查看原文
其他

Python 数据处理库 pandas 入门教程

(点击上方公众号,可快速关注)


来源:强波的技术博客

qiangbo.space/2018-02-15/pandas_tutorial/


pandas是一个Python语言的软件包,在我们使用Python语言进行机器学习编程的时候,这是一个非常常用的基础编程库。本文是对它的一个入门教程。

pandas提供了快速,灵活和富有表现力的数据结构,目的是使“关系”或“标记”数据的工作既简单又直观。它旨在成为在Python中进行实际数据分析的高级构建块。

入门介绍

pandas适合于许多不同类型的数据,包括:

  • 具有异构类型列的表格数据,例如SQL表格或Excel数据

  • 有序和无序(不一定是固定频率)时间序列数据。

  • 具有行列标签的任意矩阵数据(均匀类型或不同类型)

  • 任何其他形式的观测/统计数据集。

由于这是一个Python语言的软件包,因此需要你的机器上首先需要具备Python语言的环境。关于这一点,请自行在网络上搜索获取方法。

关于如何获取pandas请参阅官网上的说明:pandas Installation。

通常情况下,我们可以通过pip来执行安装:

sudo pip3 install pandas


或者通过conda 来安装pandas:


conda install pandas


目前(2018年2月)pandas的最新版本是v0.22.0(发布时间:2017年12月29日)。

我已经将本文的源码和测试数据放到Github上: pandas_tutorial ,读者可以前往获取。

另外,pandas常常和NumPy一起使用,本文中的源码中也会用到NumPy。

建议读者先对NumPy有一定的熟悉再来学习pandas,我之前也写过一个NumPy的基础教程,参见这里:Python 机器学习库 NumPy 教程

核心数据结构

pandas最核心的就是SeriesDataFrame两个数据结构。

这两种类型的数据结构对比如下:

名称维度说明
Series1维带有标签的同构类型数组
DataFrame2维表格结构,带有标签,大小可变,且可以包含异构的数据列

DataFrame可以看做是Series的容器,即:一个DataFrame中可以包含若干个Series。

注:在0.20.0版本之前,还有一个三维的数据结构,名称为Panel。这也是pandas库取名的原因:pan(el)-da(ta)-s。但这种数据结构由于很少被使用到,因此已经被废弃了。

Series

由于Series是一维结构的数据,我们可以直接通过数组来创建这种数据,像这样:

# data_structure.py

 

import pandas as pd

import numpy as np

 

series1 = pd.Series([1, 2, 3, 4])

print("series1:\n{}\n".format(series1))


这段代码输出如下:


series1:

0    1

1    2

2    3

3    4

dtype: int64


这段输出说明如下:

  • 输出的最后一行是Series中数据的类型,这里的数据都是int64类型的。

  • 数据在第二列输出,第一列是数据的索引,在pandas中称之为Index

我们可以分别打印出Series中的数据和索引:

# data_structure.py

 

print("series1.values: {}\n".format(series1.values))

 

print("series1.index: {}\n".format(series1.index))


这两行代码输出如下:


series1.values: [1 2 3 4]

 

series1.index: RangeIndex(start=0, stop=4, step=1)


如果不指定(像上面这样),索引是[1, N-1]的形式。不过我们也可以在创建Series的时候指定索引。索引未必一定需要是整数,可以是任何类型的数据,例如字符串。例如我们以七个字母来映射七个音符。索引的目的是可以通过它来获取对应的数据,例如下面这样:


# 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"]))


这段代码输出如下:


series2:

C    1

D    2

E    3

F    4

G    5

A    6

B    7

dtype: int64

 

E is 3


DataFrame

下面我们来看一下DataFrame的创建。我们可以通过NumPy的接口来创建一个4×4的矩阵,以此来创建一个DataFrame,像这样:

# data_structure.py

 

df1 = pd.DataFrame(np.arange(16).reshape(4,4))

print("df1:\n{}\n".format(df1))


这段代码输出如下:


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


从这个输出我们可以看到,默认的索引和列名都是[0, N-1]的形式。

我们可以在创建DataFrame的时候指定列名和索引,像这样:

# 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))


这段代码输出如下:


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


我们也可以直接指定列数据来创建DataFrame:


# data_structure.py

 

df3 = pd.DataFrame({"note" : ["C", "D", "E", "F", "G", "A", "B"],

    "weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})

print("df3:\n{}\n".format(df3))


这段代码输出如下:


df3:

  note weekday

0    C     Mon

1    D     Tue

2    E     Wed

3    F     Thu

4    G     Fri

5    A     Sat

6    B     Sun


请注意:

  • DataFrame的不同列可以是不同的数据类型

  • 如果以Series数组来创建DataFrame,每个Series将成为一行,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:

参数说明
path文件路径
sep或者delimiter字段分隔符
header列名的行数,默认是0(第一行)
index_col列号或名称用作结果中的行索引
names结果的列名称列表
skiprows从起始位置跳过的行数
na_values代替NA的值序列
comment以行结尾分隔注释的字符
parse_dates尝试将数据解析为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
converters列的转换器
dayfirst当解析可以造成歧义的日期时,以内部形式存储。默认为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
thousands千数量的分隔符

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。

Seriesstr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


结束语

本文是pandas的入门教程,因此我们只介绍了最基本的操作。对于

  • MultiIndex/Advanced Indexing

  • Merge, join, concatenate

  • Computational tools

之类的高级功能,以后有机会我们再来一起学习。

读者也可以根据下面的链接获取更多的知识。

参考资料与推荐读物

  • pandas官方网站

  • Python for Data Analysis

  • Pandas Tutorial: Data analysis with Python: Part 1



看完本文有收获?请转发分享给更多人

关注「数据分析与开发」,提升数据技能

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存