pandas是一個Python語言的軟件包，在我們使用Python語言進(jìn)行機(jī)器學(xué)習(xí)編程的時候，這是一個非常常用的基礎(chǔ)編程庫。本文是對它的一個入門教程。
pandas提供了快速，靈活和富有表現(xiàn)力的數(shù)據(jù)結(jié)構(gòu)，目的是使“關(guān)系”或“標(biāo)記”數(shù)據(jù)的工作既簡單又直觀。它旨在成為在Python中進(jìn)行實(shí)際數(shù)據(jù)分析的高級構(gòu)建塊。
pandas適合于許多不同類型的數(shù)據(jù)，包括：
具有異構(gòu)類型列的表格數(shù)據(jù)，例如SQL表格或Excel數(shù)據(jù)
有序和無序（不一定是固定頻率）時間序列數(shù)據(jù)。
具有行列標(biāo)簽的任意矩陣數(shù)據(jù)（均勻類型或不同類型）
任何其他形式的觀測/統(tǒng)計(jì)數(shù)據(jù)集。
由于這是一個Python語言的軟件包，因此需要你的機(jī)器上首先需要具備Python語言的環(huán)境。關(guān)于這一點(diǎn)，請自行在網(wǎng)絡(luò)上搜索獲取方法。
關(guān)于如何獲取pandas請參閱官網(wǎng)上的說明：pandas Installation。
通常情況下，我們可以通過pip來執(zhí)行安裝：
| 1 2 | sudo pip3 install pandas |
或者通過conda 來安裝pandas：
| 1 2 | conda install pandas |
目前（2018年2月）pandas的最新版本是v0.22.0（發(fā)布時間：2017年12月29日）。
我已經(jīng)將本文的源碼和測試數(shù)據(jù)放到Github上： pandas_tutorial ，讀者可以前往獲取。
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(xué)習(xí)pandas，我之前也寫過一個NumPy的基礎(chǔ)教程，參見這里：Python 機(jī)器學(xué)習(xí)庫 NumPy 教程
pandas最核心的就是Series和DataFrame兩個數(shù)據(jù)結(jié)構(gòu)。
這兩種類型的數(shù)據(jù)結(jié)構(gòu)對比如下：
| 名稱 | 維度 | 說明 |
|---|---|---|
| Series | 1維 | 帶有標(biāo)簽的同構(gòu)類型數(shù)組 |
| DataFrame | 2維 | 表格結(jié)構(gòu)，帶有標(biāo)簽，大小可變，且可以包含異構(gòu)的數(shù)據(jù)列 |
DataFrame可以看做是Series的容器，即：一個DataFrame中可以包含若干個Series。
注：在0.20.0版本之前，還有一個三維的數(shù)據(jù)結(jié)構(gòu)，名稱為Panel。這也是pandas庫取名的原因：pan(el)-da(ta)-s。但這種數(shù)據(jù)結(jié)構(gòu)由于很少被使用到，因此已經(jīng)被廢棄了。
由于Series是一維結(jié)構(gòu)的數(shù)據(jù)，我們可以直接通過數(shù)組來創(chuàng)建這種數(shù)據(jù)，像這樣：
| 1 2 3 4 5 6 7 8 | # data_structure.py import pandas as pd import numpy as np series1 = pd.Series([1, 2, 3, 4]) print('series1:\n{}\n'.format(series1)) |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 | series1: 0 1 1 2 2 3 3 4 dtype: int64 |
這段輸出說明如下：
輸出的最后一行是Series中數(shù)據(jù)的類型，這里的數(shù)據(jù)都是int64類型的。
數(shù)據(jù)在第二列輸出，第一列是數(shù)據(jù)的索引，在pandas中稱之為Index。
我們可以分別打印出Series中的數(shù)據(jù)和索引：
| 1 2 3 4 5 6 | # data_structure.py print('series1.values: {}\n'.format(series1.values)) print('series1.index: {}\n'.format(series1.index)) |
這兩行代碼輸出如下：
| 1 2 3 4 | series1.values: [1 2 3 4] series1.index: RangeIndex(start=0, stop=4, step=1) |
如果不指定（像上面這樣），索引是[1, N-1]的形式。不過我們也可以在創(chuàng)建Series的時候指定索引。索引未必一定需要是整數(shù)，可以是任何類型的數(shù)據(jù)，例如字符串。例如我們以七個字母來映射七個音符。索引的目的是可以通過它來獲取對應(yīng)的數(shù)據(jù)，例如下面這樣：
| 1 2 3 4 5 6 7 | # 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'])) |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 | series2: C 1 D 2 E 3 F 4 G 5 A 6 B 7 dtype: int64 E is 3 |
下面我們來看一下DataFrame的創(chuàng)建。我們可以通過NumPy的接口來創(chuàng)建一個4×4的矩陣，以此來創(chuàng)建一個DataFrame，像這樣：
| 1 2 3 4 5 | # data_structure.py df1 = pd.DataFrame(np.arange(16).reshape(4,4)) print('df1:\n{}\n'.format(df1)) |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 | 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 |
從這個輸出我們可以看到，默認(rèn)的索引和列名都是[0, N-1]的形式。
我們可以在創(chuàng)建DataFrame的時候指定列名和索引，像這樣：
| 1 2 3 4 5 6 7 | # 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)) |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 | 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 |
我們也可以直接指定列數(shù)據(jù)來創(chuàng)建DataFrame：
| 1 2 3 4 5 6 | # data_structure.py df3 = pd.DataFrame({'note' : ['C', 'D', 'E', 'F', 'G', 'A', 'B'], 'weekday': ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']}) print('df3:\n{}\n'.format(df3)) |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 8 9 10 | df3: note weekday 0 C Mon 1 D Tue 2 E Wed 3 F Thu 4 G Fri 5 A Sat 6 B Sun |
請注意：
DataFrame的不同列可以是不同的數(shù)據(jù)類型
如果以Series數(shù)組來創(chuàng)建DataFrame，每個Series將成為一行，而不是一列
例如：
| 1 2 3 4 5 6 7 8 9 | # 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)) |
df4的輸出如下：
| 1 2 3 4 5 | df4: 1 2 3 4 5 6 7 0 C D E F G A B 1 Mon Tue Wed Thu Fri Sat Sun |
我們可以通過下面的形式給DataFrame添加或者刪除列數(shù)據(jù)：
| 1 2 3 4 5 6 7 8 | # 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)) |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | 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 |
pandas的Index對象包含了描述軸的元數(shù)據(jù)信息。當(dāng)創(chuàng)建Series或者DataFrame的時候，標(biāo)簽的數(shù)組或者序列會被轉(zhuǎn)換成Index?？梢酝ㄟ^下面的方式獲取到DataFrame的列和行的Index對象：
| 1 2 3 4 5 | # data_structure.py print('df3.columns\n{}\n'.format(df3.columns)) print('df3.index\n{}\n'.format(df3.index)) |
這兩行代碼輸出如下：
| 1 2 3 4 5 6 | df3.columns Index(['note', 'No.'], dtype='object') df3.index RangeIndex(start=0, stop=7, step=1) |
請注意：
Index并非集合，因此其中可以包含重復(fù)的數(shù)據(jù)
Index對象的值是不可以改變，因此可以通過它安全的訪問數(shù)據(jù)
DataFrame提供了下面兩個操作符來訪問其中的數(shù)據(jù)：
loc：通過行和列的索引來訪問數(shù)據(jù)
iloc：通過行和列的下標(biāo)來訪問數(shù)據(jù)
例如這樣：
| 1 2 3 4 5 | # 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])) |
第一行代碼訪問了行索引為0和1，列索引為“note”的元素。第二行代碼訪問了行下標(biāo)為0和1（對于df3來說，行索引和行下標(biāo)剛好是一樣的，所以這里都是0和1，但它們卻是不同的含義），列下標(biāo)為0的元素。
這兩行代碼輸出如下：
| 1 2 3 4 5 6 7 8 9 10 | Note C, D is: 0 C 1 D Name: note, dtype: object Note C, D is: 0 C 1 D Name: note, dtype: object |
pandas庫提供了一系列的read_函數(shù)來讀取各種格式的文件，它們?nèi)缦滤荆?/p>
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
注：要讀取Excel文件，還需要安裝另外一個庫：
xlrd
通過pip可以這樣完成安裝：
| 1 2 | sudo pip3 install xlrd |
安裝完之后可以通過pip查看這個庫的信息：
| 1 2 3 4 5 6 7 8 9 10 11 | $ 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: |
接下來我們看一個讀取Excel的簡單的例子：
| 1 2 3 4 5 6 7 8 | # file_operation.py import pandas as pd import numpy as np df1 = pd.read_excel('data/test.xlsx') print('df1:\n{}\n'.format(df1)) |
這個Excel的內(nèi)容如下：
| 1 2 3 4 5 6 7 8 9 | df1: C Mon 0 D Tue 1 E Wed 2 F Thu 3 G Fri 4 A Sat 5 B Sun |
注：本文的代碼和數(shù)據(jù)文件可以通過文章開頭提到的Github倉庫獲取。
下面，我們再來看讀取CSV文件的例子。
第一個CSV文件內(nèi)容如下：
| 1 2 3 4 5 6 7 8 | $ cat test1.csv C,Mon D,Tue E,Wed F,Thu G,Fri A,Sat |
讀取的方式也很簡單：
| 1 2 3 4 5 | # file_operation.py df2 = pd.read_csv('data/test1.csv') print('df2:\n{}\n'.format(df2)) |
我們再來看第2個例子，這個文件的內(nèi)容如下：
| 1 2 3 4 5 6 7 8 | $ cat test2.csv C|Mon D|Tue E|Wed F|Thu G|Fri A|Sat |
嚴(yán)格的來說，這并不是一個CSV文件了，因?yàn)樗臄?shù)據(jù)并不是通過逗號分隔的。在這種情況下，我們可以通過指定分隔符的方式來讀取這個文件，像這樣：
| 1 2 3 4 5 | # file_operation.py df3 = pd.read_csv('data/test2.csv', sep='|') print('df3:\n{}\n'.format(df3)) |
實(shí)際上，read_csv支持非常多的參數(shù)用來調(diào)整讀取的參數(shù)，如下表所示：
| 參數(shù) | 說明 |
|---|---|
| path | 文件路徑 |
| sep或者delimiter | 字段分隔符 |
| header | 列名的行數(shù)，默認(rèn)是0（第一行） |
| index_col | 列號或名稱用作結(jié)果中的行索引 |
| names | 結(jié)果的列名稱列表 |
| skiprows | 從起始位置跳過的行數(shù) |
| na_values | 代替NA的值序列 |
| comment | 以行結(jié)尾分隔注釋的字符 |
| parse_dates | 嘗試將數(shù)據(jù)解析為datetime。默認(rèn)為False |
| keep_date_col | 如果將列連接到解析日期，保留連接的列。默認(rèn)為False。 |
| converters | 列的轉(zhuǎn)換器 |
| dayfirst | 當(dāng)解析可以造成歧義的日期時，以內(nèi)部形式存儲。默認(rèn)為False |
| data_parser | 用來解析日期的函數(shù) |
| nrows | 從文件開始讀取的行數(shù) |
| iterator | 返回一個TextParser對象，用于讀取部分內(nèi)容 |
| chunksize | 指定讀取塊的大小 |
| skip_footer | 文件末尾需要忽略的行數(shù) |
| verbose | 輸出各種解析輸出的信息 |
| encoding | 文件編碼 |
| squeeze | 如果解析的數(shù)據(jù)只包含一列，則返回一個Series |
| thousands | 千數(shù)量的分隔符 |
詳細(xì)的read_csv函數(shù)說明請參見這里：pandas.read_csv
現(xiàn)實(shí)世界并非完美，我們讀取到的數(shù)據(jù)常常會帶有一些無效值。如果沒有處理好這些無效值，將對程序造成很大的干擾。
對待無效值，主要有兩種處理方法：直接忽略這些無效值；或者將無效值替換成有效值。
下面我先創(chuàng)建一個包含無效值的數(shù)據(jù)結(jié)構(gòu)。然后通過pandas.isna函數(shù)來確認(rèn)哪些值是無效的：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 | # 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)));**** |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 | 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 |
我們可以通過pandas.DataFrame.dropna函數(shù)拋棄無效值：
| 1 2 3 4 | # process_na.py print('df.dropna():\n{}\n'.format(df.dropna())); |
注：
dropna默認(rèn)不會改變原先的數(shù)據(jù)結(jié)構(gòu)，而是返回了一個新的數(shù)據(jù)結(jié)構(gòu)。如果想要直接更改數(shù)據(jù)本身，可以在調(diào)用這個函數(shù)的時候傳遞參數(shù)inplace = True。
對于原先的結(jié)構(gòu)，當(dāng)無效值全部被拋棄之后，將不再是一個有效的DataFrame，因此這行代碼輸出如下：
| 1 2 3 4 5 | df.dropna(): Empty DataFrame Columns: [0, 1, 2, 3] Index: [] |
我們也可以選擇拋棄整列都是無效值的那一列：
| 1 2 3 4 | # process_na.py print('df.dropna(axis=1, how='all'):\n{}\n'.format(df.dropna(axis=1, how='all'))); |
注：
axis=1表示列的軸。how可以取值’any’或者’all’，默認(rèn)是前者。
這行代碼輸出如下：
| 1 2 3 4 5 6 7 | df.dropna(axis=1, how='all'): 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 |
我們也可以通過fillna函數(shù)將無效值替換成為有效值。像這樣：
| 1 2 3 4 | # process_na.py print('df.fillna(1):\n{}\n'.format(df.fillna(1))); |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 | 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 |
將無效值全部替換成同樣的數(shù)據(jù)可能意義不大，因此我們可以指定不同的數(shù)據(jù)來進(jìn)行填充。為了便于操作，在填充之前，我們可以先通過rename方法修改行和列的名稱：
| 1 2 3 4 5 6 7 8 9 | # process_na.py df.rename(index={0: 'index1', 1: 'index2', 2: 'index3', 3: 'index4'}, columns={0: 'col1', 1: 'col2', 2: 'col3', 3: 'col4'}, inplace=True); df.fillna(value={'col2': 2}, inplace=True) df.fillna(value={'col3': 7}, inplace=True) print('df:\n{}\n'.format(df)); |
這段代碼輸出如下：
| 1 2 3 4 5 6 7 | 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 |
數(shù)據(jù)中常常牽涉到字符串的處理，接下來我們就看看pandas對于字符串操作。
Series的str字段包含了一系列的函數(shù)用來處理字符串。并且，這些函數(shù)會自動處理無效值。
下面是一些實(shí)例，在第一組數(shù)據(jù)中，我們故意設(shè)置了一些包含空格字符串：
| 1 2 3 4 5 6 7 8 9 | # process_string.py import pandas as pd s1 = pd.Series([' 1', '2 ', ' 3 ', '4', '5']); 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())) |
在這個實(shí)例中我們看到了對于字符串strip的處理以及判斷字符串本身是否是數(shù)字，這段代碼輸出如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 | 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 |
下面是另外一些示例，展示了對于字符串大寫，小寫以及字符串長度的處理：
| 1 2 3 4 5 6 7 8 | # process_string.py s2 = pd.Series(['Stairway to Heaven', 'Eruption', 'Freebird', 'Comfortably Numb', 'All Along the Watchtower']) 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())) |
該段代碼輸出如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 | 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 |
本文是pandas的入門教程，因此我們只介紹了最基本的操作。對于
MultiIndex/Advanced Indexing
Merge, join, concatenate
Computational tools
之類的高級功能，以后有機(jī)會我們再來一起學(xué)習(xí)。
讀者也可以根據(jù)下面的鏈接獲取更多的知識。
