Python 是開源的，它很棒，但是也無法避免開源的一些固有問題：很多包都在做（或者在嘗試做）同樣的事情。如果你是 Python 新手，那么你很難知道某個特定任務的最佳包是哪個，你需要有經(jīng)驗的人告訴你。有一個用于數(shù)據(jù)科學的包絕對是必需的，它就是 pandas。

pandas 最有趣的地方在于里面隱藏了很多包。它是一個核心包，里面有很多其他包的功能。這點很棒，因為你只需要使用 pandas 就可以完成工作。

pandas 相當于 python 中 excel：它使用表（也就是 dataframe)，能在數(shù)據(jù)上做各種變換，但還有其他很多功能。

如果你早已熟知 python 的使用，可以直接跳到第三段。

讓我們開始吧!

pandas 最基本的功能

讀取數(shù)據(jù)

data?=?pd.read_csv(?my_file.csv?)
data?=?pd.read_csv(?my_file.csv?,?sep=?;?,?encoding=?latin-1?,?nrows=1000,?skiprows=[2,5])

sep 代表的是分隔符。如果你在使用法語數(shù)據(jù)，excel 中 csv 分隔符是「;」，因此你需要顯式地指定它。編碼設置為 latin-1 來讀取法語字符。nrows=1000 表示讀取前 1000 行數(shù)據(jù)。skiprows=[2,5] 表示你在讀取文件的時候會移除第 2 行和第 5 行。

• 最常用的功能：read_csv, read_excel

• 其他一些很棒的功能：read_clipboard, read_sql

寫數(shù)據(jù)

data.to_csv(?my_new_file.csv?,?index=None)

index=None 表示將會以數(shù)據(jù)本來的樣子寫入。如果沒有寫 index=None，你會多出一個第一列，內容是 1，2，3，...，一直到最后一行。

我通常不會去使用其他的函數(shù)，像.to_excel, .to_json, .to_pickle 等等，因為.to_csv 就能很好地完成工作，并且 csv 是最常用的表格保存方式。

檢查數(shù)據(jù)

Gives?(#rows,?#columns)

給出行數(shù)和列數(shù)

data.describe()

計算基本的統(tǒng)計數(shù)據(jù)

查看數(shù)據(jù)

data.head(3)

打印出數(shù)據(jù)的前 3 行。與之類似，.tail() 對應的是數(shù)據(jù)的最后一行。

data.loc[8]

打印出第八行

data.loc[8,??column_1?]

打印第八行名為「column_1」的列

data.loc[range(4,6)]

第四到第六行（左閉右開）的數(shù)據(jù)子集

pandas 的基本函數(shù)

邏輯運算

data[data[?column_1?]==?french?]
data[(data[?column_1?]==?french?)?&?(data[?year_born?]==1990)]
data[(data[?column_1?]==?french?)?&?(data[?year_born?]==1990)?&?~(data[?city?]==?London?)]

通過邏輯運算來取數(shù)據(jù)子集。要使用 & (AND)、 ~ (NOT) 和 | (OR)，必須在邏輯運算前后加上「and」。

data[data[?column_1?].isin([?french?,??english?])]

除了可以在同一列使用多個 OR，你還可以使用.isin() 函數(shù)。

基本繪圖

matplotlib 包使得這項功能成為可能。正如我們在介紹中所說，它可以直接在 pandas 中使用。

data[?column_numerical?].plot()

（）.plot() 輸出的示例

data[?column_numerical?].hist()

畫出數(shù)據(jù)分布（直方圖）

.hist() 輸出的示例

%matplotlib?inline

如果你在使用 Jupyter，不要忘記在畫圖之前加上以上代碼。

更新數(shù)據(jù)

data.loc[8,??column_1?]?=??english
將第八行名為?column_1?的列替換為「english」

data.loc[data[?column_1?]==?french?,??column_1?]?=??French

在一行代碼中改變多列的值

好了，現(xiàn)在你可以做一些在 excel 中可以輕松訪問的事情了。下面讓我們深入研究 excel 中無法實現(xiàn)的一些令人驚奇的操作吧。

中級函數(shù)

統(tǒng)計出現(xiàn)的次數(shù)

data[?column_1?].value_counts()

.value_counts() 函數(shù)輸出示例

在所有的行、列或者全數(shù)據(jù)上進行操作

data[?column_1?].map(len)

len() 函數(shù)被應用在了「column_1」列中的每一個元素上

.map() 運算給一列中的每一個元素應用一個函數(shù)

data[?column_1?].map(len).map(lambda?x:?x/100).plot()

pandas 的一個很好的功能就是鏈式方法（https://tomaugspurger.github.io/method-chaining）。它可以幫助你在一行中更加簡單、高效地執(zhí)行多個操作（.map() 和.plot()）。

data.apply(sum)

.apply() 會給一個列應用一個函數(shù)。

.applymap() 會給表 (DataFrame) 中的所有單元應用一個函數(shù)。

tqdm, 唯一的

在處理大規(guī)模數(shù)據(jù)集時，pandas 會花費一些時間來進行.map()、.apply()、.applymap() 等操作。tqdm 是一個可以用來幫助預測這些操作的執(zhí)行何時完成的包（是的，我說謊了，我之前說我們只會使用到 pandas）。

from?tqdm?import?tqdm_notebook
tqdm_notebook().pandas()

用 pandas 設置 tqdm

data[?column_1?].progress_map(lambda?x:?x.count(?e?))

用 .progress_map() 代替.map()、.apply() 和.applymap() 也是類似的。

在 Jupyter 中使用 tqdm 和 pandas 得到的進度條

相關性和散射矩陣

data.corr()
data.corr().applymap(lambda?x:?int(x*100)/100)

.corr() 會給出相關性矩陣

pd.plotting.scatter_matrix(data,?figsize=(12,8))

散點矩陣的例子。它在同一幅圖中畫出了兩列的所有組合。

pandas 中的高級操作

The SQL 關聯(lián)

在 pandas 中實現(xiàn)關聯(lián)是非常非常簡單的

data.merge(other_data,?on=[?column_1?,??column_2?,??column_3?])

關聯(lián)三列只需要一行代碼

分組

一開始并不是那么簡單，你首先需要掌握語法，然后你會發(fā)現(xiàn)你一直在使用這個功能。

data.groupby(?column_1?)[?column_2?].apply(sum).reset_index()

按一個列分組，選擇另一個列來執(zhí)行一個函數(shù)。.reset_index() 會將數(shù)據(jù)重構成一個表。

正如前面解釋過的，為了優(yōu)化代碼，在一行中將你的函數(shù)連接起來。

行迭代

dictionary?=?{}

for?i,row?in?data.iterrows():
?dictionary[row[?column_1?]]?=?row[?column_2?]

.iterrows() 使用兩個變量一起循環(huán)：行索引和行的數(shù)據(jù) (上面的 i 和 row)

總而言之，pandas 是 python 成為出色的編程語言的原因之一

我本可以展示更多有趣的 pandas 功能，但是已經(jīng)寫出來的這些足以讓人理解為何數(shù)據(jù)科學家離不開 pandas。總結一下，pandas 有以下優(yōu)點：

• 易用，將所有復雜、抽象的計算都隱藏在背后了；

• 直觀；

• 快速，即使不是最快的也是非常快的。

它有助于數(shù)據(jù)科學家快速讀取和理解數(shù)據(jù)，提高其工作效率