Python データ処理ライブラリ pandas の入門

pandas は Python 言語ソフトウェア パッケージで、機械学習プログラミングに Python 言語を使用する場合に非常によく使用される基本的なプログラミング ライブラリです。この記事は Python データ処理ライブラリ pandas の入門チュートリアルです。興味のある方はぜひご覧ください。pandas は Python 言語を使用した機械学習プログラミングです。これは非常に一般的に使用される基本的なプログラミング ライブラリです。この記事はその入門チュートリアルです。

pandas は、「リレーショナル」データまたは「タグ付き」データを簡単かつ直観的に操作できるように設計された、高速で柔軟かつ表現力豊かなデータ構造を提供します。これは、Python での実用的なデータ分析のための高レベルの構築ブロックとなることを目的としています。

はじめに
pandas は、次のようなさまざまなタイプのデータに適しています:

SQL テーブルや Excel データなど、異種タイプの列を含む表形式データ
順序付きおよび順序なし (必ずしも必要ではない)固定周波数) の時系列データ。
行ラベルと列ラベルが付いた任意の行列データ (均一タイプまたは異なるタイプ)
その他の形式の観測/統計データセット。

• 
  

これはPython言語ソフトウェアパッケージであるため、最初にマシン上にPython言語環境が必要です。これについては、入手方法をインターネットで検索してください。

パンダの入手方法については、公式ウェブサイトの「パンダのインストール」の手順を参照してください。正規的には、PIPを介してインストールを実行できます。 2017 年 12 月 29 日)。

この記事のソース コードとテスト データを Github: pandas_tutorial に置きました。読者はアクセスして入手できます。

また、pandasはNumPyと併用されることが多く、この記事のソースコードでもNumPyを使用しています。

パンダを学習する前に、NumPy にある程度慣れておくことをお勧めします。私は以前に NumPy の基本的なチュートリアルを書きました。ここを参照してください: Python 機械学習ライブラリ NumPy チュートリアル

コア データ構造

pandas それらは

2 つのデータ構造です。

これら 2 つのタイプのデータ構造の比較は次のとおりです:

DataFrame は Series のコンテナーと見なすことができます。つまり、DataFrame には複数の Series を含めることができます。

注: バージョン 0.20.0 より前には、Panel という名前の 3 次元データ構造がありました。これが、pandas ライブラリの名前が pan-da-s である理由でもあります。ただし、このデータ構造はほとんど使用されないため、放棄されました。

Series
Series は 1 次元の構造化データであるため、次のように配列を通じてこの種のデータを直接作成できます:

Series和DataFrame

sudo pip3 install pandas

このコードの出力は次のとおりです。

conda install pandas

この出力の説明は次のとおりです:

出力の最後の行は Series のデータの型であり、ここにあるデータはすべて int64 型です。
データは 2 列目に出力され、最初の列はデータのインデックスであり、pandas では Index と呼ばれます。

シリーズのデータ​​とインデックスをそれぞれ出力できます:

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

これら 2 行のコードの出力は次のとおりです:

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

• そうでない場合(上記のように) を指定すると、インデックスは [1, N-1] の形式になります。ただし、シリーズの作成時にインデックスを指定することもできます。インデックスは必ずしも整数である必要はなく、文字列などの任意のタイプのデータにすることができます。たとえば、7 つの文字を使用して 7 つの音符をマッピングします。インデックスの目的は、次のような対応するデータを取得することです:

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

• 
  このコードの出力は次のとおりです:

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

DataFrame の作成を見てみましょう。 。次のように、NumPy インターフェイスを通じて 4x4 行列を作成して DataFrame を作成できます:

# 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"]))

このコードの出力は次のとおりです:

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

この出力から、デフォルトの がわかります。インデックス名と列名の形式は [0, N-1] です。

DataFrame を作成するときに、次のように列名とインデックスを指定できます:

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

このコードの出力は次のとおりです:

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

列データを直接指定して、 dataFrame：

# 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))

このコードの出力は次のとおりです。 Series 配列の場合、各 Series は列ではなく行になります

例:

# 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

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

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：

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

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：

を置き換える一連の値keep_date_col 列を解析された日付に連結する場合、連結された列を保持します。デフォルトは 。 <td style="box-sizing: border-box; vertical-align: top; padding-bottom: 2px; padding-top: 2px; padding-left: 10px; padding-right: 10px"></td>コンバータ列のコンバータ

パラメータ	説明
path	ファイルパス
sepまたは区切り文字	フィールド区切り文字
ヘッダー	列 名前の行数、デフォルトは 0 (最初の行)
index_col	列番号または名前は結果の行インデックスとして使用されます
names	結果の列名のリスト
skiprows	開始位置からスキップ
na_values	NA
comment	コメントを行末で区切る文字
parse_dates	データを 日時。デフォルトは <code class="highlighter-rouge" style='box-sizing: border-box; font-size: 12px; font-family: Menlo, Monaco, Consolas, "Courier New", monospace, Helvetica, Tahoma, Arial, "Hiragino Sans GB", "Heiti SC", "WenQuanYi Micro Hei", 文泉驿微米黑, STXihei, 华文细黑, "Microsoft YaHei", 微软雅黑, SimSun, 宋体, Heiti, 黑体, sans-serif; color: rgb(199,37,78); padding-bottom: 2px; padding-top: 2px; padding-left: 4px; padding-right: 4px; background-color: rgb(249,242,244); border-radius: 4px'>datetime。默认为False
keep_date_col	如果将列连接到解析日期，保留连接的列。默认为False
	🎜🎜🎜dayfirst🎜🎜 あいまいさを引き起こす可能性のある日付を解析する場合は、日付を内部形式に保存します。デフォルトは False
data_parser	用来解析日期的函数
nrows	从文件开始读取的行数
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
squeeze	如果解析的数据只包含一列，则返回一个Series
千	千の区切り文字

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

相关推荐：

Python数据分析库pandas基本操作方法_python

python之Numpy和Pandas的使用介绍

以上がPython データ処理ライブラリ pandas の入門の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。