Pandas之:Pandas简洁教程

简介

pandas是建立在Python编程语言之上的一种快速 强大 灵活且易于使用的开源数据分析和处理工具 它含有使数据清洗和分析?作变得更快更简单的数据结构和操作?具。pandas经常和其它?具?同使? 如数值计算?具NumPy和SciPy 分析库statsmodels和scikit-learn 和数据可视化库matplotlib等。

pandas是基于NumPy数组构建的 虽然pandas采?了?量的NumPy编码?格 但?者最?的不同是pandas是专?为处理表格和混杂数据设计的。?NumPy更适合处理统?的数值数组数据。

本文是关于Pandas的简洁教程。

对象创建

因为Pandas是基于NumPy数组来构建的 所以我们在引用的时候需要同时引用Pandas和NumPy

In [1]: import numpy as np
In [2]: import pandas as pd

Pandas中最主要的两个数据结构是Series和DataFrame。

Series和一维数组很相似 它是由NumPy的各种数据类型来组成的 同时还包含了和这组数据相关的index。

我们来看一个Series的例子

In [3]: pd.Series([1, 3, 5, 6, 8])
Out[3]:
dtype: int64

左边的是索引 右边的是值。因为我们在创建Series的时候并没有指定index 所以index是从0开始到n-1结束。

Series在创建的时候还可以传入np.nan表示空值

In [4]: pd.Series([1, 3, 5, np.nan, 6, 8])
Out[4]:
0 1.0
1 3.0
2 5.0
3 NaN
4 6.0
5 8.0
dtype: float64

DataFrame是?个表格型的数据结构 它含有?组有序的列 每列可以是不同的值类型 数值、字符串、布尔值等 。

DataFrame既有?索引也有列索引 它可以被看做由Series组成的字典 共?同?个索引 。

看一个创建DataFrame的例子

In [5]: dates pd.date_range( 20201201 , periods 6)
In [6]: dates
Out[6]:
DatetimeIndex([ 2020-12-01 , 2020-12-02 , 2020-12-03 , 2020-12-04 ,
 2020-12-05 , 2020-12-06 ],
 dtype datetime64[ns] , freq D )

上面我们创建了一个index的list。

然后使用这个index来创建一个DataFrame

In [7]: pd.DataFrame(np.random.randn(6, 4), index dates, columns list( ABCD ))
Out[7]:
 A B C D
2020-12-01 1.536312 -0.318095 -0.737956 0.143352
2020-12-02 1.325221 0.065641 -2.763370 -0.130511
2020-12-03 -1.143560 -0.805807 0.174722 0.427027
2020-12-04 -0.724206 0.050155 -0.648675 -0.645166
2020-12-05 0.182411 0.956385 0.349465 -0.484040
2020-12-06 1.857108 1.245928 -0.767316 -1.890586

上面的DataFrame接收三个参数 第一个参数是DataFrame的表格数据 第二个参数是index的值 也可以看做是行名 第三个参数是列名。

还可以直接传入一个字典来创建一个DataFrame

In [9]: pd.DataFrame({ A : 1.,
 ...: B : pd.Timestamp( 20201202 ),
 ...: C : pd.Series(1, index list(range(4)), dtype float32 ),
 ...: D : np.array([3] * 4, dtype int32 ),
 ...: E : pd.Categorical([ test , train , test , train ]),
 ...: F : foo })
 ...:
Out[9]:
 A B C D E F
0 1.0 2020-12-02 1.0 3 test foo
1 1.0 2020-12-02 1.0 3 train foo
2 1.0 2020-12-02 1.0 3 test foo
3 1.0 2020-12-02 1.0 3 train foo

上面的DataFrame中 每个列都有不同的数据类型。

我们用个图片来更好的理解DataFrame和Series

它就像是Excel中的表格 带有行头和列头。

DataFrame中的每一列都可以看做是一个Series

查看数据

创建好Series和DataFrame之后 我们就可以查看他们的数据了。

Series可以通过index和values来获取其索引和值信息

In [10]: data1 pd.Series([1, 3, 5, np.nan, 6, 8])
In [12]: data1.index
Out[12]: RangeIndex(start 0, stop 6, step 1)
In [14]: data1.values
Out[14]: array([ 1., 3., 5., nan, 6., 8.])

DataFrame可以看做是Series的集合 所以DataFrame带有更多的属性

In [16]: df.head()
Out[16]:
 A B C D
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599
2020-12-03 0.610846 0.216937 0.821258 0.805818
2020-12-04 0.490105 0.732421 0.547129 -0.443274
2020-12-05 -0.475531 -0.853141 0.160017 0.986973
In [17]: df.tail(3)
Out[17]:
 A B C D
2020-12-04 0.490105 0.732421 0.547129 -0.443274
2020-12-05 -0.475531 -0.853141 0.160017 0.986973
2020-12-06 0.288091 -2.164323 0.193989 -0.197923

head跟tail分别取得DataFrame的头几行和尾部几行。

同样的DataFrame也有index和columns

In [19]: df.index
Out[19]:
DatetimeIndex([ 2020-12-01 , 2020-12-02 , 2020-12-03 , 2020-12-04 ,
 2020-12-05 , 2020-12-06 ],
 dtype datetime64[ns] , freq D )
In [20]: df.values
Out[20]:
array([[ 0.44624818, -0.0605494 , -0.44566462, -1.39250227],
 [-1.11974917, -1.65977552, -0.61865617, 1.97159943],
 [ 0.61084596, 0.2169369 , 0.82125808, 0.80581847],
 [ 0.49010504, 0.73242082, 0.54712889, -0.44327351],
 [-0.47553134, -0.85314134, 0.16001748, 0.98697257],
 [ 0.28809148, -2.16432292, 0.19398863, -0.19792266]])

describe方法可以对数据进行统计

In [26]: df.describe()
Out[26]:
 A B C D
count 6.000000 6.000000 6.000000 6.000000
mean 0.040002 -0.631405 0.109679 0.288449
std 0.687872 1.128019 0.556099 1.198847
min -1.119749 -2.164323 -0.618656 -1.392502
25% -0.284626 -1.458117 -0.294244 -0.381936
50% 0.367170 -0.456845 0.177003 0.303948
75% 0.479141 0.147565 0.458844 0.941684
max 0.610846 0.732421 0.821258 1.971599

还可以对DataFrame进行转置

In [27]: df.T
Out[27]:
 2020-12-01 2020-12-02 2020-12-03 2020-12-04 2020-12-05 2020-12-06
A 0.446248 -1.119749 0.610846 0.490105 -0.475531 0.288091
B -0.060549 -1.659776 0.216937 0.732421 -0.853141 -2.164323
C -0.445665 -0.618656 0.821258 0.547129 0.160017 0.193989
D -1.392502 1.971599 0.805818 -0.443274 0.986973 -0.197923

可以按行和按列进行排序

In [28]: df.sort_index(axis 1, ascending False)
Out[28]:
 D C B A
2020-12-01 -1.392502 -0.445665 -0.060549 0.446248
2020-12-02 1.971599 -0.618656 -1.659776 -1.119749
2020-12-03 0.805818 0.821258 0.216937 0.610846
2020-12-04 -0.443274 0.547129 0.732421 0.490105
2020-12-05 0.986973 0.160017 -0.853141 -0.475531
2020-12-06 -0.197923 0.193989 -2.164323 0.288091
In [29]: df.sort_values(by B )
Out[29]:
 A B C D
2020-12-06 0.288091 -2.164323 0.193989 -0.197923
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599
2020-12-05 -0.475531 -0.853141 0.160017 0.986973
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502
2020-12-03 0.610846 0.216937 0.821258 0.805818
2020-12-04 0.490105 0.732421 0.547129 -0.443274

选择数据

通过DataFrame的列名 可以选择代表列的Series

In [30]: df[ A ]
Out[30]:
2020-12-01 0.446248
2020-12-02 -1.119749
2020-12-03 0.610846
2020-12-04 0.490105
2020-12-05 -0.475531
2020-12-06 0.288091
Freq: D, Name: A, dtype: float64

通过切片可以选择行

In [31]: df[0:3]
Out[31]:
 A B C D
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599
2020-12-03 0.610846 0.216937 0.821258 0.805818

或者这样

In [32]: df[ 20201202 : 20201204 ]
Out[32]:
 A B C D
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599
2020-12-03 0.610846 0.216937 0.821258 0.805818
2020-12-04 0.490105 0.732421 0.547129 -0.443274

loc和iloc

使用loc可以使用轴标签来选取数据。

In [33]: df.loc[:, [ A , B ]]
Out[33]:
2020-12-01 0.446248 -0.060549
2020-12-02 -1.119749 -1.659776
2020-12-03 0.610846 0.216937
2020-12-04 0.490105 0.732421
2020-12-05 -0.475531 -0.853141
2020-12-06 0.288091 -2.164323

前面是行的选择 后面是列的选择。

还可以指定index的名字

In [34]: df.loc[ 20201202 : 20201204 , [ A , B ]]
Out[34]:
2020-12-02 -1.119749 -1.659776
2020-12-03 0.610846 0.216937
2020-12-04 0.490105 0.732421

如果index的名字不是切片的话 将会给数据降维

In [35]: df.loc[ 20201202 , [ A , B ]]
Out[35]:
A -1.119749
B -1.659776
Name: 2020-12-02 00:00:00, dtype: float64

如果后面列是一个常量的话 直接返回对应的值

In [37]: df.loc[ 20201202 , A ]
Out[37]: -1.1197491665145112

iloc是根据值来选取数据,比如我们选择第三行

In [42]: df.iloc[3]
Out[42]:
A 0.490105
B 0.732421
C 0.547129
D -0.443274
Name: 2020-12-04 00:00:00, dtype: float64

它其实和df.loc[‘2020-12-04’]是等价的

In [41]: df.loc[ 2020-12-04 ]
Out[41]:
A 0.490105
B 0.732421
C 0.547129
D -0.443274
Name: 2020-12-04 00:00:00, dtype: float64

同样可以传入切片

In [43]: df.iloc[3:5, 0:2]
Out[43]:
2020-12-04 0.490105 0.732421
2020-12-05 -0.475531 -0.853141

可以传入list

In [44]: df.iloc[[1, 2, 4], [0, 2]]
Out[44]:
2020-12-02 -1.119749 -0.618656
2020-12-03 0.610846 0.821258
2020-12-05 -0.475531 0.160017

取具体某个格子的值

In [45]: df.iloc[1, 1]
Out[45]: -1.6597755161871708

布尔索引

DataFrame还可以通过布尔值来进行索引 下面是找出列A中所有元素大于0的

In [46]: df[df[ A ] 0]
Out[46]:
 A B C D
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502
2020-12-03 0.610846 0.216937 0.821258 0.805818
2020-12-04 0.490105 0.732421 0.547129 -0.443274
2020-12-06 0.288091 -2.164323 0.193989 -0.197923

或者找出整个DF中 值大于0的

In [47]: df[df 0]
Out[47]:
 A B C D
2020-12-01 0.446248 NaN NaN NaN
2020-12-02 NaN NaN NaN 1.971599
2020-12-03 0.610846 0.216937 0.821258 0.805818
2020-12-04 0.490105 0.732421 0.547129 NaN
2020-12-05 NaN NaN 0.160017 0.986973
2020-12-06 0.288091 NaN 0.193989 NaN

可以给DF添加一列

In [48]: df[ E ] [ one , one , two , three , four , three ]
In [49]: df
Out[49] 
 A B C D E
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502 one
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599 one
2020-12-03 0.610846 0.216937 0.821258 0.805818 two
2020-12-04 0.490105 0.732421 0.547129 -0.443274 three
2020-12-05 -0.475531 -0.853141 0.160017 0.986973 four
2020-12-06 0.288091 -2.164323 0.193989 -0.197923 three

使用isin()来进行范围值的判断判断

In [50]: df[df[ E ].isin([ two , four ])]
Out[50]:
 A B C D E
2020-12-03 0.610846 0.216937 0.821258 0.805818 two
2020-12-05 -0.475531 -0.853141 0.160017 0.986973 four

处理缺失数据

现在我们的df有a,b,c,d,e这5列 如果我们再给他加一列f 那么f的初始值将会是NaN

In [55]: df.reindex(columns list(df.columns) [ F ])
Out[55]:
 A B C D E F
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502 one NaN
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599 one NaN
2020-12-03 0.610846 0.216937 0.821258 0.805818 two NaN
2020-12-04 0.490105 0.732421 0.547129 -0.443274 three NaN
2020-12-05 -0.475531 -0.853141 0.160017 0.986973 four NaN
2020-12-06 0.288091 -2.164323 0.193989 -0.197923 three NaN

我们给前面的两个F赋值

In [74]: df1.iloc[0:2,5] 1
In [75]: df1
Out[75]:
 A B C D E F
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502 one 1.0
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599 one 1.0
2020-12-03 0.610846 0.216937 0.821258 0.805818 two NaN
2020-12-04 0.490105 0.732421 0.547129 -0.443274 three NaN
2020-12-05 -0.475531 -0.853141 0.160017 0.986973 four NaN
2020-12-06 0.288091 -2.164323 0.193989 -0.197923 three NaN

可以drop所有为NaN的行

In [76]: df1.dropna(how any )
Out[76]:
 A B C D E F
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502 one 1.0
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599 one 1.0

可以填充NaN的值

In [77]: df1.fillna(value 5)
Out[77]:
 A B C D E F
2020-12-01 0.446248 -0.060549 -0.445665 -1.392502 one 1.0
2020-12-02 -1.119749 -1.659776 -0.618656 1.971599 one 1.0
2020-12-03 0.610846 0.216937 0.821258 0.805818 two 5.0
2020-12-04 0.490105 0.732421 0.547129 -0.443274 three 5.0
2020-12-05 -0.475531 -0.853141 0.160017 0.986973 four 5.0
2020-12-06 0.288091 -2.164323 0.193989 -0.197923 three 5.0

可以对值进行判断

In [78]: pd.isna(df1)
Out[78]:
 A B C D E F
2020-12-01 False False False False False False
2020-12-02 False False False False False False
2020-12-03 False False False False False True
2020-12-04 False False False False False True
2020-12-05 False False False False False True
2020-12-06 False False False False False True

合并

DF可以使用Concat来合并多个df 我们先创建一个df

In [79]: df pd.DataFrame(np.random.randn(10, 4))
In [80]: df
Out[80]:
 0 1 2 3
0 1.089041 2.010142 -0.532527 0.991669
1 1.303678 -0.614206 -1.358952 0.006290
2 -2.663938 0.600209 -0.008845 -0.036900
3 0.863718 -0.450501 1.325427 0.417345
4 0.789239 -0.492630 0.873732 0.375941
5 0.327177 0.010719 -0.085967 -0.591267
6 -0.014350 1.372144 -0.688845 0.422701
7 -3.355685 0.044306 -0.979253 -2.184240
8 -0.051961 0.649734 1.156918 -0.233725
9 -0.692530 0.057805 -0.030565 0.209416

然后把DF拆成三部分

In [81]: pieces [df[:3], df[3:7], df[7:]]

最后把使用concat把他们合起来

In [82]: pd.concat(pieces)
Out[82]:
 0 1 2 3
0 1.089041 2.010142 -0.532527 0.991669
1 1.303678 -0.614206 -1.358952 0.006290
2 -2.663938 0.600209 -0.008845 -0.036900
3 0.863718 -0.450501 1.325427 0.417345
4 0.789239 -0.492630 0.873732 0.375941
5 0.327177 0.010719 -0.085967 -0.591267
6 -0.014350 1.372144 -0.688845 0.422701
7 -3.355685 0.044306 -0.979253 -2.184240
8 -0.051961 0.649734 1.156918 -0.233725
9 -0.692530 0.057805 -0.030565 0.209416

还可以使用join来进行类似SQL的合并

In [83]: left pd.DataFrame({ key : [ foo , foo ], lval : [1, 2]})
In [84]: right pd.DataFrame({ key : [ foo , foo ], rval : [4, 5]})
In [85]: left
Out[85]:
 key lval
0 foo 1
1 foo 2
In [86]: right
Out[86]:
 key rval
0 foo 4
1 foo 5
In [87]: pd.merge(left, right, on key )
Out[87]:
 key lval rval
0 foo 1 4
1 foo 1 5
2 foo 2 4
3 foo 2 5

分组

先看上面的DF

In [99]: df2
Out[99]:
 key lval rval
0 foo 1 4
1 foo 1 5
2 foo 2 4
3 foo 2 5

我们可以根据key来进行group 从而进行sum

In [98]: df2.groupby( key ).sum()
Out[98]:
 lval rval
foo 6 18

group还可以按多个列进行

In [100]: df2.groupby([ key , lval ]).sum()
Out[100]:
 rval
key lval
foo 1 9
 2 9

本文已收录于 http://www.flydean.com/01-python-pandas-overview/

最通俗的解读 最深刻的干货 最简洁的教程 众多你不知道的小技巧等你来发现

欢迎关注我的公众号:「程序那些事」,懂技术 更懂你

本文转自网络，原文链接：https://developer.aliyun.com/article/784515
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！