来源：python中文社区

本文约2100字，建议阅读6分钟。

使用 pandas 数据分析工具来学习一些基本的 pandas 命令，并探索数据集中包含的内容。

欧洲疾病预防控制中心(https://www.ecdc.europa.eu/en)提供全球每日更新的COVID-19数据(https://www.ecdc.europa.eu/en/

publications-data/download-todays-data-geographic-distribution-covid-19-cases-worldwide)，这些数据可以用JSON，CSV或XML格式下载。在本教程中，我们将使用 pandas 数据分析工具来学习一些基本的 pandas 命令，并探索数据集中包含的内容。

配置开发环境

安装好Python3版本，本文中还须安装 pandas。可以通过以下命令将其安装到新的虚拟环境中：

python -m venv covidpandassource covidpandas/bin/activatepip install pandas

现在，我们准备获取COVID-19数据，并开始使用pandas进行分析。

获取COVID-19数据

在浏览器中下载当前有关全球COVID-19病例地理分布的数据

(https://www.ecdc.europa.eu/en/publications-data/download-todays-data-geographic-distribution-covid-19-cases-worldwide)屏幕截图如下。

将 CSV 数据导入 Pandas

COVID-19 数据存储在CSV中，现在我们需要将其导入pandas DataFrame中。我们需要先导入 pandas，以便我们可以读取下载的数据。

from pandas import read_csvdf = read_csv("covid-19-cases-march-28-2020.csv")

如果您遇到类似UnicodeDecodeError: 'utf-8' codec can't decode byte 0xe7...的报错信息，请不要担心，直接运行此命令以便 pandas 可以正确读取CSV。

# make sure the file name of the csv matches your file's name!df = read_csv("covid-19-cases-march-28-2020.csv", encoding="ISO-8859-1")

现在，我们将数据加载到pandas DataFrame中，并且可以开始运行代码以生成数据集中的内容。

运行 Pandas 命令

首先让我们看一下数据样本的大致内容。当我打开某些东西以查找前五行和后五行中包含的内容时，通常会运行head和tail函数。

df.head()

您应该看到 6 行输出：其中一列是列标题，另一列是CSV数据的前 5 行：

      dateRep  day  month  year  cases  deaths countriesAndTerritories geoId countryterritoryCode  popData20180  28/03/2020   28      3  2020     16       1             Afghanistan    AF                  AFG   37172386.01  27/03/2020   27      3  2020      0       0             Afghanistan    AF                  AFG   37172386.02  26/03/2020   26      3  2020     33       0             Afghanistan    AF                  AFG   37172386.03  25/03/2020   25      3  2020      2       0             Afghanistan    AF                  AFG   37172386.04  24/03/2020   24      3  2020      6       1             Afghanistan    AF                  AFG   37172386.0

tail函数查看DataFrame中的最后五行。

df.tail()

tail输出如下：

         dateRep  day  month  year  cases  deaths countriesAndTerritories geoId countryterritoryCode  popData20187315  25/03/2020   25      3  2020      0       0                Zimbabwe    ZW                  ZWE   14439018.07316  24/03/2020   24      3  2020      0       1                Zimbabwe    ZW                  ZWE   14439018.07317  23/03/2020   23      3  2020      0       0                Zimbabwe    ZW                  ZWE   14439018.07318  22/03/2020   22      3  2020      1       0                Zimbabwe    ZW                  ZWE   14439018.07319  21/03/2020   21      3  2020      1       0                Zimbabwe    ZW                  ZWE   14439018.0

注意您也可以像df.head(10)一样将整数传递到头部或尾部，以获取前n个行或后n个行。

根据尾函数，我们大约有7320行数据(因为第一行的索引为0)，我们可以使用count函数确认每一列中有多少数据。

df.count()

count的输出如下所示：

dateRep                    7320day                        7320month                      7320year                       7320cases                      7320deaths                     7320countriesAndTerritories    7320geoId                      7306countryterritoryCode       7254popData2018                7311dtype: int64

如果我们想查看这些列中的数据，并查找最高值怎么办？

df.cases.max()

在此数据集中，我们得到18695作为输出。如何查看所有列的标准统计值？这就是describe函数派上用场的地方。

describe提供了标准统计量度，例如数据集中所有数据的最小值，最大值，中位数和均值。在本例子中输出如下：

               day        month         year         cases       deaths   popData2018count  7320.000000  7320.000000  7320.000000   7320.000000  7320.000000  7.311000e+03mean     16.828142     2.249454  2019.990847     80.870355     3.687158  7.130483e+07std       8.322981     1.256463     0.095239    608.270244    35.327689  2.140624e+08min       1.000000     1.000000  2019.000000     -9.000000     0.000000  1.000000e+0325%      10.000000     1.000000  2020.000000      0.000000     0.000000  4.137309e+0650%      18.000000     2.000000  2020.000000      0.000000     0.000000  1.072767e+0775%      24.000000     3.000000  2020.000000      5.000000     0.000000  5.139301e+07max      31.000000    12.000000  2020.000000  18695.000000   971.000000  1.392730e+09

快速查看列的数据是否相互关联如何？corr函数是我们所需要的。

df.corr()

对于本例的数据集，corr输出如下：

                  day     month      year     cases    deaths  popData2018day          1.000000  0.203006 -0.163665  0.063629  0.060075    -0.040677month        0.203006  1.000000 -0.745912  0.062494  0.052707    -0.039131year        -0.163665 -0.745912  1.000000  0.012715  0.010032    -0.006294cases        0.063629  0.062494  0.012715  1.000000  0.716968     0.136580deaths       0.060075  0.052707  0.010032  0.716968  1.000000     0.082229popData2018 -0.040677 -0.039131 -0.006294  0.136580  0.082229     1.000000

毫不奇怪，我们看到列与其自身之间存在1.000000的相关性。如果我们没有看到那个结果，我们将不得不担心数据的准确性！对于其他列，查看它们的相关性可能没有意义。这是您需要考虑数据的地方。完全不相关的列之间通常存在关联，只是因为数据是以某种方式构造的。

开发人员需要有严格的统计学背景，否则您可能需要先掌握自己的统计知识，然后才能说出数据中是否有问题。

让我们继续探索数据。我们可以选择列并确定其中包含多少个唯一项。例如，列出了多少个国家和地区？

df.countriesAndTerritories.nunique()

本例中的结果是196。

探索数据集

这些函数非常适合用于基本查询以了解数据集中的内容，但是我们如何通过将一些命令串在一起来提出实际问题呢？

由于我们使用了上面的count函数，我们现在知道该集合中有7320行。每行代表一个国家中一天的数据。现在问一个问题。在这些国家中，有多少天报告了10起或更多的病例？

让我们创建一个名为df2的新数据集，找出其中当天仅报告10个或更多案例的行，然后计算其中的行数。

df2 = df[df['cases']>=10]df2.count()

本例中输出的值为1531。在列出的196个国家或地区中，每天有报告1531起10或更多COVID-19病例。但是1531这个数字很难向人们解释清楚含义。我们应该挑选一个国家，并显示一天有10或更多病例报告的次数。例如可以选取越南这个国家来看一下：

df2[df2['countriesAndTerritories']=='Vietnam']

按列输出完整的数据如下：

         dateRep  day  month  year  cases  deaths countriesAndTerritories geoId countryterritoryCode  popData20187217  28/03/2020   28      3  2020     16       0                 Vietnam    VN                  VNM   95540395.07219  26/03/2020   26      3  2020     14       0                 Vietnam    VN                  VNM   95540395.07220  25/03/2020   25      3  2020     11       0                 Vietnam    VN                  VNM   95540395.07222  23/03/2020   23      3  2020     24       0                 Vietnam    VN                  VNM   95540395.07226  19/03/2020   19      3  2020     15       0                 Vietnam    VN                  VNM   95540395.0

我们还可以在此处使用count函数来确认，到目前为止，越南已经有五天报告了10个或更多新病例：

df2[df2['countriesAndTerritories']=='Vietnam'].count()

我们得到列的输出为5，和前述吻合。

总结

本文导入并查看了欧洲疾病预防控制中心的COVID-19数据集。我们学习了一些基本的 Pandas 命令，建议您仔细阅读DataFrame文档列表(https://pandas.pydata.org/pandas-docs/stable/reference

/frame.html)，以了解该工具提供给开发人员的所有其他便捷功能。

编辑：于腾凯

校对：王欣

—完—

想要获得更多数据科学领域相关动态，诚邀关注清华-青岛数据科学研究院官方微信公众平台“ 数据派THU ”。