python数据分析神器之一pandas（程序员用于机器学习编程的Python数据处理库）

火客 2022-11-24 02:16:21 599

python数据分析神器之一pandas（程序员用于机器学习编程的Python数据处理库）sudo pip3 install pandas通常情况下，我们可以通过pip来执行安装：· 任何其他形式的观测/统计数据集。由于这是一个Python语言的软件包，因此需要你的机器上首先需要具备Python语言的环境。关于这一点，请自行在网络上搜索获取方法。关于如何获取pandas请参阅官网上的说明：pandas Installation。

入门介绍

pandas适合于许多不同类型的数据，包括：

· 具有异构类型列的表格数据，例如SQL表格或Excel数据

· 有序和无序（不一定是固定频率）时间序列数据。

· 具有行列标签的任意矩阵数据（均匀类型或不同类型）

· 任何其他形式的观测/统计数据集。

由于这是一个Python语言的软件包，因此需要你的机器上首先需要具备Python语言的环境。关于这一点，请自行在网络上搜索获取方法。

python数据分析神器之一pandas（程序员用于机器学习编程的Python数据处理库）(1)

关于如何获取pandas请参阅官网上的说明：pandas Installation。

通常情况下，我们可以通过pip来执行安装：

sudo pip3 install pandas

或者通过conda 来安装pandas：

conda install pandas

目前（2018年2月）pandas的最新版本是v0.22.0（发布时间：2017年12月29日）。

我已经将本文的源码和测试数据放到Github上： pandas_tutorial ，读者可以前往获取。

另外，pandas常常和NumPy一起使用，本文中的源码中也会用到NumPy。

建议读者先对NumPy有一定的熟悉再来学习pandas，我之前也写过一个NumPy的基础教程，参见这里：Python 机器学习库 NumPy 教程

核心数据结构

pandas最核心的就是Series和DataFrame两个数据结构。

这两种类型的数据结构对比如下：

名称维度说明Series1维带有标签的同构类型数组DataFrame2维表格结构，带有标签，大小可变，且可以包含异构的数据列

DataFrame可以看做是Series的容器，即：一个DataFrame中可以包含若干个Series。

注：在0.20.0版本之前，还有一个三维的数据结构，名称为Panel。这也是pandas库取名的原因：pan(el)-da(ta)-s。但这种数据结构由于很少被使用到，因此已经被废弃了。

Series

由于Series是一维结构的数据，我们可以直接通过数组来创建这种数据，像这样：

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

这段代码输出如下：

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

这段输出说明如下：

· 输出的最后一行是Series中数据的类型，这里的数据都是int64类型的。

· 数据在第二列输出，第一列是数据的索引，在pandas中称之为Index。

我们可以分别打印出Series中的数据和索引：

# data_structure.py

print("series1.values: {}\n".format(series1.values))

print("series1.index: {}\n".format(series1.index))

这两行代码输出如下：

series1.values: [1 2 3 4]

series1.index: RangeIndex(start=0 stop=4 step=1)

如果不指定（像上面这样），索引是[1 N-1]的形式。不过我们也可以在创建Series的时候指定索引。索引未必一定需要是整数，可以是任何类型的数据，例如字符串。例如我们以七个字母来映射七个音符。索引的目的是可以通过它来获取对应的数据，例如下面这样：

# 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"]))

这段代码输出如下：

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

DataFrame

下面我们来看一下DataFrame的创建。我们可以通过NumPy的接口来创建一个4×4的矩阵，以此来创建一个DataFrame，像这样：

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

这段代码输出如下：

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

从这个输出我们可以看到，默认的索引和列名都是[0 N-1]的形式。

我们可以在创建DataFrame的时候指定列名和索引，像这样：

# 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))

这段代码输出如下：

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

我们也可以直接指定列数据来创建DataFrame：

# data_structure.py

df3= pd.DataFrame({"note": ["C" "D" "E" "F" "G" "A" "B"]

"weekday": ["Mon" "Tue" "Wed" "Thu" "Fri" "Sat" "Sun"]})

print("df3:\n{}\n".format(df3))

这段代码输出如下：

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

请注意：

· DataFrame的不同列可以是不同的数据类型

· 如果以Series数组来创建DataFrame，每个Series将成为一行，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的输出如下：

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

我们可以通过下面的形式给DataFrame添加或者删除列数据：

# 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))

这段代码输出如下：

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

python数据分析神器之一pandas（程序员用于机器学习编程的Python数据处理库）(2)

Index对象与数据访问

pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候，标签的数组或者序列会被转换成Index。可以通过下面的方式获取到DataFrame的列和行的Index对象：

# data_structure.py

print("df3.columns\n{}\n".format(df3.columns))

print("df3.index\n{}\n".format(df3.index))

这两行代码输出如下：

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

请注意：

· Index并非集合，因此其中可以包含重复的数据

· Index对象的值是不可以改变，因此可以通过它安全的访问数据

DataFrame提供了下面两个操作符来访问其中的数据：

· loc：通过行和列的索引来访问数据

· iloc：通过行和列的下标来访问数据

例如这样：

# 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]))

第一行代码访问了行索引为0和1，列索引为“note”的元素。第二行代码访问了行下标为0和1（对于df3来说，行索引和行下标刚好是一样的，所以这里都是0和1，但它们却是不同的含义），列下标为0的元素。

这两行代码输出如下：

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

python数据分析神器之一pandas（程序员用于机器学习编程的Python数据处理库）(3)

文件操作

pandas库提供了一系列的read_函数来读取各种格式的文件，它们如下所示：

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

读取Excel文件

注：要读取Excel文件，还需要安装另外一个库：xlrd

通过pip可以这样完成安装：

sudo pip3 install xlrd

安装完之后可以通过pip查看这个库的信息：

$ 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:

接下来我们看一个读取Excel的简单的例子：

# file_operation.py

import pandas **as** pd

import numpy **as** np

df1= pd.read_excel("data/test.xlsx")

print("df1:\n{}\n".format(df1))

这个Excel的内容如下：

df1:

C Mon

0 D Tue

1 E Wed

2 F Thu

3 G Fri

4 A Sat

5 B Sun

注：本文的代码和数据文件可以通过文章开头提到的Github仓库获取。

读取CSV文件

下面，我们再来看读取CSV文件的例子。

第一个CSV文件内容如下：

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

读取的方式也很简单：

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

我们再来看第2个例子，这个文件的内容如下：

严格的来说，这并不是一个CSV文件了，因为它的数据并不是通过逗号分隔的。在这种情况下，我们可以通过指定分隔符的方式来读取这个文件，像这样：

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

实际上，read_csv支持非常多的参数用来调整读取的参数，如下表所示：

参数说明path文件路径sep或者delimiterFrame字段分隔符header列名的行数，默认是0（第一行）index_col列号或名称用作结果中的行索引names结果的列名称列表skiprows从起始位置跳过的行数na_values代替NA的值序列comment以行结尾分隔注释的字符parse_dates尝试将数据解析为datetime。默认为Falsekeep_date_col如果将列连接到解析日期，保留连接的列。默认为False。converters列的转换器dayfirst当解析可以造成歧义的日期时，以内部形式存储。默认为Falsedata_parser用来解析日期的函数nrows从文件开始读取的行数参数说明iterator返回一个TextParser对象，用于读取部分内容chunksize指定读取块的大小skip_footer文件末尾需要忽略的行数verbose输出各种解析输出的信息encoding文件编码skip_footer文件编码squeeze如果解析的数据只包含一列，则返回一个Seriesthousands千数量的分隔符

详细的read_csv函数说明请参见这里：pandas.read_csv

处理无效值

现实世界并非完美，我们读取到的数据常常会带有一些无效值。如果没有处理好这些无效值，将对程序造成很大的干扰。

对待无效值，主要有两种处理方法：直接忽略这些无效值；或者将无效值替换成有效值。

下面我先创建一个包含无效值的数据结构。然后通过pandas.isna函数来确认哪些值是无效的：

# 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)));****

这段代码输出如下：

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

忽略无效值

我们可以通过pandas.DataFrame.dropna函数抛弃无效值：

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

注：dropna默认不会改变原先的数据结构，而是返回了一个新的数据结构。如果想要直接更改数据本身，可以在调用这个函数的时候传递参数 inplace = True。

对于原先的结构，当无效值全部被抛弃之后，将不再是一个有效的DataFrame，因此这行代码输出如下：

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

我们也可以选择抛弃整列都是无效值的那一列：

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

注：axis=1表示列的轴。how可以取值’any’或者’all’，默认是前者。

这行代码输出如下：

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

替换无效值

我们也可以通过fillna函数将无效值替换成为有效值。像这样：

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

这段代码输出如下：

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

将无效值全部替换成同样的数据可能意义不大，因此我们可以指定不同的数据来进行填充。为了便于操作，在填充之前，我们可以先通过rename方法修改行和列的名称：

# 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));

这段代码输出如下：

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

处理字符串

数据中常常牵涉到字符串的处理，接下来我们就看看pandas对于字符串操作。

Series的str字段包含了一系列的函数用来处理字符串。并且，这些函数会自动处理无效值。

下面是一些实例，在第一组数据中，我们故意设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()))

在这个实例中我们看到了对于字符串strip的处理以及判断字符串本身是否是数字，这段代码输出如下：

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，展示了对于字符串大写，小写以及字符串长度的处理：

# 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()))

该段代码输出如下：

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

python数据分析神器之一pandas（程序员用于机器学习编程的Python数据处理库）(4)