Blog

懒癌晚期

Project maintained by VirusPC Hosted on GitHub Pages — Theme by mattgraham

Back Home

Pandas使用指南

简介

  1. 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
  2. 简介
    • 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。
    • pandas 文档网站：http://pandas.pydata.org/pandas-docs/stable/index.html

基本概念

  1. 版本
    以下行导入了 pandas API 并输出了相应的 API 版本： 
     import pandas as pd
  2. 数据结构
    • DataFrame，您可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。
    • Series，它是单一列。DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称
    • 数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。
  3. 创建数据结构
    • 创建Series 
        pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
    • 创建DataFrame
      • 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。 
          city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
  population = pd.Series([852469, 1015785, 485199])
  pd.DataFrame 'City name': city_names, 'Population': population }
      • 将整个文件加载到 DataFrame 中 
          california_housing_dataframe = pd.read_csv("ch.csv", sep=",")
  california_housing_dataframe.describe()
  4. DataFrame方法
    • 显示关于 DataFrame 的有趣统计信息 
        california_housing_dataframe.describe()
    • 显示 DataFrame 的前几个记录 
        california_housing_dataframe.head()  # 可传入一个数量限制大小参数
    • 绘制图表 
        california_housing_dataframe.head() # 与matplotlib包配合使用

三.访问数据

  1. 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))  # <class 'pandas.core.frame.DataFrame'>
 print(type(cities['City name']))  # <class 'pandas.core.series.Series'>
 print(type(cities['City name'][1]))  # <class 'str'>
 print(type(cities[0:2]))  # <class 'pandas.core.frame.DataFrame'>
  2. 此外，pandas 针对高级索引和选择提供了极其丰富的 API

四.操控数据

  1. 可以向 Series 应用 Python的基本运算指令。
    • population / 1000.
    • 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。
  2. NumPy
    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)
  3. Series.apply
    像 Python 映射函数一样，Series.apply 将以参数形式接受 lambda 函数，而该函数会应 用于每个值。下面的示例创建了一个指明 population 是否超过 100 万的新 Series： 
     population.apply(lambda val: val > 1000000)
  4. 向DataFrame添加Serires 
     cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
 cities['Population density'] = cities['Population'] / cities['Area square miles']

索引

  1. 简介
    • 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。
  2. DataFrame.reindex
    • 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.reindex28([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。 
        cities.reindex(np.random.permutation(cities.index))
    • reindex 方法允许使用未包含在原始 DataFrame 索引值中的索引值。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：

常用命令整理

  1. 导入数据
    • pd.read_csv(filename)：从CSV文件导入数据
    • pd.read_table(filename)：从限定分隔符的文本文件导入数据
    • pd.read_excel(filename)：从Excel文件导入数据
    • pd.read_json(json_string)：从JSON格式的字符串导入数据
    • pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据
  2. 导出数据
    • df.to_csv(filename)：导出数据到CSV文件
    • df.to_excel(filename)：导出数据到Excel文件
    • df.to_json(filename)：以Json格式导出数据到文本文件
  3. 创建测试对象
    • pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
    • pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
    • df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引
  4. 查看、检查数据
    • df.head(n)：查看DataFrame对象的前n行
    • df.tail(n)：查看DataFrame对象的最后n行
    • df.shape()：查看行数和列数
    • df.info()：查看索引、数据类型和内存信息
    • df.describe()：查看数值型列的汇总统计
    • s.value_counts(dropna=False)：查看Series对象的唯一值和计数
    • df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数
  5. 数据选取
    • df[col]：根据列名，并以Series的形式返回列
    • df[[col1, col2]]：以DataFrame形式返回多列
    • s.iloc[0]：按位置选取数据
    • s.loc['index_one']：按索引选取数据
    • df.iloc[0,:]：返回第一行
    • df.iloc[0,0]：返回第一列的第一个元素
  6. 数据清理
    • df.columns = [‘a’,’b’,’c’]：重命名列名
    • pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组
    • pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
    • df.dropna()：删除所有包含空值的行
    • df.dropna(axis=1)：删除所有包含空值的列
    • df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
    • df.fillna(x)：用x替换DataFrame对象中所有的空值
    • s.astype(float)：将Series中的数据类型更改为float类型
    • s.replace(1,'one')：用‘one’代替所有等于1的值
    • s.replace([1,3],['one','three'])：用’one’代替1，用’three’代替3
    • df.rename(columns=lambda x: x + 1)：批量更改列名
    • df.rename(columns={'old_name': 'new_ name'})：选择性更改列名
    • df.set_index('column_one')：更改索引列
    • df.rename(index=lambda x: x + 1)：批量重命名索引
  7. 数据处理：Filter、Sort和GroupBy
    • df[df[col] > 0.5]：选择col列的值大于0.5的行
    • df.sort_values(col1)：按照列col1排序数据，默认升序排列
    • df.sort_values(col2, ascending=False)：按照列col1降序排列数据
    • df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后 按col2降序排列数据
    • df.groupby(col)：返回一个按列col进行分组的Groupby对象
    • df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
    • df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
    • df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列 col1进行分组，并计算col2和col3的最大值的数据透视表
    • df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
    • data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
    • data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max
  8. 数据合并
    • df1.append(df2)：将df2中的行添加到df1的尾部
    • df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
    • df1.join(df2,on=col1,how='inner'):对df1的列和df2的列执行SQL形式的join数据统计
    • df.describe()：查看数据值列的汇总统计df.mean()：返回所有列的均值
    • df.corr()：返回列与列之间的相关系数
    • df.count()：返回每一列中的非空值的个数
    • df.max()：返回每一列的最大值df.min()：返回每一列的最小值
    • df.median()：返回每一列的中位数
    • df.std()：返回每一列的标准差
  9. 数据统计
    • df.describe()：查看数据值列的汇总统计
    • df.mean()：返回所有列的均值
    • df.corr()：返回列与列之间的相关系数
    • df.count()：返回每一列中的非空值的个数
    • df.max()：返回每一列的最大值
    • df.min()：返回每一列的最小值
    • df.median()：返回每一列的中位数
    • df.std()：返回每一列的标准差

部分参考资料

Pandas速查手册中文版