Python Pandas基础教程

本网站用的阿里云ECS,推荐大家用。自己搞个学习研究也不错
pandas 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包

类似于 Numpy 的核心是 ndarray,pandas 也是围绕着 Series 和 DataFrame 两个核心数据结构展开的 。Series 和 DataFrame 分别对应于一维的序列和二维的表结构。pandas 约定俗成的导入方法如下:

 

from pandas import Series,DataFrame

import pandas as pd

 

 

Series


Series 可以看做一个定长的有序字典。基本任意的一维数据都可以用来构造 Series 对象:

 

>>> s = Series([1,2,3.0,'abc'])

>>> s

0      1

1      2

2      3

3    abc

dtype: object

 

虽然 dtype:object 可以包含多种基本数据类型,但总感觉会影响性能的样子,最好还是保持单纯的 dtype。

Series 对象包含两个主要的属性:index 和 values,分别为上例中左右两列。因为传给构造器的是一个列表,所以 index 的值是从 0 起递增的整数,如果传入的是一个类字典的键值对结构,就会生成 index-value 对应的 Series;或者在初始化的时候以关键字参数显式指定一个 index 对象:

 

>>> 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 对象的元素会严格依照给出的 index 构建,这意味着:如果 data 参数是有键值对的,那么只有 index 中含有的键会被使用;以及如果 data 中缺少响应的键,即使给出 NaN 值,这个键也会被添加。

注意 Series 的 index 和 values 的元素之间虽然存在对应关系,但这与字典的映射不同。index 和 values 实际仍为互相独立的 ndarray 数组,因此 Series 对象的性能完全 ok。

Series 这种使用键值对的数据结构最大的好处在于,Series 间进行算术运算时,index 会自动对齐。

另外,Series 对象和它的 index 都含有一个 name 属性:

 

>>> 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 是一个表格型的数据结构,它含有一组有序的列(类似于 index),每列可以是不同的值类型(不像 ndarray 只能有一个 dtype)。基本上可以把 DataFrame 看成是共享同一个 index 的 Series 的集合。

DataFrame 的构造方法与 Series 类似,只不过可以同时接受多条一维数据源,每一条都会成为单独的一列:

 

>>> 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]

 

虽然参数 data 看起来是个字典,但字典的键并非充当 DataFrame 的 index 的角色,而是 Series 的 “name” 属性。这里生成的 index 仍是 “01234”。

完整的 DataFrame 构造器参数为: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]

 

同样缺失值由 NaN 补上。看一下 index、columns 和 索引的类型:

 

>>> df.index

Index(['one', 'two', 'three', 'four', 'five'], dtype='object')

>>> df.columns

Index(['year', 'state', 'pop', 'debt'], dtype='object')

>>> type(df['debt'])



 

DataFrame 面向行和面向列的操作基本是平衡的,任意抽出一列都是 Series。
 

对象属性


查找索引

查找某个值在数组中的索引,类似于 Python 内建的 list.index(value) 方法。可以通过布尔索引来实现。比如我们想在一个 Series 中寻找到 ‘c’:

 

>>> ser = Series(list('abcdefg'))

>>> ser[ser='c']

2   c

dtype: object

 

Series 中还有一对 ser.idxmax()ser.idxmin() 方法,可以返回数组中最大(小)值的索引值,或者 .argmin().argmax() 返回索引位置。当然这两类方法也是可以通过上面这种 ser[ser=ser.max()] 来替代实现的。
 

修改索引

数组的 index 属性时不可变的,因此所谓修改索引,其实操作的是一个使用了新索引的新数组,并继承旧数据。

obj.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False) 方法接受一个新索引(key)并返回一个新数组。这个 key 的值可以是序列类型,也可以是调用者的一个列名,即将某一列设为新数组的索引。

 

>>> indexed_df = df.set_index(['A', 'B'])

>>> indexed_df2 = df.set_index(['A', [0, 1, 2, 0, 1, 2]])

>>> indexed_df3 = df.set_index('column1')

 

 

重新索引

Series 对象的重新索引通过其 .reindex(index=None,**kwargs) 方法实现。**kwargs 中常用的参数有俩: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() 方法会返回一个新对象,其 index 严格遵循给出的参数,method:{'backfill', 'bfill', 'pad', 'ffill', None} 参数用于指定插值(填充)方式,当没有给出时,自动用 fill_value 填充,默认为 NaN(ffill = pad,bfill = back fill,分别指插值时向前还是向后取值)

DataFrame 对象的重新索引方法为:.reindex(index=None,columns=None,**kwargs)。仅比 Series 多了一个可选的 columns 参数,用于给列索引。用法与上例类似,只不过插值方法 method 参数只能应用于,即轴 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]

 

不过 fill_value 依然对有效。聪明的小伙伴可能已经想到了,可不可以通过 df.T.reindex(index,method='**').T 这样的方式来实现在列上的插值呢,答案是可行的。另外要注意,使用 reindex(index,method='**') 的时候,index 必须是单调的,否则就会引发一个 ValueError: Must be monotonic for forward fill,比如上例中的最后一次调用,如果使用 index=['a','b','d','c'] 的话就不行。
 

删除指定轴上的项

即删除 Series 的元素或 DataFrame 的某一行(列)的意思,通过对象的 .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() 返回的是一个新对象,元对象不会被改变。
 

索引和切片

就像 Numpy,pandas 也支持通过 obj[::] 的方式进行索引和切片,以及通过布尔型数组进行过滤。

不过须要注意,因为 pandas 对象的 index 不限于整数,所以当使用非整数作为切片索引时,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]

 

还有一种特殊情况是:假如有这样一个索引 index([2,4,5]) ,当我们使用 ser[2] 索引的时候,到底会被解释为第一个索引还是第三个索引呢?

答案是第一个索引,即当你的数组 index 是整数类型的时候,你使用整数索引,都会被自动解释为基于标签的索引,而不是基于位置的索引。要想消除这种歧义,可以使用

  • .loc[label] 这是严格基于标签的索引
  • .iloc[inte] 这是严格基于整数位置的索引

.ix[] 更像是这两种严格方式的智能整合版。

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(na_last=True, ascending=True, kind='mergesort') 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)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:
 

######################## *******************************************
count 非 NA 值的数量
describe 针对 Series 或 DF 的列计算汇总统计
min , max 最小值和最大值
argmin , argmax 最小值和最大值的索引位置(整数)
idxmin , idxmax 最小值和最大值的索引值
quantile 样本分位数(0 到 1)
sum 求和
mean 均值
median 中位数
mad 根据均值计算平均绝对离差
var 方差
std 标准差
skew 样本值的偏度(三阶矩)
kurt 样本值的峰度(四阶矩)
cumsum 样本值的累计和
cummin , cummax 样本值的累计最大值和累计最小值
cumprod 样本值的累计积
diff 计算一阶差分(对时间序列很有用)
pct_change 计算百分数变化

 

协方差与相关系数

Series 有两个方法可以计算协方差与相关系数,方法的主要参数都是另一个 Series。DataFrame 的这两个方法会对进行两两运算,并返回一个 len(columns) 大小的方阵:

  • .corr(other, method='pearson', min_periods=1) 相关系数,默认皮尔森
  • .cov(other, min_periods=None) 协方差

min_periods 参数为样本量的下限,低于此值的不进行运算。
 

列与 Index 间的转换

DataFrame 的 .set_index(keys, drop=True, append=False, verify_integrity=False) 方法会将其一个或多个列转换为行索引,并返回一个新对象。默认 drop=True 表示转换后会删除那些已经变成行索引的列。另一个 .reset_index() 方法的作用正相反,会把已经层次化的索引转换回列里面。

 

>>> df = DataFrame(np.arange(8).reshape(4,2),columns=['a','b'])

>>> df

a  b

0  0  1

1  2  3

2  4  5

3  6  7

 

[4 rows x 2 columns]

>>> df2 = df.set_index('a')

>>> df2

b

a

0  1

2  3

4  5

6  7

 

[4 rows x 1 columns]

>>> df2.reset_index()

a  b

0  0  1

1  2  3

2  4  5

3  6  7

 

[4 rows x 2 columns]

 

 

处理缺失数据


pandas 中 NA 的主要表现为 np.nan,另外 Python 内建的 None 也会被当做 NA 处理。

处理 NA 的方法有四种:dropna , fillna , isnull , notnull
 

is(not)null

这一对方法对对象做元素级应用,然后返回一个布尔型数组,一般可用于布尔型索引。
 

dropna

对于一个 Series,dropna 返回一个仅含非空数据和索引值的 Series。

问题在于对 DataFrame 的处理方式,因为一旦 drop 的话,至少要丢掉一行(列)。这里的解决方式与前面类似,还是通过一个额外的参数:dropna(axis=0, how='any', thresh=None) ,how 参数可选的值为 any 或者 all。all 仅在切片元素全为 NA 时才抛弃该行(列)。另外一个有趣的参数是 thresh,该参数的类型为整数,它的作用是,比如 thresh=3,会在一行中至少有 3 个非 NA 值时将其保留。

fillna

fillna(value=None, method=None, axis=0) 中的 value 参数除了基本类型外,还可以使用字典,这样可以实现对不同的列填充不同的值。method 的用法与前面 .reindex() 方法相同,这里不再赘述。
 

inplace 参数


前面有个点一直没讲,结果整篇示例写下来发现还挺重要的。就是 Series 和 DataFrame 对象的方法中,凡是会对数组作出修改并返回一个新数组的,往往都有一个 replace=False 的可选参数。如果手动设定为 True,那么原数组就可以被替换。
 

层次化索引


层次化索引(hierarchical indexing)是 pandas 的一项重要功能,它允许你在一个轴上拥有多个索引级别。换句话说,一个使用了层次化的索引的二维数组,可以存储和处理三维以上的数据。

 

>>> hdf = DataFrame(np.arange(8).reshape(4,2),index=[['sh','sh','sz','sz'],['600000','600001','000001','000002']],columns=['open','close'])

>>> hdf

open  close

sh 600000     0      1

600001     2      3

sz 000001     4      5

000002     6      7

 

[4 rows x 2 columns]

>>> hdf.index

MultiIndex(levels=[['sh', 'sz'], ['000001', '000002', '600000', '600001']],

labels=[[0, 0, 1, 1], [2, 3, 0, 1]])

 

上例中原本 shsz 已经是第三维的索引了,但使用层次化索引后,可以将整个数据集控制在二维表结构中。这对于数据重塑和基于分组的操作(如生成透视表)比较重要。

索引或层次化索引对象(Index 与 MultiIndex)都有一个 names 属性,可以用来给索引层次命名,以便索引和增加直观性。对 names 属性的操作可以直接通过 obj.index.names=[] 的形式来实现。

转载自演道,想查看更及时的互联网产品技术热点文章请点击http://go2live.cn

未经允许不得转载:演道网 » Python Pandas基础教程

赞 (0)
分享到:更多 ()
已有 0 条评论 新浪微博