↑↑↑ 点击上方蓝字,关注
(给机器学习算法与Python学习加星标,提升AI技能)
 Datawhale学习 
作者:杨煜,Datawhale成员
寄语:本文对Pandas基础内容进行了梳理,从文件读取与写入、Series及DataFrame基本数据结构、常用基本函数及排序四个模块快速入门。同时,文末给出了问题及练习,以便更好地实践。

知识体系框架

完整学习教程已开源,开源链接
https://github.com/datawhalechina/joyful-pandas

文件的读取和写入

import pandas as pdimport numpy as np# 加上这两行可以一次性输出多个变量而不用printfrom IPython.core.interactiveshell import InteractiveShellInteractiveShell.ast_node_interactivity = "all"# 查看版本pd.__version__pd.set_option( display.max_columns , None)

读取

Pandas常用的有以下三种文件:
  • csv文件
  • txt文件
  • xls/xlsx文件
读取文件时的注意事项:
  • 文件路径是否正确,相对路径 ./data
  • 编码方式 分隔符
  • 列名
#读取csv文件df = pd.read_csv( ./data./table.csv )df.head()#读取txt文件,直接读取可能会出现数据都挤在一列上df_txt = pd.read_table( ./data./table.txt )#df_txt = pd.read_table( ./data./table.csv , sep=",")df_txt.head()#读取xls/xlsx文件df_excel = pd.read_excel( ./data./table.xlsx )df_excel.head()
写入
将结果输出到csx、txt、xls、xlsx文件中
df.to_csv( ./new table.csv )df.to_excel( ./new table.xlsx )

基本数据结构

Pandas处理的基本数据结构有 Series 和 DataFrame。两者的区别和联系见下表:

Series

1. 创建
Series常见属性有 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. 访问Series属性
s.values, s.index, s.name, s.dtype
3. 取出某元素
通过索引取数或通过位置取数
s[ a ], s[2:], s[1]
4. 调用方法
s.mean(), s.sum(), s.hist()

DataFrame

1. 创建

DataFrame基本属性有 values、columns、index
df = 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={: one }, columns={ col1 : new_col1 })
4. 调用属性和方法
df.index, df.columns, df.values, df.shape, df.mean()
5. 索引对齐特性
这是Pandas中非常强大的特性,在对多个DataFrame 进行合并或者加减乘除操作时,行和列的索引都重叠的时候才能进行相应操作,否则会使用NA值进行填充。
df1 = pd.DataFrame({ A :[1,2,3]},index=[1,2,3])df2 = pd.DataFrame({ A :[1,2,3]},index=[3,1,2])df1-df2 #由于索引对齐,因此结果不是0
6. 列的删除
对于删除而言,可以使用drop函数或del或pop。
方法1:直接drop不会影响原DataFrame,设置inplace=True后会直接在原DataFrame中改动;
df.drop(index=, columns= col1 )
方法2:del会直接改变原Dataframe;
df[ col1 ]=[1,2,3,4,5]del df[ col1 ]
方法3pop方法直接在原来的DataFrame上操作,且返回被删除的列,与python中的pop函数类。
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,不会改变原DataFrame;
df1.assign(C=pd.Series(list( def )))
方法3:df.assign 效果其实是左连接,之所以会出现NaN的情况,是因为C和df的索引不一致导致。打印一下可以看到,df的索引是1-3,而C默认的是0-4。
C=pd.Series(list( def ))
8. 根据类型选择列
df.select_dtypes(include=[ number ])df.select_dtypes(include=[ float ])

Series和DataFrame相互转换

1. DataFrame转换为Series
就是取某一列的操作
s = df.mean()s.name =  to_DataFrame
2. Series转换为DataFrame
使用to_frame() 方法
s.to_frame()# T符号可以进行转置操作s.to_frame().T

常用基本函数

首先,读取数据
df = pd.read_csv( ./data/table.csv )
1. head & tail
用来显示数据头部或者尾部的几行数据,默认是5行。可以指定n参数显示多少行
df.head()df.tail()df.head(6)

2. unique & nunique

unique显示所有的唯一值是什么;nunique显示有多少个唯一值。需要注意的是:需要在具体列上操作,本身DataFrame并没有这两个方法
df[ Physics ].unique()df[ Physics ].nunique()

3. count & value_counts

count返回非缺失值元素个数;value_counts返回每个元素有多少个值,也是作用在具体某列上
df[ Physics ].count()df[ Physics ].value_counts()

4. describe & info

info() 函数返回有哪些列、有多少非缺失值、每列的类型;describe() 默认统计数值型数据的各个统计量可以自行选择分位数位置。非数值型特征需要单独调用describe方法。
df.info()df.describe()# describe()可以自行选择分位数位置df.describe(percentiles=[.05, .25, .75, .95])# 非数值型特征需要单独调用describe方法df[ Physics ].describe()

5. idxmax & nlargest

idxmax函数返回最大值对应的索引,在某些情况下特别适用,idxmin功能类似;nlargest函数返回前几个大的元素值,nsmallest功能类似,需要指定具体列
df[ Math ].idxmax()df[ Math ].max()df[ Math ].nlargest(2)

6. clip & replace

clip和replace是两类替换函数:
  • clip是对超过或者低于某些值的数进行截断,numpy.clip(a, a_min, a_max, out=None)
  • replace是对某些值进行替换
df[ Math ].head()# 低于33的全都显示为33, 高于80的全都显示为80df[ Math ].clip(33,80).head() df[ Math ].mad()df[ Address ].head()df[ Address ].replace([ street_1 , street_2 ],[ one , two ]).head()# 还可以通过字典方式修改df.replace({ Address :{ street_1 : one , street_2 : two }}).head(

7. apply

apply和匿名函数 lambda结合使用,可以很方便的进行一些数据处理。对于Series,它可以迭代每一列的值(行)操作;对于DataFrame,它可以迭代每一个列操作。
# 遍历Math列中的所有值,添加!df[ Math ].apply(lambda x:str(x)+ ! ).head() # 先是遍历所有列,然后遍历每列的所有的值,添加!df.apply(lambda x:x.apply(lambda x:str(x)+ ! )).head()

排序

1. 索引排序
#set_index函数可以设置索引,将在下一章详细介绍df.set_index( Math ).head()#可以设置ascending参数,默认为升序,Truedf.set_index( Math ).sort_index().head()
2. 值排序
df.sort_values(by= Class ).head()df.sort_values(by=[ Address , Height ]).head()

问题及练习

问题
1. Series和DataFrame有哪些常见属性和方法?
  • Series
属性方法说明
s.values访问s的内容
s.index获取s的索引
s.iteritems()获取索引和值对
s.dtype获取s的数据类型
s[‘a’]根据索引访问元素
  • DataFrame
属性方法说明
df.index访问行索引
df.columns访问列索引
df.values访问数据
df.shape获取df的数据形状
2. value_counts会统计缺失值吗?
答:value_counts不会统计缺失值。
3. 与idxmax和nlargest功能相反的是哪两组函数?
    答:idxmin和nsmallest。
4. 在常用函数一节中,由于一些函数的功能比较简单,因此没有列入,现在将它们列在下面,请分别说明它们的用途并尝试使用。
5. df.mean(axis=1)是什么意思?它与df.mean()的结果一样吗?第一问提到的函数也有axis参数吗?怎么使用?
 答:df.mean(axis=1)意思是对df按列求均值;axis = 0表示保持列标签不变,对行进行操作;axis = 1表示保持行标签不变,对列进行操作。
练习
练习1:
现有一份关于美剧《权力的游戏》剧本的数据集,请解决以下问题:

(a)在所有的数据中,一共出现了多少人物?

(b)以单元格计数(即简单把一个单元格视作一句),谁说了最多的话?

(c)以单词计数,谁说了最多的单词?
import pandas as pddf = pd.read_csv( data/Game_of_Thrones_Script.csv )df.head()df[ Name ].nunique()df[ Name ].value_counts()
练习2:
现有一份关于科比的投篮数据集,请解决如下问题:

(a)哪种action_type和combined_shot_type的组合是最多的?

(b)在所有被记录的game_id中,遭遇到最多的opponent是一个支?
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()
喜欢就点「在看」吧 !
继续阅读
阅读原文