【Python】我的Pandas學(xué)習經(jīng)歷及動手實踐

想入門人工智能或者數(shù)據(jù)分析，要重視可以快速上手的學(xué)習技能：掌握一些基本概念，建立一個知識框架，然后就去實戰(zhàn)，在實戰(zhàn)中學(xué)習新知識，來填充這個框架。

我根據(jù)之前整理的一些pandas知識，總結(jié)了一個pandas的快速入門的知識框架。有了這些知識，然后去通過項目實戰(zhàn)，然后再補充。希望能幫助大家快速上手。

Pandas入門知識框架

1. 什么是Pandas？熊貓？

Pandas 可以說是基于 NumPy 構(gòu)建的含有更高級數(shù)據(jù)結(jié)構(gòu)和分析能力的工具包， 實現(xiàn)了類似Excel表的功能，可以對二維數(shù)據(jù)表進行很方便的操作。

在數(shù)據(jù)分析工作中，Pandas 的使用頻率是很高的，一方面是因為 Pandas 提供的基礎(chǔ)數(shù)據(jù)結(jié)構(gòu) DataFrame 與 json 的契合度很高，轉(zhuǎn)換起來就很方便。另一方面，如果我們?nèi)粘５臄?shù)據(jù)清理工作不是很復(fù)雜的話，你通常用幾句 Pandas 代碼就可以對數(shù)據(jù)進行規(guī)整。

Pandas的核心數(shù)據(jù)結(jié)構(gòu)：Series 和 DataFrame 這兩個核心數(shù)據(jù)結(jié)構(gòu)。他們分別代表著一維的序列和二維的表結(jié)構(gòu)?；谶@兩種數(shù)據(jù)結(jié)構(gòu)，Pandas 可以對數(shù)據(jù)進行導(dǎo)入、清洗、處理、統(tǒng)計和輸出。

快速掌握Pandas，就要快速學(xué)會這兩種核心數(shù)據(jù)結(jié)構(gòu)。

2. 兩種核心數(shù)據(jù)結(jié)構(gòu)

2.1 Series

Series 是個定長的字典序列。說是定長是因為在存儲的時候，相當于兩個 ndarray，這也是和字典結(jié)構(gòu)最大的不同。因為在字典的結(jié)構(gòu)里，元素的個數(shù)是不固定的。

Series 有兩個基本屬性：index 和 values。在 Series 結(jié)構(gòu)中，index 默認是 0,1,2,……遞增的整數(shù)序列，當然我們也可以自己來指定索引，比如 index=[‘a(chǎn)’, ‘b’, ‘c’, ‘d’]。

import?pandas?as?pd
from?pandas?import?Series,?DataFrame
x1?=?Series([1,2,3,4])
x2?=?Series(data=[1,2,3,4],?index=['a',?'b',?'c',?'d'])
print?x1
print?x2

上面這個例子中，x1 中的 index 采用的是默認值，x2 中 index 進行了指定。我們也可以采用字典的方式來創(chuàng)建 Series，比如：

d?=?{'a':1,?'b':2,?'c':3,?'d':4}
x3?=?Series(d)
print?x3?

Series的增刪改查

1. 創(chuàng)建一個Series

   In?[85]:?ps?=?pd.Series(data=[-3,2,1],index=['a','f','b'],dtype=np.float32)?????
   
   In?[86]:?ps?????????????????????????????????????????????????????????????????????
   Out[86]:?
   a???-3.0
   f????2.0
   b????1.0
   dtype:?float32
   

2. 增加元素append

   In?[112]:?ps.append(pd.Series(data=[-8.0],index=['f']))?????????????????????????
   Out[112]:?
   a????4.0
   f????2.0
   b????1.0
   f???-8.0
   dtype:?float64
   

3. 刪除元素drop

   In?[119]:?ps????????????????????????????????????????????????????????????????????
   Out[119]:?
   a????4.0
   f????2.0
   b????1.0
   dtype:?float32
   
   In?[120]:?psd?=?ps.drop('f')????????????????????????????????????????????????????
   In?[121]:?psd??????????????????????????????????????????????????????????????????
   Out[121]:?
   a????4.0
   b????1.0
   dtype:?float32
   

   注意不管是 append 操作，還是 drop 操作，都是發(fā)生在原數(shù)據(jù)的副本上，不是原數(shù)據(jù)上。

4. 修改元素
   通過標簽修改對應(yīng)數(shù)據(jù)，如下所示：

   In?[123]:?psn???????????????????????????????????????????????????????????????????
   Out[123]:?
   a????4.0
   f????2.0
   b????1.0
   f???-8.0
   dtype:?float64
   
   In?[124]:?psn['f']?=?10.0???????????????????????????????????????????????????????
   In?[125]:?psn???????????????????????????????????????????????????????????????????
   Out[125]:?
   a?????4.0
   f????10.0
   b?????1.0
   f????10.0
   dtype:?float64
   

   Series里面允許標簽相同， 且如果相同， 標簽都會被修改。

5. 訪問元素
   一種通過默認的整數(shù)索引，在 Series 對象未被顯示的指定 label 時，都是通過索引訪問；另一種方式是通過標簽訪問。

   In?[126]:?ps????????????????????????????????????????????????????????????????????
   Out[126]:?
   a????4.0
   f????2.0
   b????1.0
   dtype:?float32
   
   In?[128]:?ps[2]?#?索引訪問??????????????????????????????
   Out[128]:?1.0
   
   In?[127]:?ps['b']??#?標簽訪問?????????????????????????????????????????????????????????????
   Out[127]:?1.0
   

2.2 DataFrame

DataFrame 類型數(shù)據(jù)結(jié)構(gòu)類似數(shù)據(jù)庫表。它包括了行索引和列索引，我們可以將 DataFrame 看成是由相同索引的 Series 組成的字典類型。

import?pandas?as?pd
from?pandas?import?Series,?DataFrame
data?=?{'Chinese':?[66,?95,?93,?90,80],'English':?[65,?85,?92,?88,?90],'Math':?[30,?98,?96,?77,?90]}
df1=?DataFrame(data)
df2?=?DataFrame(data,?index=['ZhangFei',?'GuanYu',?'ZhaoYun',?'HuangZhong',?'DianWei'],?columns=['English',?'Math',?'Chinese'])
print?df1
print?df2

在后面的案例中，我一般會用 df, df1, df2 這些作為 DataFrame 數(shù)據(jù)類型的變量名，我們以例子中的 df2 為例，列索引是[‘English’, ‘Math’, ‘Chinese’]，行索引是[‘ZhangFei’, ‘GuanYu’, ‘ZhaoYun’, ‘HuangZhong’, ‘DianWei’]，所以 df2 的輸出是：

????????????English??Math??Chinese
ZhangFei?????????65????30???????66
GuanYu???????????85????98???????95
ZhaoYun??????????92????96???????93
HuangZhong???????88????77???????90
DianWei??????????90????90???????80

2.2.1基本操作

（1）數(shù)據(jù)的導(dǎo)入與輸出

Pandas 允許直接從 xlsx，csv 等文件中導(dǎo)入數(shù)據(jù)，也可以輸出到 xlsx, csv 等文件，非常方便。
需要說明的是，在運行的過程可能會存在缺少 xlrd 和 openpyxl 包的情況，到時候如果缺少了，可以在命令行模式下使用“pip install”命令來進行安裝。

import?pandas?as?pd
from?pandas?import?Series,?DataFrame
score?=?DataFrame(pd.read_excel('data.xlsx'))
score.to_excel('data1.xlsx')
print?score

關(guān)于數(shù)據(jù)導(dǎo)入， pandas提供了強勁的讀取支持， 比如讀寫CSV文件， read_csv()函數(shù)有38個參數(shù)之多， 這里面有一些很有用， 主要可以分為下面幾個維度來梳理：

• 基本參數(shù)

• filepathorbuffer: 數(shù)據(jù)的輸入路徑， 可以是文件路徑， 也可是是URL或者實現(xiàn)read方法的任意對象
• sep: 數(shù)據(jù)文件的分隔符， 默認為逗號
• delim_whitespace: 表示分隔符為空白字符， 可以是一個空格， 兩個空格
• header: 設(shè)置導(dǎo)入DataFrame的列名稱， 如果names沒賦值， header會選取數(shù)據(jù)文件的第一行作為列名
• index_col: 表示哪個或者哪些列作為index
• usecols: 選取數(shù)據(jù)文件的哪些列到DataFrame中
• prefix: 當導(dǎo)入的數(shù)據(jù)沒有header時， 設(shè)置此參數(shù)會自動加一個前綴

• 通用解析參數(shù)

• dtype：讀取數(shù)據(jù)時修改列的類型
• converters: 實現(xiàn)對列數(shù)據(jù)的變化操作
• skip_rows: 過濾行
• nrows: 設(shè)置一次性讀入的文件行數(shù)，它在讀入大文件時很有用，比如 16G 內(nèi)存的PC無法容納幾百 G 的大文件。
• skip_blank_lines: 過濾掉空行

• 時間處理相關(guān)參數(shù)

• parse_dates: 如果導(dǎo)入的某些列為時間類型，但是導(dǎo)入時沒有為此參數(shù)賦值，導(dǎo)入后就不是時間類型
• date_parser: 定制某種時間類型

• 分開讀入相關(guān)參數(shù)：
  分塊讀入內(nèi)存，尤其單機處理大文件時會很有用。

• iterator: iterator 取值 boolean，default False，返回一個 TextFileReader 對象，以便逐塊處理文件。
  
• chunksize: 整型，默認為 None，設(shè)置文件塊的大小。

• 格式和壓縮相關(guān)參數(shù)

  id name ?age 0 ? 1 ? gz ? 10 1 ? 2 ? lh ? 12

  
  -?`thousands`: str，default None，千分位分割符，如?`,`?或者?`.`。
  
  -?`encoding`:?指定字符集類型，通常指定為?‘utf-8’
  
  

• compression
  compression 參數(shù)取值為 {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}，默認 ‘infer’，直接使用磁盤上的壓縮文件。如果使用 infer 參數(shù)，則使用 gzip、bz2、zip 或者解壓文件名中以 ‘.gz’、‘.bz2’、‘.zip’ 或 ‘xz’ 這些為后綴的文件，否則不解壓。如果使用 zip，那么 ZIP 包中必須只包含一個文件。設(shè)置為 None 則不解壓。手動壓縮本文一直使用的 test.csv 為 test.zip 文件，然后打開

  In?[73]:??df?=?pd.read_csv('test.zip',sep='\s+',compression='zip')
  
  In?[74]:?df
  Out[74]:
  

具體這些參數(shù)怎么用， 可以看https://gitbook.cn/gitchat/column/5e37978dec8d9033cf916b5d/topic/5e3bcef3ec8d9033cf92466f

（2）數(shù)據(jù)清洗

數(shù)據(jù)清洗是數(shù)據(jù)準備過程中必不可少的環(huán)節(jié)，Pandas 也為我們提供了數(shù)據(jù)清洗的工具，在后面數(shù)據(jù)清洗的章節(jié)中會給你做詳細的介紹，這里簡單介紹下 Pandas 在數(shù)據(jù)清洗中的使用方法。

（2.1）刪除 DataFrame 中的不必要的列或行

Pandas 提供了一個便捷的方法 drop() 函數(shù)來刪除我們不想要的列或行

df2?=?df2.drop(columns=['Chinese'])

想把“張飛”這行刪掉。

df2?=?df2.drop(index=['ZhangFei'])

（2.2）重命名列名 columns，讓列表名更容易識別

如果你想對 DataFrame 中的 columns 進行重命名，可以直接使用 rename(columns=new_names, inplace=True) 函數(shù)，比如我把列名 Chinese 改成 YuWen，English 改成 YingYu。

df2.rename(columns={'Chinese':?'YuWen',?'English':?'Yingyu'},?inplace?=?True)

（2.3）去重復(fù)的值

數(shù)據(jù)采集可能存在重復(fù)的行，這時只要使用 drop_duplicates() 就會自動把重復(fù)的行去掉

df?=?df.drop_duplicates()?#去除重復(fù)行

（2.4）格式問題

• 更改數(shù)據(jù)格式
  這是個比較常用的操作，因為很多時候數(shù)據(jù)格式不規(guī)范，我們可以使用 astype 函數(shù)來規(guī)范數(shù)據(jù)格式，比如我們把 Chinese 字段的值改成 str 類型，或者 int64 可以這么寫

df2['Chinese'].astype('str')?
df2['Chinese'].astype(np.int64)?

• 數(shù)據(jù)間的空格
  有時候我們先把格式轉(zhuǎn)成了 str 類型，是為了方便對數(shù)據(jù)進行操作，這時想要刪除數(shù)據(jù)間的空格，我們就可以使用 strip 函數(shù)：

#刪除左右兩邊空格
df2['Chinese']=df2['Chinese'].map(str.strip)
#刪除左邊空格
df2['Chinese']=df2['Chinese'].map(str.lstrip)
#刪除右邊空格
df2['Chinese']=df2['Chinese'].map(str.rstrip)

如果數(shù)據(jù)里有某個特殊的符號，我們想要刪除怎么辦？同樣可以使用 strip 函數(shù)，比如 Chinese 字段里有美元符號，我們想把這個刪掉，可以這么寫：

df2['Chinese']=df2['Chinese'].str.strip('$')

（2.5）大小寫轉(zhuǎn)換

大小寫是個比較常見的操作，比如人名、城市名等的統(tǒng)一都可能用到大小寫的轉(zhuǎn)換，在 Python 里直接使用 upper(), lower(), title() 函數(shù)，方法如下：

#全部大寫
df2.columns?=?df2.columns.str.upper()
#全部小寫
df2.columns?=?df2.columns.str.lower()
#首字母大寫
df2.columns?=?df2.columns.str.title()

（2.6）查找空值

數(shù)據(jù)量大的情況下，有些字段存在空值 NaN 的可能，這時就需要使用 Pandas 中的 isnull 函數(shù)進行查找。比如，我們輸入一個數(shù)據(jù)表如下：

如果我們想看下哪個地方存在空值 NaN，可以針對數(shù)據(jù)表 df 進行 df.isnull()，結(jié)果如下：

如果我想知道哪列存在空值，可以使用 df.isnull().any()，結(jié)果如下：

2.2.2 使用apply函數(shù)對數(shù)據(jù)進行清洗

apply 函數(shù)是 Pandas 中自由度非常高的函數(shù)，使用頻率也非常高。比如我們想對 name 列的數(shù)值都進行大寫轉(zhuǎn)化可以用：

df['name']?=?df['name'].apply(str.upper)

我們也可以定義個函數(shù)，在 apply 中進行使用。比如定義 double_df 函數(shù)是將原來的數(shù)值 *2 進行返回。然后對 df1 中的“語文”列的數(shù)值進行 *2 處理，可以寫成：

def?double_df(x):
???????????return?2*x
df1[u'語文']?=?df1[u'語文'].apply(double_df)

我們也可以定義更復(fù)雜的函數(shù)，比如對于 DataFrame，我們新增兩列，其中’new1’列是“語文”和“英語”成績之和的 m 倍，'new2’列是“語文”和“英語”成績之和的 n 倍，我們可以這樣寫：

def?plus(df,n,m):
????df['new1']?=?(df[u'語文']+df[u'英語'])?*?m
????df['new2']?=?(df[u'語文']+df[u'英語'])?*?n
????return?df
df1?=?df1.apply(plus,axis=1,args=(2,3,))

2.3 數(shù)據(jù)統(tǒng)計

在數(shù)據(jù)清洗后，我們就要對數(shù)據(jù)進行統(tǒng)計了。Pandas 和 NumPy 一樣，都有常用的統(tǒng)計函數(shù)，如果遇到空值 NaN，會自動排除。常用的統(tǒng)計函數(shù)包括：

表格中有一個 describe() 函數(shù)，統(tǒng)計函數(shù)千千萬，describe() 函數(shù)最簡便。它是個統(tǒng)計大禮包，可以快速讓我們對數(shù)據(jù)有個全面的了解。下面我直接使用 df1.descirbe() 輸出結(jié)果為：

df1?=?DataFrame({'name':['ZhangFei',?'GuanYu',?'a',?'b',?'c'],?'data1':range(5)})
print?df1.describe()

2.4 數(shù)據(jù)表合并

有時候我們需要將多個渠道源的多個數(shù)據(jù)表進行合并，一個 DataFrame 相當于一個數(shù)據(jù)庫的數(shù)據(jù)表，那么多個 DataFrame 數(shù)據(jù)表的合并就相當于多個數(shù)據(jù)庫的表合并。
比如我要創(chuàng)建兩個 DataFrame：

df1?=?DataFrame({'name':['ZhangFei',?'GuanYu',?'a',?'b',?'c'],?'data1':range(5)})
df2?=?DataFrame({'name':['ZhangFei',?'GuanYu',?'A',?'B',?'C'],?'data2':range(5)})

兩個 DataFrame 數(shù)據(jù)表的合并使用的是 merge() 函數(shù)，有下面 5 種形式：

1. 基于指定列進行連接
   

   比如我們可以基于 name 這列進行連接。

df3?=?pd.merge(df1,?df2,?on='name')

2. inner內(nèi)連接
inner 內(nèi)鏈接是 merge 合并的默認情況，inner 內(nèi)連接其實也就是鍵的交集，在這里 df1, df2 相同的鍵是 name，所以是基于 name 字段做的連接：

df3?=?pd.merge(df1,?df2,?how='inner')

3. left左連接
左連接是以第一個 DataFrame 為主進行的連接，第二個 DataFrame 作為補充。

df3?=?pd.merge(df1,?df2,?how='left')

4. right右連接
   

   右連接是以第二個 DataFrame 為主進行的連接，第一個 DataFrame 作為補充。

df3?=?pd.merge(df1,?df2,?how='right')

5. outer外連接
外連接相當于求兩個 DataFrame 的并集。

df3?=?pd.merge(df1,?df2,?how='outer')

2.5 DataFram的行級遍歷

盡管 Pandas 已經(jīng)盡可能向量化，讓使用者盡可能避免 for 循環(huán)，但是有時不得已，還得要遍歷 DataFrame。Pandas 提供 iterrows、itertuples 兩種行級遍歷。

1. 使用 iterrows 遍歷打印所有行，在 IPython 里輸入以下行：

   def?iterrows_time(df):
   for?i,row?in?df.iterrows():
   ????print(row)
   

   訪問每一行某個元素的時候， 可以通過列名直接訪問：
   

2. 使用 itertuples 遍歷打印每行：

   def?itertuples_time(df):
   for?nt?in?df.itertuples():
   ????print(nt)
   

   這個效率更高， 比上面那個節(jié)省6倍多的時間， 所在數(shù)據(jù)量非常大的時候， 推薦后者。訪問每一行某個元素的時候， 需要getattr函數(shù)
   

3. 使用iteritems遍歷每一行

   這個訪問每一行元素的時候， 用的是每一列的數(shù)字索引

3. 如何用SQL方式打開Pandas

Pandas 的 DataFrame 數(shù)據(jù)類型可以讓我們像處理數(shù)據(jù)表一樣進行操作，比如數(shù)據(jù)表的增刪改查，都可以用 Pandas 工具來完成。不過也會有很多人記不住這些 Pandas 的命令，相比之下還是用 SQL 語句更熟練，用 SQL 對數(shù)據(jù)表進行操作是最方便的，它的語句描述形式更接近我們的自然語言。

事實上，在 Python 里可以直接使用 SQL 語句來操作 Pandas。

這里給你介紹個工具：pandasql。

pandasql 中的主要函數(shù)是 sqldf，它接收兩個參數(shù)：一個 SQL 查詢語句，還有一組環(huán)境變量 globals() 或 locals()。這樣我們就可以在 Python 里，直接用 SQL 語句中對 DataFrame 進行操作，舉個例子：

import?pandas?as?pd
from?pandas?import?DataFrame
from?pandasql?import?sqldf,?load_meat,?load_births
df1?=?DataFrame({'name':['ZhangFei',?'GuanYu',?'a',?'b',?'c'],?'data1':range(5)})
pysqldf?=?lambda?sql:?sqldf(sql,?globals())
sql?=?"select?*?from?df1?where?name?='ZhangFei'"
print?pysqldf(sql)

運行結(jié)果

???data1??????name
0??????0??ZhangFei

上面代碼中，定義了：

pysqldf?=?lambda?sql:?sqldf(sql,?globals())

在這個例子里，輸入的參數(shù)是 sql，返回的結(jié)果是 sqldf 對 sql 的運行結(jié)果，當然 sqldf 中也輸入了 globals 全局參數(shù)，因為在 sql 中有對全局參數(shù) df1 的使用。

參考

• 極客時間《數(shù)據(jù)分析實戰(zhàn)45講》課程：https://time.geekbang.org/
• Pandas的基本使用：http://note.youdao.com/noteshare?id=28264a6b8536e4448e0bf3de701cd230&sub=25080C078C444E6E8B0C809C88BD0C76
• python數(shù)據(jù)分析實用小抄：https://www.cnblogs.com/nxld/p/6687253.html
• 像Excel一樣使用python進行數(shù)據(jù)分析：https://www.cnblogs.com/nxld/p/6756492.html
• 50道練習帶你玩轉(zhuǎn)Pandas：https://mp.weixin.qq.com/s/39yPBJ7DWSMs_aIxtlpXCw
• AI基礎(chǔ)：Pandas簡易入門：https://mp.weixin.qq.com/s/uLBJc_iIize8a9B491U7VQ
• Pandas常用用法：https://www.freesion.com/article/7330378876/