Python 數據處理庫 pandas 入門教程基本操作
pandas是一個Python語言的軟件包，在我們使用Python語言進行機器學習編程的時候，這是一個非常常用的基礎編程庫。本文是對它的一個入門教程。
pandas提供了快速，靈活和富有表現力的數據結構，目的是使“關系”或“標記”數據的工作既簡單又直觀。它旨在成為在Python中進行實際數據分析的高級構建塊。
入門介紹
pandas適合于許多不同類型的數據，包括：
- 具有異構類型列的表格數據，例如SQL表格或Excel數據
- 有序和無序（不一定是固定頻率）時間序列數據。
- 具有行列標簽的任意矩陣數據（均勻類型或不同類型）
- 任何其他形式的觀測/統(tǒng)計數據集。
由于這是一個Python語言的軟件包，因此需要你的機器上首先需要具備Python語言的環(huán)境。關于這一點，請自行在網絡上搜索獲取方法。
關于如何獲取pandas請參閱官網上的說明：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）。
我已經將本文的源碼和測試數據放到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習pandas，我之前也寫過一個NumPy的基礎教程，參見這里：Python 機器學習庫 NumPy 教程
核心數據結構
pandas最核心的就是Series和DataFrame兩個數據結構。
這兩種類型的數據結構對比如下：
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，還有一個三維的數據結構，名稱為Panel。這也是pandas庫取名的原因：pan-da-s。但這種數據結構由于很少被使用到，因此已經被廢棄了。
Series
由于Series是一維結構的數據，我們可以直接通過數組來創(chuàng)建這種數據，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中數據的類型，這里的數據都是int64類型的。
- 數據在第二列輸出，第一列是數據的索引，在pandas中稱之為Index。
我們可以分別打印出Series中的數據和索引：
# 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，可以是任何類型的數據，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的數據，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據來創(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據類型
如果以Series數組來創(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添加或者刪除列數據：
# 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對象與數據訪問
pandas的Index對象包含了描述軸的元數據信息。當創(chuàng)建Series或者DataFrame的時候，標簽的數組或者序列會被轉換成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的數據
- Index對象的值是不可以改變，因此可以通過它安全的訪問數據
DataFrame提供了下面兩個操作符來訪問其中的數據：
- loc：通過行和列的索引來訪問數據
- iloc：通過行和列的下標來訪問數據
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為0和1（對于df3來說，行索引和行下標剛好是一樣的，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_函數來讀取各種格式的文件，它們如下所示：
- 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
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：本文的代碼和數據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，這個文件的內容如下：
$ cat test2.csv C|Mon D|Tue E|Wed F|Thu G|Fri A|Sat
嚴格的來說，這并不是一個CSV文件了，因為它的數據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支持非常多的參數用來調整讀取的參數，如下表所示：
| 參數 | 說明 |
|---|---|
| path | 文件路徑 |
| sep或者delimiter | 字段分隔符 |
| header | 列名的行數，默認是0（第一行） |
| index_col | 列號或名稱用作結果中的行索引 |
| names | 結果的列名稱列表 |
| skiprows | 從起始位置跳過的行數 |
| na_values | 代替NA的值序列 |
| comment | 以行結尾分隔注釋的字符 |
| parse_dates | 嘗試將數據解析為datetime。默認為False |
| keep_date_col | 如果將列連接到解析日期，保留連接的列。默認為False。 |
| converters | 列的轉換器 |
| dayfirst | 當解析可以造成歧義的日期時，以內部形式存儲。默認為False |
| data_parser | 用來解析日期的函數 |
| nrows | 從文件開始讀取的行數 |
| iterator | 返回一個TextParser對象，用于讀取部分內容 |
| chunksize | 指定讀取塊的大小 |
| skip_footer | 文件末尾需要忽略的行數 |
| verbose | 輸出各種解析輸出的信息 |
| encoding | 文件編碼 |
| squeeze | 如果解析的數據只包含一列，則返回一個Series |
| thousands | 千數量的分隔符 |
詳細的read_csv函數說明請參見這里：pandas.read_csv
處理無效值
現實世界并非完美，我們讀取到的數據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據結構。然后通過pandas.isna函數來確認哪些值是無效的：
# 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函數拋棄無效值：
# process_na.py
print("df.dropna():\n{}\n".format(df.dropna()));
注：dropna默認不會改變原先的數據結構，而是返回了一個新的數據結構。如果想要直接更改數據本身，可以在調用這個函數的時候傳遞參數 inplace = True。
對于原先的結構，當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據可能意義不大，因此我們可以指定不同的數據來進行填充。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
數據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用來處理字符串。并且，這些函數會自動處理無效值。
下面是一些實例，在第一組數據中，我們故意設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
以上所述是小編給大家介紹的Python 數據處理庫 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，小編會及時回復大家的。在此也非常感謝大家對腳本之家網站的支持！
相關文章
這篇文章主要為大家詳細介紹了python實現簡單坦克大戰(zhàn)，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-03-03
本文將結合實例代碼，在Jupyter Notebook上使用Python+opencv實現如下簡單車牌字符切割。感興趣的小伙伴可以參考一下2021-06-06
這篇文章主要介紹了Python3中的Django，小編覺得這篇文章寫的還不錯，需要的朋友們下面隨著小編來一起學習學習吧，希望能夠給你帶來幫助2021-10-10
這篇文章主要介紹了Python3.x+迅雷x 自動下載高分電影的實現方法，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-01-01
這篇文章主要介紹了Python實現異步IO的示例，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-11-11
這篇文章主要介紹了Django在Model保存前記錄日志實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-05-05
這篇文章主要介紹了Playwright安裝和基本使用問題記錄,playwright是一款新型的自動化測試工具，功能非常強大，有很多優(yōu)點，缺點就是使用的人比較少，本文通過實例代碼介紹的非常詳細，需要的朋友可以參考下2023-05-05
Iconfont(矢量圖標)+iconmoon(圖標svg互轉)配合javascript實現社交分享系統(tǒng)
這篇文章主要介紹了Iconfont(矢量圖標)+iconmoon(圖標svg互轉)配合javascript實現社交分享系統(tǒng),本文通過實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-04-04
自己寫 Python 也有四五年了，一直是用自己的“強迫癥”在維持自己代碼的質量。都有去看 Google 的 Python 代碼規(guī)范，對這幾年的工作經驗，做個簡單的筆記，如果你也在學 Python，準備要學習 Python，希望這篇文章對你有用。2021-04-04
這篇文章主要介紹了python接口自動化如何封裝獲取常量的類,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-12-12