pandas 基礎

pandas 是基於 Numpy 建構的含有更高級資料結構和工具的資料分析套件

類似 Numpy 的核心是 ndarray，pandas 也是圍繞著 Series 和 DataFrame 兩個核心資料結構展開的 。 Series 和 DataFrame 分別對應於一維的序列和二維的表結構。 pandas 約定俗成的導入方法如下：

from pandas import Series,DataFrame
import pandas as pd

 

Series

---

Series 可以看做一個定長的有序字典。基本上任意的一維資料都可以用來建構Series 物件：

>>> s = Series([1,2,3.0,'abc'])
>>> s
0      1
1      2
2      3
3    abc
dtype: object

雖然 dtype:object 可以包含多種基本資料類型，但總感覺會影響效能的樣子，最好還是保持單純的dtype。

Series 物件包含兩個主要的屬性：index 和 values，分別為上例中左右兩列。因為傳給建構器的是一個列表，所以index 的值是從0 起遞增的整數，如果傳入的是一個類別字典的鍵值對結構，就會產生index-value 對應的Series；或是在初始化的時候以關鍵字參數明確指定一個index 物件：

>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y'])
>>> s
a    1
b    3
x    5
y    7
dtype: int64
>>> s.index
Index(['a', 'b', 'x', 'y'], dtype='object')
>>> s.values
array([1, 3, 5, 7], dtype=int64)

Series 物件的元素會嚴格按照給定的index 構建，這表示：如果data 參數是有鍵值對的，那麼只有index 中包含的鍵會被使用；以及如果data 中缺少回應的鍵，即使給出NaN 值，這個鍵也會被加入。

注意 Series 的 index 和 values 的元素之間雖然存在對應關係，但這與字典的映射不同。 index 和 values 實際上仍為互相獨立的 ndarray 數組，因此 Series 物件的效能完全 ok。

Series 這種使用鍵值對的資料結構最大的好處在於，Series 間進行算術運算時，index 會自動對齊。

此外，Series 物件和它的index 都含有一個 name 屬性：

>>> s.name = 'a_series'
>>> s.index.name = 'the_index'
>>> s
the_index
a            1
b            3
x            5
y            7
Name: a_series, dtype: int64

 

#DataFrame

---

#DataFrame是一個表格型的資料結構，它含有一組有序的欄位（類似index），每列可以是不同的值類型（不像ndarray 只能有一個dtype）。基本上可以把 DataFrame 看成是共享同一個 index 的 Series 的集合。

DataFrame 的建構方法與Series 類似，只不過可以同時接受多條一維資料來源，每一條都會成為單獨的一列：

>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],
        'year':[2000,2001,2002,2001,2002],
        'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df = DataFrame(data)
>>> df
   pop   state  year
0  1.5   Ohino  2000
1  1.7   Ohino  2001
2  3.6   Ohino  2002
3  2.4  Nevada  2001
4  2.9  Nevada  2002

[5 rows x 3 columns]

雖然參數data 看起來是個字典，但字典的鍵並非扮演DataFrame 的index 的角色，而是Series 的「name」 屬性。這裡生成的 index 仍是 “01234”。

較完整的DataFrame 建構子參數為：DataFrame(data=None,index=None,coloumns=None)，columns 即「name」：

>>> df = DataFrame(data,index=['one','two','three','four','five'],
               columns=['year','state','pop','debt'])
>>> df
       year   state  pop debt
one    2000   Ohino  1.5  NaN
two    2001   Ohino  1.7  NaN
three  2002   Ohino  3.6  NaN
four   2001  Nevada  2.4  NaN
five   2002  Nevada  2.9  NaN

[5 rows x 4 columns]

同樣缺失值由NaN 補上。看一下 index、columns 和 索引的類型：

>>> df.index
Index(['one', 'two', 'three', 'four', 'five'], dtype='object')
>>> df.columns
Index(['year', 'state', 'pop', 'debt'], dtype='object')
>>> type(df['debt'])
<class &#39;pandas.core.series.Series&#39;>

DataFrame 面向行和麵向列的操作基本上是平衡的，任意抽出一列都是 Series。

物件屬性

---

重新索引

Series 物件的重新索引透過其 .reindex(index=None,**kwargs) 方法實現。 **kwargs 中常用的參數有兩個：method=None,fill_value=np.NaN：

ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c'])
>>> a = ['a','b','c','d','e']
>>> ser.reindex(a)
a   -5.3
b    7.2
c    3.6
d    4.5
e    NaN
dtype: float64
>>> ser.reindex(a,fill_value=0)
a   -5.3
b    7.2
c    3.6
d    4.5
e    0.0
dtype: float64
>>> ser.reindex(a,method='ffill')
a   -5.3
b    7.2
c    3.6
d    4.5
e    4.5
dtype: float64
>>> ser.reindex(a,fill_value=0,method='ffill')
a   -5.3
b    7.2
c    3.6
d    4.5
e    4.5
dtype: float64

.reindex() 方法會傳回一個新對象，其index 嚴格遵循給出的參數，method:{'backfill', 'bfill', 'pad', 'ffill', None} 參數用於指定內插法（填入）方式，當沒有給出時，自動用 fill_value 填充，預設為NaN（ffill = pad，bfill = back fill，分別指插值時向前或向後取值）

DataFrame 物件的重新索引方法為：.reindex(index=None,columns=None,**kwargs)。僅比 Series 多了一個可選的 columns 參數，用於給列索引。用法與上例類似，只不過插值方法 method 參數只能套用於行，即軸 0。

>>> state = ['Texas','Utha','California']
>>> df.reindex(columns=state,method='ffill')
    Texas  Utha  California
a      1   NaN           2
c      4   NaN           5  
d      7   NaN           8

[3 rows x 3 columns]
>>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill')
   Texas  Utha  California
a      1   NaN           2
b      1   NaN           2
c      4   NaN           5
d      7   NaN           8

[4 rows x 3 columns]

不過 fill_value 仍對有效。聰明的小夥伴可能已經想到了，可不可以透過 df.T.reindex(index,method='**').T 這樣的方式來實現在列上的插值呢，答案是可行的。另外要注意，使用 reindex(index,method='**') 的時候，index 必須是單調的，否則就會引發一個 ValueError: Must be monotonic for forward fill ，例如上例中的最後一次調用，如果使用 index=['a','b','d','c'] 的話就不行。

刪除指定軸上的項目

即刪除Series 的元素或DataFrame 的某一行（列）的意思，透過物件的 .drop(labels, axis=0) 方法：

>>> ser
d    4.5
b    7.2
a   -5.3
c    3.6
dtype: float64
>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> ser.drop('c')
d    4.5
b    7.2
a   -5.3
dtype: float64
>>> df.drop('a')
   Ohio  Texas  California
c     3      4           5
d     6      7           8

[2 rows x 3 columns]
>>> df.drop(['Ohio','Texas'],axis=1)
   California
a           2
c           5
d           8

[3 rows x 1 columns]

.drop() 回傳的是一個新對象，元物件不會被改變。 

索引和切片

就像 Numpy，pandas 也支援透過 obj[::] 的方式進行索引和切片，以及透過布林型陣列進行篩選。

不過須要注意，因為 pandas 物件的 index 不限於整數，所以當使用非整數作為切片索引時，它是末端包含的。

>>> foo
a    4.5
b    7.2
c   -5.3
d    3.6
dtype: float64
>>> bar
0    4.5
1    7.2
2   -5.3
3    3.6
dtype: float64
>>> foo[:2]
a    4.5
b    7.2
dtype: float64
>>> bar[:2]
0    4.5
1    7.2
dtype: float64
>>> foo[:'c']
a    4.5
b    7.2
c   -5.3
dtype: float64

这里 foo 和 bar 只有 index 不同——bar 的 index 是整数序列。可见当使用整数索引切片时，结果与 Python 列表或 Numpy 的默认状况相同；换成 'c' 这样的字符串索引时，结果就包含了这个边界元素。

另外一个特别之处在于 DataFrame 对象的索引方式，因为他有两个轴向（双重索引）。

可以这么理解：DataFrame 对象的标准切片语法为：.ix[::,::]。ix 对象可以接受两套切片，分别为行（axis=0）和列（axis=1）的方向：

>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.ix[:2,:2]
   Ohio  Texas
a     0      1
c     3      4

[2 rows x 2 columns]
>>> df.ix['a','Ohio']
0

而不使用 ix ，直接切的情况就特殊了：

• 索引时，选取的是列

• 切片时，选取的是行

这看起来有点不合逻辑，但作者解释说 “这种语法设定来源于实践”，我们信他。

>>> df['Ohio']
a    0
c    3
d    6
Name: Ohio, dtype: int32
>>> df[:'c']
   Ohio  Texas  California
a     0      1           2
c     3      4           5

[2 rows x 3 columns]
>>> df[:2]
   Ohio  Texas  California
a     0      1           2
c     3      4           5

[2 rows x 3 columns]

使用布尔型数组的情况，注意行与列的不同切法（列切法的 : 不能省）：

>>> df['Texas']>=4
a    False
c     True
d     True
Name: Texas, dtype: bool
>>> df[df['Texas']>=4]
   Ohio  Texas  California
c     3      4           5
d     6      7           8

[2 rows x 3 columns]
>>> df.ix[:,df.ix['c']>=4]
   Texas  California
a      1           2
c      4           5
d      7           8

[3 rows x 2 columns]

 

算术运算和数据对齐

pandas 最重要的一个功能是，它可以对不同索引的对象进行算术运算。在将对象相加时，结果的索引取索引对的并集。自动的数据对齐在不重叠的索引处引入空值，默认为 NaN。

>>> foo = Series({'a':1,'b':2})
>>> foo
a    1
b    2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b    3
d    4
dtype: int64
>>> foo + bar
a   NaN
b     5
d   NaN
dtype: float64

DataFrame 的对齐操作会同时发生在行和列上。

当不希望在运算结果中出现 NA 值时，可以使用前面 reindex 中提到过 fill_value 参数，不过为了传递这个参数，就需要使用对象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算术方法还有：sub(), div(), mul()。

Series 和 DataFrame 之间的算术运算涉及广播，暂时先不讲。 

函数应用和映射

Numpy 的 ufuncs（元素级数组方法）也可用于操作 pandas 对象。

当希望将函数应用到 DataFrame 对象的某一行或列时，可以使用 .apply(func, axis=0, args=(), **kwds) 方法。

f = lambda x:x.max()-x.min()
>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.apply(f)
Ohio          6
Texas         6
California    6
dtype: int64
>>> df.apply(f,axis=1)
a    2
c    2
d    2
dtype: int64

 

排序和排名

Series 的 sort_index(ascending=True) 方法可以对 index 进行排序操作，ascending 参数用于控制升序或降序，默认为升序。

若要按值对 Series 进行排序，当使用 .order() 方法，任何缺失值默认都会被放到 Series 的末尾。

在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一个轴向的选择参数与一个 by 参数，by 参数的作用是针对某一（些）列进行排序（不能对行使用 by 参数）：

>>> df.sort_index(by='Ohio')
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.sort_index(by=['California','Texas'])
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.sort_index(axis=1)
   California  Ohio  Texas
a           2     0      1
c           5     3      4
d           8     6      7

[3 rows x 3 columns]

排名（Series.rank(method='average', ascending=True)）的作用与排序的不同之处在于，他会把对象的 values 替换成名次（从 1 到 n）。这时唯一的问题在于如何处理平级项，方法里的 method 参数就是起这个作用的，他有四个值可选：average, min, max, first。

>>> ser=Series([3,2,0,3],index=list('abcd'))
>>> ser
a    3
b    2
c    0
d    3
dtype: int64
>>> ser.rank()
a    3.5
b    2.0
c    1.0
d    3.5
dtype: float64
>>> ser.rank(method='min')
a    3
b    2
c    1
d    3
dtype: float64
>>> ser.rank(method='max')
a    4
b    2
c    1
d    4
dtype: float64
>>> ser.rank(method='first')
a    3
b    2
c    1
d    4
dtype: float64

注意在 ser[0]=ser[3] 这对平级项上，不同 method 参数表现出的不同名次。

DataFrame 的 .rank(axis=0, method='average', ascending=True) 方法多了个 axis 参数，可选择按行或列分别进行排名，暂时好像没有针对全部元素的排名方法。 

统计方法

pandas 对象有一些统计方法。它们大部分都属于约简和汇总统计，用于从 Series 中提取单个值，或从 DataFrame 的行或列中提取一个 Series。

比如 DataFrame.mean(axis=0,skipna=True) 方法，当数据集中存在 NA 值时，这些值会被简单跳过，除非整个切片（行或列）全是 NA，如果不想这样，则可以通过 skipna=False 来禁用此功能：

>>> df
    one  two
a  1.40  NaN
b  7.10 -4.5
c   NaN  NaN
d  0.75 -1.3

[4 rows x 2 columns]
>>> df.mean()
one    3.083333
two   -2.900000
dtype: float64
>>> df.mean(axis=1)
a    1.400
b    1.300
c      NaN
d   -0.275
dtype: float64
>>> df.mean(axis=1,skipna=False)
a      NaN
b    1.300
c      NaN
d   -0.275
dtype: float64

其他常用的统计方法有： 

******** **********************************#非NA 值的數量針對Series 或DF 的列計算總計統計最小值與最大值最小值與最大值的索引位置（整數）最小值和最大值的索引值樣本分位數（0 到1 )求和平均##median中位數mad#根據平均值計算平均絕對離差#var方差std標準差##樣本值的偏度（三階矩）樣本值的峰度（四階矩）樣本值的累積和樣本值的累積最大值和累積最小值

	count
	describe
	min , max
	argmin , argmax
	idxmin , idxmax
	quantile
	sum
	#mean
	kurt
	cumsum
	cummin , cummax

cumprod

樣本值的累計積

---

#diff計算一階差分（對時間序列很有用）

pct_change

計算百分數變化

# ##處理缺失資料

---

###################### ###pandas 中NA 的主要表現為np.nan，另外Python 內建的None 也會被當作NA 處理。 ######處理 NA 的方法有四種：###dropna , fillna , isnull , notnull### 。 ######is(not)null######這一對方法對物件做元素級應用，然後傳回一個布林型數組，一般可用於布林型索引。 ######dropna######對於一個 Series，dropna 傳回一個只包含非空資料和索引值的 Series。 ######問題在於 DataFrame 的處理方式，因為一旦 drop 的話，至少要丟掉一行（列）。這裡的解決方式與前面類似，還是透過一個額外的參數：###dropna(axis=0, how='any', thresh=None)### ，how 參數可選的值為 any 或 all。 all 僅在切片元素全為 NA 時才拋棄該行(列)。另外一個有趣的參數是 thresh，該參數的類型為整數，它的作用是，例如 thresh=3，會在一行中至少有 3 個非 NA 值時將其保留。 ######fillna#########fillna(value=None, method=None, axis=0)### 中的value 參數除了基本型別外，還可以使用字典，這樣可以實現對不同的列填入不同的值。 method 的用法與前面 ###.reindex()### 方法相同，這裡不再贅述。 ######inplace 參數#########前面有個點一直沒講，結果整篇範例寫下來發現還挺重要的。就是 Series 和 DataFrame 物件的方法中，凡是會對陣列做出修改並傳回一個新陣列的，往往都有一個 ###replace=False### 的選用參數。如果手動設定為 True，那麼原始數組就可以被替換。 ###

以上是pandas 基礎的詳細內容。更多資訊請關注PHP中文網其他相關文章！