Python 資料處理庫 pandas 入門
- 不言原創
- 2018-04-19 10:45:592350瀏覽
pandas是一個Python語言的軟體包，在我們使用Python語言進行機器學習程式設計的時候，這是一個非常常用的基礎程式庫。本文是對Python 資料處理庫pandas 入門教程,非常不錯，有興趣的朋友一起看看吧
pandas是一個Python語言的軟體包，在我們使用Python語言進行機器學習程式設計的時候，這是一個非常常用的基礎程式庫。本文是對它的一個入門教學。
pandas提供了快速，靈活和富有表現力的資料結構，目的是使「關係」或「標記」資料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適合許多不同類型的數據，包括：
#具有異質類型列的表格數據，例如SQL表格或Excel資料
有序和無序（不一定是固定頻率）時間序列資料。
具有行列標籤的任意矩陣資料（均勻類型或不同類型）
#任何其他形式的觀測/統計資料集。
由於這是Python語言的軟體包，因此需要你的機器上首先需要具備Python語言的環境。關於這一點，請自行在網路上搜尋取得方法。
關於如何取得pandas請參閱官網上的說明：pandas Installation。
通常情況下，我們可以透過pip來執行安裝：
sudo pip3 install pandas
#或透過conda 來安裝pandas：
conda install pandas
#目前（2018年2月）pandas的最新版本是v0.22.0（發佈時間： 2017年12月29日）。
我已經將本文的原始碼和測試資料放到Github上：pandas_tutorial ，讀者可以前往取得。
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，請參考這裡：Python 機器學習庫NumPy 教程
#核心資料結構
pandas最核心的就是Series和DataFrame兩個資料結構。
這兩種類型的資料結構比較如下：
DataFrame可以看做是Series的容器，也就是：一個DataFrame中可以包含若干個Series 。
附註：在0.20.0版本之前，還有一個三維的資料結構，名稱為Panel。這也是pandas庫取名的原因：pan-da-s。但這種資料結構由於很少被使用到，因此已經被廢棄了。
Series
#由於Series是一維結構的數據，我們可以直接透過陣列來建立這種數據，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))
這段程式碼輸出如下：
##
series1: 0 1 1 2 2 3 3 4 dtype: int64這段輸出說明如下：
- 輸出的最後一行是Series中資料的型，這裡的資料都是int64型別的。
- 資料在第二列輸出，第一列是資料的索引，在pandas中稱為Index。
# data_structure.py
print("series1.values: {}\n".format(series1.values))
print("series1.index: {}\n".format(series1.index))
這兩行程式碼輸出如下：
series1.values: [1 2 3 4] series1.index: RangeIndex(start=0, stop=4, step=1)#如果沒有指定（像上面這樣），索引是[1, N- 1]的形式。不過我們也可以在建立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。索引的目的是可以透過它來取得對應的數據，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"]))
##這段程式碼輸出如下：
#series2: C 1 D 2 E 3 F 4 G 5 A 6 B 7 dtype: int64 E is 3 DataFrame
下面我們來看看DataFrame的建立。我們可以透過NumPy的介面來建立4x4的矩陣，以此來建立一個DataFrame，像這樣：
# data_structure.py
df1 = pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1))
這段程式碼輸出如下：
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，預設的索引和列名都是[0, N-1]的形式。
我們可以在建立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))
這段程式碼輸出如下：
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資料來建立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))
這段程式碼輸出如下：
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的不同欄位可以是不同的資料型別
如果以Series陣列來建立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：
| 參數 | 說明 |
|---|---|
| path | 檔案路徑 |
| sep或delimiter | 字段分隔符號 |
| #header | 列名的行數，預設為0（第一行） |
| index_col | 列號或名稱用作結果中的行索引 |
| names | 結果的列名稱清單 |
| skiprows | 從起始位置跳過的行數 |
| na_values | 取代NA的值序列 |
| comment | 以行結尾分隔註解的字元 |
| parse_dates | 嘗試將資料解析為datetime。預設為False
|
| keep_date_col | 如果將列連接到解析日期，保留連接的列。預設為False。 |
| converters | 列的轉換器 |
| #dayfirst | 當解析可以造成歧義的日期時，以內部形式儲存。預設為False
|
| data_parser | 是用來解析日期的函數 |
| nrows | 從檔案開始讀取的行數 |
| iterator | 返回一個TextParser對象，用於讀取部分內容 |
| chunksize | 指定讀取區塊的大小 |
| skip_footer | 檔案末端需要忽略的行數 |
| verbose | 輸出各種解析輸出的資訊 |
| encoding | 檔案編碼 |
##encoding |
|
| # #squeeze | 如果解析的資料只包含一列，則傳回一個 |
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
以上是Python 資料處理庫 pandas 入門的詳細內容。更多資訊請關注PHP中文網其他相關文章！