机器学习速成课程 | 练习 | Google Development——编程练习:Pandas 简介
Pandas 简介
学习目标:
- 大致了解 pandas 库的
DataFrame
和Series
数据结构- 存取和处理
DataFrame
和Series
中的数据- 将 CSV 数据导入 pandas 库的
DataFrame
- 对
DataFrame
重建索引来随机打乱数据
pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具,很多机器学习框架都支持将 pandas 数据结构作为输入。 虽然全方位介绍 pandas API 会占据很长篇幅,但它的核心概念非常简单,我们会在下文中进行说明。有关更完整的参考,请访问 pandas 文档网站,其中包含丰富的文档和教程资源。
基本概念
以下行导入了 pandas API 并输出了相应的 API 版本:
from __future__ import print_functionimport pandas as pd
pd.__version__
'0.22.0'
pandas 中的主要数据结构被实现为以下两类:
DataFrame
,您可以将它想象成一个关系型数据表格,其中包含多个行和已命名的列。Series
,它是单一列。DataFrame
中包含一个或多个Series
,每个Series
均有一个名称。
数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。
创建 Series
的一种方法是构建 Series
对象。例如:
pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
0 San Francisco
1 San Jose
2 Sacramento
dtype: object
您可以将映射 string
列名称的 dict
传递到它们各自的 Series
,从而创建DataFrame
对象。如果 Series
在长度上不一致,系统会用特殊的 NA/NaN 值填充缺失的值。例如:
city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])pd.DataFrame({ 'City name': city_names, 'Population': population })
City name Population
0 San Francisco 852469
1 San Jose 1015785
2 Sacramento 485199
但是在大多数情况下,您需要将整个文件加载到 DataFrame
中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据,并创建特征定义:
california_housing_dataframe = pd.read_csv("https://download.mlcc.google.com/mledu-datasets/california_housing_train.csv", sep=",")
california_housing_dataframe.describe()
longitude latitude housing_median_age total_rooms total_bedrooms population households median_income median_house_value
count 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000 17000.000000
mean -119.562108 35.625225 28.589353 2643.664412 539.410824 1429.573941 501.221941 3.883578 207300.912353
std 2.005166 2.137340 12.586937 2179.947071 421.499452 1147.852959 384.520841 1.908157 115983.764387
min -124.350000 32.540000 1.000000 2.000000 1.000000 3.000000 1.000000 0.499900 14999.000000
25% -121.790000 33.930000 18.000000 1462.000000 297.000000 790.000000 282.000000 2.566375 119400.000000
50% -118.490000 34.250000 29.000000 2127.000000 434.000000 1167.000000 409.000000 3.544600 180400.000000
75% -118.000000 37.720000 37.000000 3151.250000 648.250000 1721.000000 605.250000 4.767000 265000.000000
max -114.310000 41.950000 52.000000 37937.000000 6445.000000 35682.000000 6082.000000 15.000100 500001.000000
上面的示例使用 DataFrame.describe
来显示关于 DataFrame
的有趣统计信息。另一个实用函数是 DataFrame.head
,它显示 DataFrame
的前几个记录:
california_housing_dataframe.head()
longitude latitude housing_median_age total_rooms total_bedrooms population households median_income median_house_value
0 -114.31 34.19 15.0 5612.0 1283.0 1015.0 472.0 1.4936 66900.0
1 -114.47 34.40 19.0 7650.0 1901.0 1129.0 463.0 1.8200 80100.0
2 -114.56 33.69 17.0 720.0 174.0 333.0 117.0 1.6509 85700.0
3 -114.57 33.64 14.0 1501.0 337.0 515.0 226.0 3.1917 73400.0
4 -114.57 33.57 20.0 1454.0 326.0 624.0 262.0 1.9250 65500.0
pandas 的另一个强大功能是绘制图表。例如,借助 DataFrame.hist
,您可以快速了解一个列中值的分布:
california_housing_dataframe.hist('housing_median_age')
访问数据
您可以使用熟悉的 Python dict/list 指令访问 DataFrame
数据:
cities = pd.DataFrame({ 'City name': city_names, 'Population': population })
print(type(cities['City name']))
cities['City name']
<class 'pandas.core.series.Series'>
0 San Francisco
1 San Jose
2 Sacramento
Name: City name, dtype: object
print(type(cities['City name'][1]))
cities['City name'][1]
<class 'str'>
'San Jose'
print(type(cities[0:2]))
cities[0:2]
<class 'pandas.core.frame.DataFrame'>City name Population
0 San Francisco 852469
1 San Jose 1015785
此外,pandas 针对高级索引和选择提供了极其丰富的 API(数量过多,此处无法逐一列出)。
操控数据
您可以向 Series
应用 Python 的基本运算指令。例如:
population / 1000.
0 852.469
1 1015.785
2 485.199
dtype: float64
NumPy 是一种用于进行科学计算的常用工具包。pandas Series
可用作大多数 NumPy 函数的参数:
import numpy as np
np.log(population)
0 13.655892
1 13.831172
2 13.092314
dtype: float64
对于更复杂的单列转换,您可以使用 Series.apply
。像 Python 映射函数一样,Series.apply
将以参数形式接受 lambda 函数,而该函数会应用于每个值。
下面的示例创建了一个指明 population
是否超过 100 万的新 Series
:
population.apply(lambda val: val > 1000000)
0 False
1 True
2 False
dtype: bool
DataFrames
的修改方式也非常简单。例如,以下代码向现有 DataFrame
添加了两个 Series
:
cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
cities
City name Population Area square miles Population density
0 San Francisco 852469 46.87 18187.945381
1 San Jose 1015785 176.53 5754.177760
2 Sacramento 485199 97.92 4955.055147
练习 1
通过添加一个新的布尔值列(当且仅当以下两项均为 True 时为 True)修改 cities
表格:
- 城市以圣人命名。
- 城市面积大于 50 平方英里。
注意:布尔值 Series
是使用“按位”而非传统布尔值“运算符”组合的。例如,执行逻辑与时,应使用 &
,而不是 and
。
提示:"San" 在西班牙语中意为 "saint"。
解决方案
点击下方,查看解决方案。
cities['Is wide and has saint name'] = (cities['Area square miles'] > 50) & cities['City name'].apply(lambda name: name.startswith('San'))
cities
City name Population Area square miles Population density Is wide and has saint name
0 San Francisco 852469 46.87 18187.945381 False
1 San Jose 1015785 176.53 5754.177760 True
2 Sacramento 485199 97.92 4955.055147 False
索引
Series
和 DataFrame
对象也定义了 index
属性,该属性会向每个 Series
项或 DataFrame
行赋一个标识符值。
默认情况下,在构造时,pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的;也就是说,它们不会因为数据重新排序而发生改变。
city_names.index
RangeIndex(start=0, stop=3, step=1)
cities.index
RangeIndex(start=0, stop=3, step=1)
调用 DataFrame.reindex
以手动重新排列各行的顺序。例如,以下方式与按城市名称排序具有相同的效果:
cities.reindex([2, 0, 1])
City name Population Area square miles Population density Is wide and has saint name
2 Sacramento 485199 97.92 4955.055147 False
0 San Francisco 852469 46.87 18187.945381 False
1 San Jose 1015785 176.53 5754.177760 True
重建索引是一种随机排列 DataFrame
的绝佳方式。在下面的示例中,我们会取用类似数组的索引,然后将其传递至 NumPy 的 random.permutation
函数,该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex
,会导致 DataFrame
行以同样的方式随机排列。 尝试多次运行以下单元格!
cities.reindex(np.random.permutation(cities.index))
City name Population Area square miles Population density Is wide and has saint name
2 Sacramento 485199 97.92 4955.055147 False
0 San Francisco 852469 46.87 18187.945381 False
1 San Jose 1015785 176.53 5754.177760 True
有关详情,请参阅索引文档。
练习 2
reindex
方法允许使用未包含在原始 DataFrame
索引值中的索引值。请试一下,看看如果使用此类值会发生什么!您认为允许此类值的原因是什么?
解决方案
cities.reindex([0, 4, 5, 2])
这种行为是可取的,因为索引通常是从实际数据中提取的字符串(请参阅 pandas reindex 文档,查看索引值是浏览器名称的示例)。
在这种情况下,如果允许出现“丢失的”索引,您将可以轻松使用外部列表重建索引,因为您不必担心会将输入清理掉。
机器学习速成课程编程练习参考链接:
https://developers.google.com/machine-learning/crash-course/exercises
机器学习速成课程 | 练习 | Google Development——编程练习:Pandas 简介相关推荐
- 机器学习速成课程 | 练习 | Google Development——编程练习:稀疏数据和嵌套简介
稀疏数据和嵌入简介 学习目标: 将影评字符串数据转换为稀疏特征矢量 使用稀疏特征矢量实现情感分析线性模型 通过将数据投射到二维空间的嵌入来实现情感分析 DNN 模型 将嵌入可视化,以便查看模型学到的词 ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:使用神经网络对手写数字进行分类
使用神经网络对手写数字进行分类 学习目标: 训练线性模型和神经网络,以对传统 MNIST 数据集中的手写数字进行分类 比较线性分类模型和神经网络分类模型的效果 可视化神经网络隐藏层的权重 我们的目标是 ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:提高神经网络的性能
提高神经网络性能 学习目标:通过将特征标准化并应用各种优化算法来提高神经网络的性能 注意:本练习中介绍的优化方法并非专门针对神经网络:这些方法可有效改进大多数类型的模型. 设置 首先,我们将加载数据. ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:神经网络简介
神经网络简介 学习目标: 使用 TensorFlow DNNRegressor 类定义神经网络 (NN) 及其隐藏层 训练神经网络学习数据集中的非线性规律,并实现比线性回归模型更好的效果 在之前的练习 ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:稀疏性和 L1 正则化
稀疏性和 L1 正则化 学习目标: 计算模型大小 通过应用 L1 正则化来增加稀疏性,以减小模型大小 降低复杂性的一种方法是使用正则化函数,它会使权重正好为零.对于线性模型(例如线性回归),权重为零就 ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:逻辑回归
逻辑回归 学习目标: 将(在之前的练习中构建的)房屋价值中位数预测模型重新构建为二元分类模型 比较逻辑回归与线性回归解决二元分类问题的有效性 与在之前的练习中一样,我们将使用加利福尼亚州住房数据集,但 ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:特征组合
特征组合 学习目标: 通过添加其他合成特征来改进线性回归模型(这是前一个练习的延续) 使用输入函数将 Pandas DataFrame 对象转换为 Tensors,并在 fit() 和 predict ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:特征集
特征集 学习目标:创建一个包含极少特征但效果与更复杂的特征集一样出色的集合 到目前为止,我们已经将所有特征添加到了模型中.具有较少特征的模型会使用较少的资源,并且更易于维护.我们来看看能否构建这样一种 ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:验证
验证 学习目标: 使用多个特征而非单个特征来进一步提高模型的有效性 调试模型输入数据中的问题 使用测试数据集检查模型是否过拟合验证数据 与在之前的练习中一样,我们将使用加利福尼亚州住房数据集,尝试根据 ...
- 机器学习速成课程 | 练习 | Google Development——编程练习:合成特征和离群值
合成特征和离群值 学习目标: 创建一个合成特征,即另外两个特征的比例 将此新特征用作线性回归模型的输入 通过识别和截取(移除)输入数据中的离群值来提高模型的有效性 我们来回顾下之前的"使用 ...
最新文章
- opencv中ArUco模块实践(1)
- linux下ifconfig, DNS以及route配置
- html js css倒计时,js+css3倒计时动画特效
- J2EE进阶(十五)MyEclipse反向工程实现从数据库反向生成实体类之Hibernate方式[申明:来源于网络]...
- Python爬虫中文乱码问题(爬虫乱码)
- java 轻量级同步volatile关键字简介与可见性有序性与synchronized区别 多线程中篇(十二)...
- 【SQL练习题】排序
- 刺激战场测试fps软件,绝地求生刺激战场通过GLTools实时显示游戏帧数方法
- 跟我一起写大虾网(第0天)
- # 研究杂感 × DEA-Malmquist
- Java基础-SSM之Spring的AOP编程
- 用Python剪辑视频?太简单了
- 与次爱的人相濡以沫,与最爱的人相忘于江湖
- 设置Mysql数据库的默认编码为utf8
- Uc页面加载完毕后页面字体变大
- 服务器显示不兼容这是什么问题,服务器server0处于不兼容的状态,怎么办?
- 【刷机】nubia z17 root 刷入twrp
- 常规的数据可视化大屏模板分享
- android三国2,三国群英传2威力加强版安卓
- 5家衣服专卖店 每家最多买三件 可以选择离开 可以继续 一家店最多买三次
热门文章
- 题解 AT5258 【[ABC156A] Beginner】
- [Unity]导入插件出现编译错误的解决办法:在工程关闭时重新添加一次插件
- conda安装cuda_记一次在 RTX 3090 上安装 APEX
- layui进度条:调用、参数设置、动态渲染、数据热更新 (含案例、代码)
- .jsp页面提交form表单,后台却无法获取input文本框value值
- element-UI组件el-button样式覆写 - 生效篇
- c盘清理代码_IntelliJ IDEA 缓存和索引介绍和清理方法(一)
- 带看板娘玩法指导的贪吃蛇小游戏源码
- 精美的导航引导页html源码
- 百度SEO抖音无水印解析网站源码