的輸出如下：

df4:
 1 2 3 4 5 6 7
0 C D E F G A B
1 Mon Tue Wed Thu Fri Sat Sun

我們可以通過下面的形式給DataFrame添加或者刪除列數(shù)據(jù)：

# data_structure.py
df3["No."] = pd.Series([1, 2, 3, 4, 5, 6, 7])
print("df3:\n{}\n".format(df3))
del df3["weekday"]
print("df3:\n{}\n".format(df3))

這段代碼輸出如下：

df3:
 note weekday No.
0 C Mon 1
1 D Tue 2
2 E Wed 3
3 F Thu 4
4 G Fri 5
5 A Sat 6
6 B Sun 7
df3:
 note No.
0 C 1
1 D 2
2 E 3
3 F 4
4 G 5
5 A 6
6 B 7

Index對象與數(shù)據(jù)訪問

pandas的Index對象包含了描述軸的元數(shù)據(jù)信息。當(dāng)創(chuàng)建Series或者DataFrame的時候，標(biāo)簽的數(shù)組或者序列會被轉(zhuǎn)換成Index。可以通過下面的方式獲取到DataFrame的列和行的Index對象：

# data_structure.py
print("df3.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\n".format(df3.index))

這兩行代碼輸出如下：

df3.columns
Index(['note', 'No.'], dtype='object')
df3.index
RangeIndex(start=0, stop=7, step=1)

請注意：

Index并非集合，因此其中可以包含重復(fù)的數(shù)據(jù)
Index對象的值是不可以改變，因此可以通過它安全的訪問數(shù)據(jù)

DataFrame提供了下面兩個操作符來訪問其中的數(shù)據(jù)：

loc：通過行和列的索引來訪問數(shù)據(jù)
iloc：通過行和列的下標(biāo)來訪問數(shù)據(jù)

例如這樣：

# data_structure.py
print("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"]))
print("Note C, D is:\n{}\n".format(df3.iloc[[0, 1], 0]))

第一行代碼訪問了行索引為0和1，列索引為“note”的元素。第二行代碼訪問了行下標(biāo)為0和1（對于df3來說，行索引和行下標(biāo)剛好是一樣的，所以這里都是0和1，但它們卻是不同的含義），列下標(biāo)為0的元素。

這兩行代碼輸出如下：

Note C, D is:
0 C
1 D
Name: note, dtype: object

Note C, D is:
0 C
1 D
Name: note, dtype: object

文件操作

pandas庫提供了一系列的read_函數(shù)來讀取各種格式的文件，它們?nèi)缦滤荆?/p>

read_csv
read_table
read_fwf
read_clipboard
read_excel
read_hdf
read_html
read_json
read_msgpack
read_pickle
read_sas
read_sql
read_stata
read_feather

讀取Excel文件

注：要讀取Excel文件，還需要安裝另外一個庫：xlrd

通過pip可以這樣完成安裝：

sudo pip3 install xlrd

安裝完之后可以通過pip查看這個庫的信息：

$ pip3 show xlrd
Name: xlrd
Version: 1.1.0
Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet files
Home-page: http://www.python-excel.org/
Author: John Machin
Author-email: sjmachin@lexicon.net
License: BSD
Location: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages
Requires:

接下來我們看一個讀取Excel的簡單的例子：

# file_operation.py
import pandas as pd
import numpy as np
df1 = pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1))

這個Excel的內(nèi)容如下：

df1:
 C Mon
0 D Tue
1 E Wed
2 F Thu
3 G Fri
4 A Sat
5 B Sun

注：本文的代碼和數(shù)據(jù)文件可以通過文章開頭提到的Github倉庫獲取。

讀取CSV文件

下面，我們再來看讀取CSV文件的例子。

第一個CSV文件內(nèi)容如下：

$ cat test1.csv 
C,Mon
D,Tue
E,Wed
F,Thu
G,Fri
A,Sat

讀取的方式也很簡單：

# file_operation.py
df2 = pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))

我們再來看第2個例子，這個文件的內(nèi)容如下：

$ cat test2.csv 
C|Mon
D|Tue
E|Wed
F|Thu
G|Fri
A|Sat

嚴(yán)格的來說，這并不是一個CSV文件了，因為它的數(shù)據(jù)并不是通過逗號分隔的。在這種情況下，我們可以通過指定分隔符的方式來讀取這個文件，像這樣：

# file_operation.py
df3 = pd.read_csv("data/test2.csv", sep="|")
print("df3:\n{}\n".format(df3))

實際上，read_csv支持非常多的參數(shù)用來調(diào)整讀取的參數(shù)，如下表所示：

參數(shù)	說明
path	文件路徑
sep或者delimiter	字段分隔符
header	列名的行數(shù)，默認(rèn)是0（第一行）
index_col	列號或名稱用作結(jié)果中的行索引
names	結(jié)果的列名稱列表
skiprows	從起始位置跳過的行數(shù)
na_values	代替`NA`的值序列
comment	以行結(jié)尾分隔注釋的字符
parse_dates	嘗試將數(shù)據(jù)解析為`datetime`。默認(rèn)為`False`
keep_date_col	如果將列連接到解析日期，保留連接的列。默認(rèn)為`False`。
converters	列的轉(zhuǎn)換器
dayfirst	當(dāng)解析可以造成歧義的日期時，以內(nèi)部形式存儲。默認(rèn)為`False`
data_parser	用來解析日期的函數(shù)
nrows	從文件開始讀取的行數(shù)
iterator	返回一個TextParser對象，用于讀取部分內(nèi)容
chunksize	指定讀取塊的大小
skip_footer	文件末尾需要忽略的行數(shù)
verbose	輸出各種解析輸出的信息
encoding	文件編碼
squeeze	如果解析的數(shù)據(jù)只包含一列，則返回一個`Series`
thousands	千數(shù)量的分隔符

詳細(xì)的read_csv函數(shù)說明請參見這里：pandas.read_csv

處理無效值

現(xiàn)實世界并非完美，我們讀取到的數(shù)據(jù)常常會帶有一些無效值。如果沒有處理好這些無效值，將對程序造成很大的干擾。

對待無效值，主要有兩種處理方法：直接忽略這些無效值；或者將無效值替換成有效值。

下面我先創(chuàng)建一個包含無效值的數(shù)據(jù)結(jié)構(gòu)。然后通過pandas.isna函數(shù)來確認(rèn)哪些值是無效的：

# process_na.py
import pandas as pd
import numpy as np
df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
   [5.0, np.nan, np.nan, 8.0],
   [9.0, np.nan, np.nan, 12.0],
   [13.0, np.nan, 15.0, 16.0]])
print("df:\n{}\n".format(df));
print("df:\n{}\n".format(pd.isna(df)));****

這段代碼輸出如下：

df:
 0 1 2 3
0 1.0 NaN 3.0 4.0
1 5.0 NaN NaN 8.0
2 9.0 NaN NaN 12.0
3 13.0 NaN 15.0 16.0
df:
 0 1 2 3
0 False True False False
1 False True True False
2 False True True False
3 False True False False

忽略無效值

我們可以通過pandas.DataFrame.dropna函數(shù)拋棄無效值：

# process_na.py
print("df.dropna():\n{}\n".format(df.dropna()));

注：dropna默認(rèn)不會改變原先的數(shù)據(jù)結(jié)構(gòu)，而是返回了一個新的數(shù)據(jù)結(jié)構(gòu)。如果想要直接更改數(shù)據(jù)本身，可以在調(diào)用這個函數(shù)的時候傳遞參數(shù) inplace = True。

對于原先的結(jié)構(gòu)，當(dāng)無效值全部被拋棄之后，將不再是一個有效的DataFrame，因此這行代碼輸出如下：

df.dropna():
Empty DataFrame
Columns: [0, 1, 2, 3]
Index: []

我們也可以選擇拋棄整列都是無效值的那一列：

# process_na.py
print("df.dropna(axis=1, how='all'):\n{}\n".format(df.dropna(axis=1, how='all')));

注：axis=1表示列的軸。how可以取值'any'或者'all'，默認(rèn)是前者。

這行代碼輸出如下：

df.dropna(axis=1, how='all'):
 0 2 3
0 1.0 3.0 4.0
1 5.0 NaN 8.0
2 9.0 NaN 12.0
3 13.0 15.0 16.0

替換無效值

我們也可以通過fillna函數(shù)將無效值替換成為有效值。像這樣：

# process_na.py
print("df.fillna(1):\n{}\n".format(df.fillna(1)));

這段代碼輸出如下：

df.fillna(1):
  0 1  2  3
0 1.0 1.0 3.0 4.0
1 5.0 1.0 1.0 8.0
2 9.0 1.0 1.0 12.0
3 13.0 1.0 15.0 16.0

將無效值全部替換成同樣的數(shù)據(jù)可能意義不大，因此我們可以指定不同的數(shù)據(jù)來進(jìn)行填充。為了便于操作，在填充之前，我們可以先通過rename方法修改行和列的名稱：

# process_na.py

df.rename(index={0: 'index1', 1: 'index2', 2: 'index3', 3: 'index4'},
   columns={0: 'col1', 1: 'col2', 2: 'col3', 3: 'col4'},
   inplace=True);
df.fillna(value={'col2': 2}, inplace=True)
df.fillna(value={'col3': 7}, inplace=True)
print("df:\n{}\n".format(df));

這段代碼輸出如下：

df:
  col1 col2 col3 col4
index1 1.0 2.0 3.0 4.0
index2 5.0 2.0 7.0 8.0
index3 9.0 2.0 7.0 12.0
index4 13.0 2.0 15.0 16.0

處理字符串

數(shù)據(jù)中常常牽涉到字符串的處理，接下來我們就看看pandas對于字符串操作。

Series的str字段包含了一系列的函數(shù)用來處理字符串。并且，這些函數(shù)會自動處理無效值。

下面是一些實例，在第一組數(shù)據(jù)中，我們故意設(shè)置了一些包含空格字符串：

# process_string.py
import pandas as pd
s1 = pd.Series([' 1', '2 ', ' 3 ', '4', '5']);
print("s1.str.rstrip():\n{}\n".format(s1.str.lstrip()))
print("s1.str.strip():\n{}\n".format(s1.str.strip()))
print("s1.str.isdigit():\n{}\n".format(s1.str.isdigit()))

在這個實例中我們看到了對于字符串strip的處理以及判斷字符串本身是否是數(shù)字，這段代碼輸出如下：

s1.str.rstrip():
0  1
1 2 
2 3 
3  4
4  5
dtype: object
s1.str.strip():
0 1
1 2
2 3
3 4
4 5
dtype: object
s1.str.isdigit():
0 False
1 False
2 False
3  True
4  True
dtype: bool

下面是另外一些示例，展示了對于字符串大寫，小寫以及字符串長度的處理：

# process_string.py
s2 = pd.Series(['Stairway to Heaven', 'Eruption', 'Freebird',
     'Comfortably Numb', 'All Along the Watchtower'])
print("s2.str.lower():\n{}\n".format(s2.str.lower()))
print("s2.str.upper():\n{}\n".format(s2.str.upper()))
print("s2.str.len():\n{}\n".format(s2.str.len()))

該段代碼輸出如下：

s2.str.lower():
0   stairway to heaven
1     eruption
2     freebird
3   comfortably numb
4 all along the watchtower
dtype: object

s2.str.upper():
0   STAIRWAY TO HEAVEN
1     ERUPTION
2     FREEBIRD
3   COMFORTABLY NUMB
4 ALL ALONG THE WATCHTOWER
dtype: object

s2.str.len():
0 18
1  8
2  8
3 16
4 24
dtype: int64

總結(jié)

以上所述是小編給大家介紹的Python 數(shù)據(jù)處理庫 pandas 入門教程基本操作，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！

您可能感興趣的文章: