Python 数据处理库 pandas 入门教程基本操作

Python  /  管理员 发布于 7年前   199

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Series和DataFrame两个数据结构。

这两种类型的数据结构对比如下：

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-da-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.pyimport pandas as pdimport numpy as npseries1 = pd.Series([1, 2, 3, 4])print("series1:\n{}\n".format(series1))

这段代码输出如下：

series1:0 11 22 33 4dtype: 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.pyprint("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.pyseries2 = 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 1D 2E 3F 4G 5A 6B 7dtype: int64E is 3DataFrame

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4x4的矩阵，以此来创建一个DataFrame，像这样：

# data_structure.pydf1 = 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 30 0 1 2 31 4 5 6 72 8 9 10 113 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.pydf2 = 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 column4a 0 1 2 3b 4 5 6 7c 8 9 10 11d 12 13 14 15

我们也可以直接指定列数据来创建DataFrame：

# data_structure.pydf3 = pd.DataFrme({"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 weekday0 C Mon1 D Tue2 E Wed3 F Thu4 G Fri5 A Sat6 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.pynoteSeries = 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 70 C D E F G A B1 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.pydf3["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 11 D Tue 22 E Wed 33 F Thu 44 G Fri 55 A Sat 66 B Sun 7df3: note No.0 C 11 D 22 E 33 F 44 G 55 A 66 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.pyprint("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.columnsIndex(['note', 'No.'], dtype='object')df3.indexRangeIndex(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.pyprint("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 C1 DName: note, dtype: objectNote C, D is:0 C1 DName: 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 xlrdName: xlrdVersion: 1.1.0Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet filesHome-page: http://www.python-excel.org/Author: John MachinAuthor-email: [email protected]: BSDLocation: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packagesRequires: 

接下来我们看一个读取Excel的简单的例子：

# file_operation.pyimport pandas as pdimport numpy as npdf1 = pd.read_excel("data/test.xlsx")print("df1:\n{}\n".format(df1))

这个Excel的内容如下：

df1: C Mon0 D Tue1 E Wed2 F Thu3 G Fri4 A Sat5 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,MonD,TueE,WedF,ThuG,FriA,Sat

读取的方式也很简单：

# file_operation.pydf2 = 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|MonD|TueE|WedF|ThuG|FriA|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.pydf3 = 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.pyimport pandas as pdimport numpy as npdf = 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 30 1.0 NaN 3.0 4.01 5.0 NaN NaN 8.02 9.0 NaN NaN 12.03 13.0 NaN 15.0 16.0df: 0 1 2 30 False True False False1 False True True False2 False True True False3 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.pyprint("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 DataFrameColumns: [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.pyprint("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 30 1.0 3.0 4.01 5.0 NaN 8.02 9.0 NaN 12.03 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.pyprint("df.fillna(1):\n{}\n".format(df.fillna(1)));

这段代码输出如下：

df.fillna(1):  0 1  2  30 1.0 1.0 3.0 4.01 5.0 1.0 1.0 8.02 9.0 1.0 1.0 12.03 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.pydf.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 col4index1 1.0 2.0 3.0 4.0index2 5.0 2.0 7.0 8.0index3 9.0 2.0 7.0 12.0index4 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.pyimport pandas as pds1 = 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  11 2 2 3 3  44  5dtype: objects1.str.strip():0 11 22 33 44 5dtype: objects1.str.isdigit():0 False1 False2 False3  True4  Truedtype: 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.pys2 = 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 heaven1     eruption2     freebird3   comfortably numb4 all along the watchtowerdtype: objects2.str.upper():0   STAIRWAY TO HEAVEN1     ERUPTION2     FREEBIRD3   COMFORTABLY NUMB4 ALL ALONG THE WATCHTOWERdtype: objects2.str.len():0 181  82  83 164 24dtype: int64

总结

以上所述是小编给大家介绍的Python 数据处理库 pandas 入门教程基本操作，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对站的支持！