Python 資料處理庫 pandas 入門-Python教學-PHP中文網

pandas是一個Python語言的軟體包，在我們使用Python語言進行機器學習程式設計的時候，這是一個非常常用的基礎程式庫。本文是對Python 資料處理庫pandas 入門教程,非常不錯，有興趣的朋友一起看看吧

pandas是一個Python語言的軟體包，在我們使用Python語言進行機器學習程式設計的時候，這是一個非常常用的基礎程式庫。本文是對它的一個入門教學。

pandas提供了快速，靈活和富有表現力的資料結構，目的是使「關係」或「標記」資料的工作既簡單又直觀。它旨在成為在Python中進行實際數據分析的高級構建塊。

入門介紹

pandas適合許多不同類型的數據，包括：

#具有異質類型列的表格數據，例如SQL表格或Excel資料
有序和無序（不一定是固定頻率）時間序列資料。
具有行列標籤的任意矩陣資料（均勻類型或不同類型）
#任何其他形式的觀測/統計資料集。

由於這是Python語言的軟體包，因此需要你的機器上首先需要具備Python語言的環境。關於這一點，請自行在網路上搜尋取得方法。

關於如何取得pandas請參閱官網上的說明：pandas Installation。

通常情況下，我們可以透過pip來執行安裝：

sudo pip3 install pandas

登入後複製

#或透過conda 來安裝pandas：

conda install pandas

登入後複製

#目前（2018年2月）pandas的最新版本是v0.22.0（發佈時間： 2017年12月29日）。

我已經將本文的原始碼和測試資料放到Github上：pandas_tutorial ，讀者可以前往取得。

另外，pandas常常和NumPy一起使用，本文中的源碼中也會用到NumPy。

建議讀者先對NumPy有一定的熟悉再來學習pandas，我之前也寫過一個NumPy的基礎教程，請參考這裡：Python 機器學習庫NumPy 教程

#核心資料結構

pandas最核心的就是Series和DataFrame兩個資料結構。

這兩種類型的資料結構比較如下：

DataFrame可以看做是Series的容器，也就是：一個DataFrame中可以包含若干個Series 。

附註：在0.20.0版本之前，還有一個三維的資料結構，名稱為Panel。這也是pandas庫取名的原因：pan-da-s。但這種資料結構由於很少被使用到，因此已經被廢棄了。

Series

#由於Series是一維結構的數據，我們可以直接透過陣列來建立這種數據，像這樣：

# data_structure.py
import pandas as pd
import numpy as np
series1 = pd.Series([1, 2, 3, 4])
print("series1:\n{}\n".format(series1))

登入後複製

這段程式碼輸出如下：

series1:
0 1
1 2
2 3
3 4
dtype: int64

登入後複製

這段輸出說明如下：

輸出的最後一行是Series中資料的型，這裡的資料都是int64型別的。
資料在第二列輸出，第一列是資料的索引，在pandas中稱為Index。

我們可以分別列印出Series中的資料和索引：

# data_structure.py
print("series1.values: {}\n".format(series1.values))
print("series1.index: {}\n".format(series1.index))

登入後複製

這兩行程式碼輸出如下：

series1.values: [1 2 3 4]
series1.index: RangeIndex(start=0, stop=4, step=1)

登入後複製

#如果沒有指定（像上面這樣），索引是[1, N- 1]的形式。不過我們也可以在建立Series的時候指定索引。索引未必一定需要是整數，可以是任何類型的數據，例如字串。例如我們以七個字母來映射七個音符。索引的目的是可以透過它來取得對應的數據，例如下面這樣：

# data_structure.py
series2 = pd.Series([1, 2, 3, 4, 5, 6, 7],
 index=["C", "D", "E", "F", "G", "A", "B"])
print("series2:\n{}\n".format(series2))
print("E is {}\n".format(series2["E"]))

登入後複製

##這段程式碼輸出如下：

series2:
C 1
D 2
E 3
F 4
G 5
A 6
B 7
dtype: int64
E is 3
DataFrame

登入後複製

下面我們來看看DataFrame的建立。我們可以透過NumPy的介面來建立4x4的矩陣，以此來建立一個DataFrame，像這樣：

# data_structure.py
df1 = pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1))

登入後複製

這段程式碼輸出如下：

df1:
 0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15

登入後複製

從這個輸出我們可以看到，預設的索引和列名都是[0, N-1]的形式。

我們可以在建立DataFrame的時候指定列名和索引，像這樣：

# data_structure.py
df2 = pd.DataFrame(np.arange(16).reshape(4,4),
 columns=["column1", "column2", "column3", "column4"],
 index=["a", "b", "c", "d"])
print("df2:\n{}\n".format(df2))

登入後複製

這段程式碼輸出如下：

df2:
 column1 column2 column3 column4
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
d 12 13 14 15

登入後複製

我們也可以直接指定列資料來建立DataFrame：

# data_structure.py

df3 = pd.DataFrme({"note" : ["C", "D", "E", "F", "G", "A", "B"],
 "weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})
print("df3:\n{}\n".format(df3))

登入後複製

這段程式碼輸出如下：

df3:
 note weekday
0 C Mon
1 D Tue
2 E Wed
3 F Thu
4 G Fri
5 A Sat
6 B Sun

登入後複製

#請注意：

DataFrame的不同欄位可以是不同的資料型別

如果以Series陣列來建立DataFrame，每個Series將成為一行，而不是一列

例如：

# data_structure.py
noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"],
 index=[1, 2, 3, 4, 5, 6, 7])
weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
 index=[1, 2, 3, 4, 5, 6, 7])
df4 = pd.DataFrame([noteSeries, weekdaySeries])
print("df4:\n{}\n".format(df4))

登入後複製

df4的输出如下：

df4:
 1 2 3 4 5 6 7
0 C D E F G A B
1 Mon Tue Wed Thu Fri Sat Sun

登入後複製

我们可以通过下面的形式给DataFrame添加或者删除列数据：

# data_structure.py
df3["No."] = pd.Series([1, 2, 3, 4, 5, 6, 7])
print("df3:\n{}\n".format(df3))
del df3["weekday"]
print("df3:\n{}\n".format(df3))

登入後複製

这段代码输出如下：

df3:
 note weekday No.
0 C Mon 1
1 D Tue 2
2 E Wed 3
3 F Thu 4
4 G Fri 5
5 A Sat 6
6 B Sun 7
df3:
 note No.
0 C 1
1 D 2
2 E 3
3 F 4
4 G 5
5 A 6
6 B 7

登入後複製

Index对象与数据访问

pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候，标签的数组或者序列会被转换成Index。可以通过下面的方式获取到DataFrame的列和行的Index对象：

# data_structure.py
print("df3.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\n".format(df3.index))

登入後複製

这两行代码输出如下：

df3.columns
Index([&#39;note&#39;, &#39;No.&#39;], dtype=&#39;object&#39;)
df3.index
RangeIndex(start=0, stop=7, step=1)

登入後複製

请注意：

Index并非集合，因此其中可以包含重复的数据
Index对象的值是不可以改变，因此可以通过它安全的访问数据

DataFrame提供了下面两个操作符来访问其中的数据：

loc：通过行和列的索引来访问数据
iloc：通过行和列的下标来访问数据

例如这样：

# data_structure.py
print("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"]))
print("Note C, D is:\n{}\n".format(df3.iloc[[0, 1], 0]))

登入後複製

第一行代码访问了行索引为0和1，列索引为“note”的元素。第二行代码访问了行下标为0和1（对于df3来说，行索引和行下标刚好是一样的，所以这里都是0和1，但它们却是不同的含义），列下标为0的元素。

这两行代码输出如下：

Note C, D is:
0 C
1 D
Name: note, dtype: object

Note C, D is:
0 C
1 D
Name: note, dtype: object

登入後複製

文件操作

pandas库提供了一系列的read_函数来读取各种格式的文件，它们如下所示：

read_csv
read_table
read_fwf
read_clipboard
read_excel
read_hdf
read_html
read_json
read_msgpack
read_pickle
read_sas
read_sql
read_stata
read_feather

读取Excel文件

注：要读取Excel文件，还需要安装另外一个库：xlrd

通过pip可以这样完成安装：

sudo pip3 install xlrd

登入後複製

安装完之后可以通过pip查看这个库的信息：

$ pip3 show xlrd
Name: xlrd
Version: 1.1.0
Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet files
Home-page: http://www.python-excel.org/
Author: John Machin
Author-email: sjmachin@lexicon.net
License: BSD
Location: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages
Requires:

登入後複製

接下来我们看一个读取Excel的简单的例子：

# file_operation.py
import pandas as pd
import numpy as np
df1 = pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1))

登入後複製

这个Excel的内容如下：

df1:
 C Mon
0 D Tue
1 E Wed
2 F Thu
3 G Fri
4 A Sat
5 B Sun

登入後複製

注：本文的代码和数据文件可以通过文章开头提到的Github仓库获取。

读取CSV文件

下面，我们再来看读取CSV文件的例子。

第一个CSV文件内容如下：

$ cat test1.csv 
C,Mon
D,Tue
E,Wed
F,Thu
G,Fri
A,Sat

登入後複製

读取的方式也很简单：

# file_operation.py
df2 = pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))

登入後複製

我们再来看第2个例子，这个文件的内容如下：

$ cat test2.csv 
C|Mon
D|Tue
E|Wed
F|Thu
G|Fri
A|Sat

登入後複製

严格的来说，这并不是一个CSV文件了，因为它的数据并不是通过逗号分隔的。在这种情况下，我们可以通过指定分隔符的方式来读取这个文件，像这样：

# file_operation.py
df3 = pd.read_csv("data/test2.csv", sep="|")
print("df3:\n{}\n".format(df3))

登入後複製

实际上，read_csv支持非常多的参数用来调整读取的参数，如下表所示：

## #squeeze如果解析的資料只包含一列，則傳回一個Series

參數	說明
path	檔案路徑
sep或delimiter	字段分隔符號
#header	列名的行數，預設為0（第一行）
index_col	列號或名稱用作結果中的行索引
names	結果的列名稱清單
skiprows	從起始位置跳過的行數
na_values	取代`NA`的值序列
comment	以行結尾分隔註解的字元
parse_dates	嘗試將資料解析為`datetime`。預設為`False`
keep_date_col	如果將列連接到解析日期，保留連接的列。預設為`False`。
converters	列的轉換器
#dayfirst	當解析可以造成歧義的日期時，以內部形式儲存。預設為`False`
data_parser	是用來解析日期的函數
nrows	從檔案開始讀取的行數
iterator	返回一個TextParser對象，用於讀取部分內容
chunksize	指定讀取區塊的大小
skip_footer	檔案末端需要忽略的行數
verbose	輸出各種解析輸出的資訊
encoding	檔案編碼
	`##encoding`

#########thousands######千個數量的分隔符############

详细的read_csv函数说明请参见这里：pandas.read_csv

处理无效值

现实世界并非完美，我们读取到的数据常常会带有一些无效值。如果没有处理好这些无效值，将对程序造成很大的干扰。

对待无效值，主要有两种处理方法：直接忽略这些无效值；或者将无效值替换成有效值。

下面我先创建一个包含无效值的数据结构。然后通过pandas.isna函数来确认哪些值是无效的：

# process_na.py
import pandas as pd
import numpy as np
df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
   [5.0, np.nan, np.nan, 8.0],
   [9.0, np.nan, np.nan, 12.0],
   [13.0, np.nan, 15.0, 16.0]])
print("df:\n{}\n".format(df));
print("df:\n{}\n".format(pd.isna(df)));****

登入後複製

这段代码输出如下：

df:
 0 1 2 3
0 1.0 NaN 3.0 4.0
1 5.0 NaN NaN 8.0
2 9.0 NaN NaN 12.0
3 13.0 NaN 15.0 16.0
df:
 0 1 2 3
0 False True False False
1 False True True False
2 False True True False
3 False True False False

登入後複製

忽略无效值

我们可以通过pandas.DataFrame.dropna函数抛弃无效值：

# process_na.py
print("df.dropna():\n{}\n".format(df.dropna()));

登入後複製

注：dropna默认不会改变原先的数据结构，而是返回了一个新的数据结构。如果想要直接更改数据本身，可以在调用这个函数的时候传递参数 inplace = True。

对于原先的结构，当无效值全部被抛弃之后，将不再是一个有效的DataFrame，因此这行代码输出如下：

df.dropna():
Empty DataFrame
Columns: [0, 1, 2, 3]
Index: []

登入後複製

我们也可以选择抛弃整列都是无效值的那一列：

# process_na.py
print("df.dropna(axis=1, how=&#39;all&#39;):\n{}\n".format(df.dropna(axis=1, how=&#39;all&#39;)));

登入後複製

注：axis=1表示列的轴。how可以取值'any'或者'all'，默认是前者。

这行代码输出如下：

df.dropna(axis=1, how=&#39;all&#39;):
 0 2 3
0 1.0 3.0 4.0
1 5.0 NaN 8.0
2 9.0 NaN 12.0
3 13.0 15.0 16.0

登入後複製

替换无效值

我们也可以通过fillna函数将无效值替换成为有效值。像这样：

# process_na.py
print("df.fillna(1):\n{}\n".format(df.fillna(1)));

登入後複製

这段代码输出如下：

df.fillna(1):
  0 1  2  3
0 1.0 1.0 3.0 4.0
1 5.0 1.0 1.0 8.0
2 9.0 1.0 1.0 12.0
3 13.0 1.0 15.0 16.0

登入後複製

将无效值全部替换成同样的数据可能意义不大，因此我们可以指定不同的数据来进行填充。为了便于操作，在填充之前，我们可以先通过rename方法修改行和列的名称：

# process_na.py

df.rename(index={0: &#39;index1&#39;, 1: &#39;index2&#39;, 2: &#39;index3&#39;, 3: &#39;index4&#39;},
   columns={0: &#39;col1&#39;, 1: &#39;col2&#39;, 2: &#39;col3&#39;, 3: &#39;col4&#39;},
   inplace=True);
df.fillna(value={&#39;col2&#39;: 2}, inplace=True)
df.fillna(value={&#39;col3&#39;: 7}, inplace=True)
print("df:\n{}\n".format(df));

登入後複製

这段代码输出如下：

df:
  col1 col2 col3 col4
index1 1.0 2.0 3.0 4.0
index2 5.0 2.0 7.0 8.0
index3 9.0 2.0 7.0 12.0
index4 13.0 2.0 15.0 16.0

登入後複製

处理字符串

数据中常常牵涉到字符串的处理，接下来我们就看看pandas对于字符串操作。

Series的str字段包含了一系列的函数用来处理字符串。并且，这些函数会自动处理无效值。

下面是一些实例，在第一组数据中，我们故意设置了一些包含空格字符串：

# process_string.py
import pandas as pd
s1 = pd.Series([&#39; 1&#39;, &#39;2 &#39;, &#39; 3 &#39;, &#39;4&#39;, &#39;5&#39;]);
print("s1.str.rstrip():\n{}\n".format(s1.str.lstrip()))
print("s1.str.strip():\n{}\n".format(s1.str.strip()))
print("s1.str.isdigit():\n{}\n".format(s1.str.isdigit()))

登入後複製

在这个实例中我们看到了对于字符串strip的处理以及判断字符串本身是否是数字，这段代码输出如下：

s1.str.rstrip():
0  1
1 2 
2 3 
3  4
4  5
dtype: object
s1.str.strip():
0 1
1 2
2 3
3 4
4 5
dtype: object
s1.str.isdigit():
0 False
1 False
2 False
3  True
4  True
dtype: bool

登入後複製

下面是另外一些示例，展示了对于字符串大写，小写以及字符串长度的处理：

# process_string.py
s2 = pd.Series([&#39;Stairway to Heaven&#39;, &#39;Eruption&#39;, &#39;Freebird&#39;,
     &#39;Comfortably Numb&#39;, &#39;All Along the Watchtower&#39;])
print("s2.str.lower():\n{}\n".format(s2.str.lower()))
print("s2.str.upper():\n{}\n".format(s2.str.upper()))
print("s2.str.len():\n{}\n".format(s2.str.len()))

登入後複製

该段代码输出如下：

s2.str.lower():
0   stairway to heaven
1     eruption
2     freebird
3   comfortably numb
4 all along the watchtower
dtype: object

s2.str.upper():
0   STAIRWAY TO HEAVEN
1     ERUPTION
2     FREEBIRD
3   COMFORTABLY NUMB
4 ALL ALONG THE WATCHTOWER
dtype: object

s2.str.len():
0 18
1  8
2  8
3 16
4 24
dtype: int64

登入後複製