Python 數(shù)據(jù)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(xiàn)力的數(shù)據(jù)結(jié)構(gòu),目的是使“關系”或“標記”數(shù)據(jù)的工作既簡單又直觀。它旨在成為在Python中進行實際數(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(wǎng)絡上搜索獲取方法。
關于如何獲取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(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。當創(chuàng)建Series或者DataFrame的時候,標簽的數(shù)組或者序列會被轉(zhuǎn)換成Index??梢酝ㄟ^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(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(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(zhuǎn)換器 |
dayfirst | 當解析可以造成歧義的日期時,以內(nèi)部形式存儲。默認為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(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,小編會及時回復大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持!
相關文章
Python3.x+迅雷x 自動下載高分電影的實現(xiàn)方法
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(xiàn)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2020-01-01Iconfont(矢量圖標)+iconmoon(圖標svg互轉(zhuǎn))配合javascript實現(xiàn)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(zhuǎn))配合javascript實現(xiàn)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