Pandas入門篇：Pandas基礎
?Datawhale學習?
作者：楊煜，Datawhale成員
寄語：本文對Pandas基礎內容進行了梳理，從文件讀取與寫入、Series及DataFrame基本數據結構、常用基本函數及排序四個模塊快速入門。同時，文末給出了問題及練習，以便更好地實踐。
知識體系框架
完整學習教程已開源，開源鏈接：
https://github.com/datawhalechina/joyful-pandas
文件的讀取和寫入
import pandas as pdimport?numpy?as?np# 加上這兩行可以一次性輸出多個變量而不用printfrom IPython.core.interactiveshell import InteractiveShellInteractiveShell.ast_node_interactivity?=?"all"# 查看版本pd.__version__pd.set_option('display.max_columns', None)
讀取
Pandas常用的有以下三種文件：
csv文件
txt文件
xls/xlsx文件
讀取文件時的注意事項：
文件路徑是否正確，相對路徑 ./data
編碼方式 分隔符
列名
#讀取csv文件df = pd.read_csv('./data./table.csv')df.head()#讀取txt文件，直接讀取可能會出現數據都擠在一列上df_txt = pd.read_table('./data./table.txt')#df_txt = pd.read_table('./data./table.csv', sep=",")df_txt.head()#讀取xls/xlsx文件df_excel = pd.read_excel('./data./table.xlsx')df_excel.head()
寫入
將結果輸出到csx、txt、xls、xlsx文件中
df.to_csv('./new table.csv')df.to_excel('./new?table.xlsx')
基本數據結構
Pandas處理的基本數據結構有 Series 和 DataFrame。兩者的區(qū)別和聯系見下表：
Series
1. 創(chuàng)建
Series常見屬性有 values， index， name， dtype
s?=?pd.Series(np.random.randn(5),?index=['a','b','c','d','e'],???????????????name='this?is?a?series',?dtype='float64')
2. 訪問Series屬性
s.values, s.index, s.name, s.dtype3.?取出某元素
通過索引取數或通過位置取數
s['a'], s[2:], s[1]4.?調用方法
s.mean(), s.sum(), s.hist()DataFrame
1. 創(chuàng)建
DataFrame基本屬性有 values、columns、indexdf = pd.DataFrame({'col1':list('abcde'), 'col2':range(5,10),?????'col3':[1.3,2.5,3.6,4.6,5.8]},?index=list('一二三四五'))
2. 取一列/取一行
df['col1'], df[:1]type(df), type(df['col1']), type(df[:1]
3. 修改行或列名
df.rename(index={'一':'one'}, columns={'col1':'new_col1'})4. 調用屬性和方法
df.index, df.columns, df.values, df.shape, df.mean()5. 索引對齊特性
這是Pandas中非常強大的特性，在對多個DataFrame 進行合并或者加減乘除操作時，行和列的索引都重疊的時候才能進行相應操作，否則會使用NA值進行填充。
df1 = pd.DataFrame({'A':[1,2,3]},index=[1,2,3])df2?=?pd.DataFrame({'A':[1,2,3]},index=[3,1,2])df1-df2 #由于索引對齊，因此結果不是0
6. 列的刪除
對于刪除而言，可以使用drop函數或del或pop。
方法1：直接drop不會影響原DataFrame，設置inplace=True后會直接在原DataFrame中改動；
df.drop(index='五', columns='col1')方法2：del會直接改變原Dataframe；
df['col1']=[1,2,3,4,5]del?df['col1']
方法3：pop方法直接在原來的DataFrame上操作，且返回被刪除的列，與python中的pop函數類。
df['col1']=[1,2,3,4,5]df.pop('col1')
7. 列的添加
方法1：直接新增；
df1['B']?=?list('abc')方法2：用assign方法，不會改變原DataFrame；
df1.assign(C=pd.Series(list('def')))方法3：df.assign 效果其實是左連接，之所以會出現NaN的情況，是因為C和df的索引不一致導致。打印一下可以看到，df的索引是1-3，而C默認的是0-4。
C=pd.Series(list('def'))8. 根據類型選擇列
df.select_dtypes(include=['number'])df.select_dtypes(include=['float'])
Series和DataFrame相互轉換
1. DataFrame轉換為Series
就是取某一列的操作
s = df.mean()s.name?=?'to_DataFrame'
2. Series轉換為DataFrame
使用to_frame() 方法
s.to_frame()# T符號可以進行轉置操作s.to_frame().T
常用基本函數
首先，讀取數據
df = pd.read_csv('./data/table.csv')1.?head & tail
用來顯示數據頭部或者尾部的幾行數據，默認是5行。可以指定n參數顯示多少行
df.head()df.tail()df.head(6)
2. unique & nunique
unique顯示所有的唯一值是什么；nunique顯示有多少個唯一值。需要注意的是：需要在具體列上操作，本身DataFrame并沒有這兩個方法
df['Physics'].unique()df['Physics'].nunique()
3. count & value_counts
count返回非缺失值元素個數；value_counts返回每個元素有多少個值，也是作用在具體某列上
df['Physics'].count()df['Physics'].value_counts()
4. describe & info
info() 函數返回有哪些列、有多少非缺失值、每列的類型；describe() 默認統(tǒng)計數值型數據的各個統(tǒng)計量，可以自行選擇分位數位置。非數值型特征需要單獨調用describe方法。
df.info()df.describe()# describe()可以自行選擇分位數位置df.describe(percentiles=[.05,?.25,?.75,?.95])# 非數值型特征需要單獨調用describe方法df['Physics'].describe()
5. idxmax & nlargest
idxmax函數返回最大值對應的索引，在某些情況下特別適用，idxmin功能類似；nlargest函數返回前幾個大的元素值，nsmallest功能類似，需要指定具體列
df['Math'].idxmax()df['Math'].max()df['Math'].nlargest(2)
6. clip & replace
clip和replace是兩類替換函數：
clip是對超過或者低于某些值的數進行截斷，numpy.clip(a, a_min, a_max, out=None)
replace是對某些值進行替換
df['Math'].head()# 低于33的全都顯示為33， 高于80的全都顯示為80df['Math'].clip(33,80).head()df['Math'].mad()df['Address'].head()df['Address'].replace(['street_1','street_2'],['one','two']).head()# 還可以通過字典方式修改df.replace({'Address':{'street_1':'one','street_2':'two'}}).head(
7. apply
apply和匿名函數 lambda結合使用，可以很方便的進行一些數據處理。對于Series，它可以迭代每一列的值(行)操作；對于DataFrame，它可以迭代每一個列操作。
# 遍歷Math列中的所有值，添加！df['Math'].apply(lambda x:str(x)+'!').head()# 先是遍歷所有列，然后遍歷每列的所有的值，添加！df.apply(lambda?x:x.apply(lambda?x:str(x)+'!')).head()
排序
1. 索引排序
#set_index函數可以設置索引，將在下一章詳細介紹df.set_index('Math').head()#可以設置ascending參數，默認為升序，Truedf.set_index('Math').sort_index().head()
2. 值排序
df.sort_values(by='Class').head()df.sort_values(by=['Address','Height']).head()
問題及練習
問題
1. Series和DataFrame有哪些常見屬性和方法？
Series
| 屬性方法 | 說明 |
| s.values | 訪問s的內容 |
| s.index | 獲取s的索引 |
| s.iteritems() | 獲取索引和值對 |
| s.dtype | 獲取s的數據類型 |
| s[‘a’] | 根據索引訪問元素 |
DataFrame
| 屬性方法 | 說明 |
| df.index | 訪問行索引 |
| df.columns | 訪問列索引 |
| df.values | 訪問數據 |
| df.shape | 獲取df的數據形狀 |
2. value_counts會統(tǒng)計缺失值嗎？
? ? 答：value_counts不會統(tǒng)計缺失值。
3.?與idxmax和nlargest功能相反的是哪兩組函數？
? ? 答：idxmin和nsmallest。
4. 在常用函數一節(jié)中，由于一些函數的功能比較簡單，因此沒有列入，現在將它們列在下面，請分別說明它們的用途并嘗試使用。
5. df.mean(axis=1)是什么意思？它與df.mean()的結果一樣嗎？第一問提到的函數也有axis參數嗎？怎么使用？
?答：df.mean(axis=1)意思是對df按列求均值；axis = 0表示保持列標簽不變，對行進行操作；axis = 1表示保持行標簽不變，對列進行操作。
練習
練習1：
現有一份關于美劇《權力的游戲》劇本的數據集，請解決以下問題：
（a）在所有的數據中，一共出現了多少人物？
（b）以單元格計數（即簡單把一個單元格視作一句），誰說了最多的話？
（c）以單詞計數，誰說了最多的單詞？
import pandas as pddf = pd.read_csv('data/Game_of_Thrones_Script.csv')df.head()df['Name'].nunique()df['Name'].value_counts()
練習2：
現有一份關于科比的投籃數據集，請解決如下問題：
（a）哪種action_type和combined_shot_type的組合是最多的？
（b）在所有被記錄的game_id中，遭遇到最多的opponent是一個支？
import pandas as pddf = pd.read_csv('data/Kobe_data.csv',index_col='shot_id')df.head()pd.Series(list(zip(df['action_type'],df['combined_shot_type']))).value_counts()df.groupby('game_id')['opponent'].unique().astype('str').value_counts()
“為沉迷學習點贊↓“