Pandas--“大熊猫”基础

Series

Series: pandas的长枪(数据表中的一列或一行,观测向量,一维数组...)

Series1 = pd.Series(np.random.randn(4))print Series1,type(Series1) print Series1.indexprint Series1.values

输出结果：

0   -0.6762561    0.5330142   -0.9352123   -0.940822dtype: float64 <class 'pandas.core.series.Series'>Int64Index([0, 1, 2, 3], dtype='int64')[-0.67625578  0.53301431 -0.93521212 -0.94082195]

• np.random.randn() 正态分布相关。函数说明

Series⽀持过滤的原理就如同NumPy

print Series1>0 print Series1[Series1>0]

输出结果如下：

0 0.0304801 0.0727462 -0.1866073 -1.412244dtype: float64 <class 'pandas.core.series.Series'>Int64Index([0, 1, 2, 3], dtype='int64')[ 0.03048042 0.07274621 -0.18660749 -1.41224432]

我发现，逻辑表达式，获得的值就是True或者False。要先取得值，还是要X[y]的形式。

当然也支持广播Broadcasting

什么是broadcasting,暂时我也不太清楚，看个栗子：

print Series1*2 print Series1+5

输出结果如下：

0 0.060961 1 0.145492 2 -0.373215 3 -2.824489 dtype: float64 0 5.030480 1 5.072746 2 4.813393 3 3.587756 dtype: float64

以及Universal Function

numpy.frompyfunc(out,nin,nout) 返回的是一个函数，nin是输入的参数个数，nout是函数返回的对象的个数函数说明

在序列上就使用行标，而不是创建1个2列的数据表，能够轻松辨别哪是数据，哪是元数据

这句话的意思，我的理解是序列尽量是一列，不用去创建2列，这样子，使用index就能指定数据了

Series2 = pd.Series(Series1.values,index=['norm_'+unicode(i) for i in xrange(4)])print Series2,type(Series2)print Series2.indexprint type(Series2.index)print Series2.values

输出结果如下，可以看到，它是通过修改了index值的样式，并没有创建2列。

norm_0   -0.676256norm_1    0.533014norm_2   -0.935212norm_3   -0.940822dtype: float64 <class 'pandas.core.series.Series'>Index([u'norm_0', u'norm_1', u'norm_2', u'norm_3'], dtype='object')<class 'pandas.core.index.Index'>[-0.67625578  0.53301431 -0.93521212 -0.94082195]

虽然行是有顺序的，但是仍然能够通过行级的index来访问到数据：

（当然也不尽然像Ordered Dict，因为⾏索引甚⾄可以重复，不推荐重复的行索引不代表不能用）

print Series2[['norm_0','norm_3']]

可以看到，读取数据时，确实要采用X[y]的格式。这里X[[y]]是因为，它要读取两个数据，指定的是这两个数据的index值，将index值存放进list中，然后读取。输出结果如下：

norm_0   -0.676256norm_3   -0.940822dtype: float64

再比如：

print 'norm_0' in Series2print 'norm_6' in Series2

输出结果：

TrueFalse

逻辑表达式的输出结果，布尔型值。

从Key不重复的Ordered Dict或者从Dict来定义Series就不需要担心行索引重复：

Series3_Dict = {"Japan":"Tokyo","S.Korea":"Seoul","China":"Beijing"}Series3_pdSeries = pd.Series(Series3_Dict)print Series3_pdSeriesprint Series3_pdSeries.valuesprint Series3_pdSeries.index

输出结果：

China BeijingJapan TokyoS.Korea Seouldtype: object['Beijing' 'Tokyo' 'Seoul']Index([u'China', u'Japan', u'S.Korea'], dtype='object')

通过上面的输出结果就知道了，输出结果是无序的，和输入顺序无关。

想让序列按你的排序⽅式保存？就算有缺失值都毫无问题

Series4_IndexList = ["Japan","China","Singapore","S.Korea"]Series4_pdSeries = pd.Series( Series3_Dict ,index = Series4_IndexList)print Series4_pdSeriesprint Series4_pdSeries.valuesprint Series4_pdSeries.indexprint Series4_pdSeries.isnull()print Series4_pdSeries.notnull()

上面这样的输出就会按照list中定义的顺序输出结果。

整个序列级别的元数据信息：name

当数据序列以及index本身有了名字，就可以更方便的进行后续的数据关联啦！

这里我感觉就是列名的作用。下面举例：

print Series4_pdSeries.nameprint Series4_pdSeries.index.name

很显然，输出的结果都是None，因为我们还没指定name嘛！

Series4_pdSeries.name = "Capital Series"Series4_pdSeries.index.name = "Nation"print Series4_pdSeries

输出结果：

NationJapan TokyoChina BeijingSingapore NaNS.Korea SeoulName: Capital Series, dtype: object

"字典"？不是的，⾏index可以重复，尽管不推荐。

Series5_IndexList = ['A','B','B','C']Series5 = pd.Series(Series1.values,index = Series5_IndexList)print Series5print Series5[['B','A']]

输出结果：

A 0.030480B 0.072746B -0.186607C -1.412244dtype: float64B 0.072746B -0.186607A 0.030480dtype: float64

我们可以看出，Series['B']输出了两个值，所以index值尽量不要重复呀！

DataFrame

DataFrame：pandas的战锤(数据表，⼆维数组)

Series的有序集合，就像R的DataFrame一样方便。

仔细想想，绝大部分的数据形式都可以表现为DataFrame。

从NumPy二维数组、从文件或者从数据库定义：数据虽好，勿忘列名

dataNumPy = np.asarray([('Japan','Tokyo',4000),('S.Korea','Seoul',1300),('China','Beijing',9100)])DF1 = pd.DataFrame(dataNumPy,columns=['nation','capital','GDP'])DF1

这里DataFrame中的columns应该就是列名的意思。现在看print的结果，是不是很舒服啊！Excel的样式嘛

等长的列数据保存在一个字典里（JSON）：很不幸，字典key是无序的

dataDict = {'nation':['Japan','S.Korea','China'],'capital':['Tokyo','Seoul','Beijing'],'GDP':[4900,1300,9100]}DF2 = pd.DataFrame(dataDict)DF2

输出结果可以发现，无序的！

    GDP capital nation0   4900    Tokyo   Japan1   1300    Seoul   S.Korea2   9100    Beijing China

PS:由于懒得截图放过来，这里没有了边框线。

从另一个DataFrame定义DataFrame：啊，强迫症犯了！

DF21 = pd.DataFrame(DF2,columns=['nation','capital','GDP'])DF21

很明显，这里是利用DF2定义DF21，还通过指定cloumns改变了列名的顺序。

DF22 = pd.DataFrame(DF2,columns=['nation','capital','GDP'],index = [2,0,1])DF22

很明显，这里定义了columns的顺序，还定义了index的顺序。

nation capital GDP2 China Beijing 91000 Japan Tokyo 49001 S.Korea Seoul 1300

从DataFrame中取出列？两种方法（与JavaScript完全一致！）

OMG，囧，我竟然都快忘了js语法了，现在想起了，但是对象的属性既可以obj.x也可以obj[x]。

• '.'的写法容易与其他预留关键字产生冲突

• '[ ]'的写法最安全。

从DataFrame中取出行？（至少）两种⽅法：

• 方法1和方法2：

print DF22[0:1] #给出的实际是DataFrameprint DF22.ix[0] #通过对应Index给出⾏,**ix**好爽。

输出结果：

nation  capital   GDP2  China  Beijing  9100nation     Japancapital    TokyoGDP         4900Name: 0, dtype: object

• 方法3 像NumPy切片一样的终极招式：iloc ：

print DF22.iloc[0,:]    #第一个参数是第几行，第二个参数是列。这里呢，就是第0行，全部列print DF22.iloc[:,0]    #根据上面的描述，这里是全部行，第0列

输出结果，验证一下：

nation       Chinacapital    BeijingGDP           9100Name: 2, dtype: object2      China0      Japan1    S.KoreaName: nation, dtype: object

动态增加列列，但是无法用"."的方式，只能用"[]"

举个栗子说明一下就明白了：

DF22['population'] = [1600,130,55]DF22

输出结果：

nation  capital GDP population2   China   Beijing 9100    16000   Japan   Tokyo   4900    1301   S.Korea Seoul   1300    55

Index：行级索引

Index：pandas进⾏数据操纵的鬼牌（行级索引）

⾏级索引是：

• 元数据

• 可能由真实数据产生，因此可以视作数据

• 可以由多重索引也就是多个列组合而成

• 可以和列名进行交换，也可以进行堆叠和展开，达到Excel透视表效果

Index有四种...哦不，很多种写法，⼀些重要的索引类型包括：

• pd.Index（普通）

• Int64Index（数值型索引）

• MultiIndex（多重索引，在数据操纵中更详细描述）

• DatetimeIndex（以时间格式作为索引）

• PeriodIndex （含周期的时间格式作为索引）

直接定义普通索引，长得就和普通的Series⼀样

index_names = ['a','b','c']Series_for_Index = pd.Series(index_names)print pd.Index(index_names)print pd.Index(Series_for_Index)

输出结果：

Index([u'a', u'b', u'c'], dtype='object')Index([u'a', u'b', u'c'], dtype='object')

可惜Immutable，牢记！ 不可变！举例如下：此处挖坑啊。不明白……

index_names = ['a','b','c'] index0 = pd.Index(index_names) print index0.get_values() index0[2] = 'd'

输出结果如下：

['a' 'b' 'c']---------------------------------------------------------------------------TypeError                                 Traceback (most recent call last)<ipython-input-36-f34da0a8623c> in <module>()2 index0 = pd.Index(index_names)3 print index0.get_values()----> 4 index0[2] = 'd'C:\Anaconda\lib\site-packages\pandas\core\index.pyc in __setitem__(self, key, value)1055 1056     def __setitem__(self, key, value):-> 1057         raise TypeError("Indexes does not support mutable operations")1058 1059     def __getitem__(self, key):TypeError: Indexes does not support mutable operations

扔进去一个含有多元组的List，就有了MultiIndex

可惜，如果这个List Comprehension改成小括号，就不对了。

multi1 = pd.Index([('Row_'+str(x+1),'Col_'+str(y+1)) for x in xrange(4) for y in xrange(4)])multi1.name = ['index1','index2']print multi1

输出结果：

MultiIndex(levels=[[u'Row_1', u'Row_2', u'Row_3', u'Row_4'], [u'Col_1', u'Col_2', u'Col_3', u'Col_4']],labels=[[0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3], [0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3]])

对于Series来说，如果拥有了多重Index，数据，变形！

下列代码说明：

• 二重MultiIndex的Series可以unstack()成DataFrame

• DataFrame可以stack成拥有⼆重MultiIndex的Series

data_for_multi1 = pd.Series(xrange(0,16),index=multi1)data_for_multi1

输出结果：

Row_1  Col_1     0Col_2     1Col_3     2Col_4     3
Row_2  Col_1     4Col_2     5Col_3     6Col_4     7
Row_3  Col_1     8Col_2     9Col_3    10Col_4    11Row_4  Col_1    12Col_2    13Col_3    14Col_4    15dtype: int32

看到输出结果，好像明白了点，有点类似Excel汇总一样。不过，日后还得查点资料

二重MultiIndex的Series可以unstack()成DataFrame

data_for_multi1.unstack()

DataFrame可以stack成拥有⼆重MultiIndex的Series

data_for_multi1.unstack().stack()

输出结果：

Row_1  Col_1     0Col_2     1Col_3     2Col_4     3Row_2  Col_1     4Col_2     5Col_3     6Col_4     7Row_3  Col_1     8Col_2     9Col_3    10Col_4    11Row_4  Col_1    12Col_2    13Col_3    14Col_4    15dtype: int32

非平衡数据的例子：

multi2 = pd.Index([('Row_'+str(x+1),'Col_'+str(y+1)) for x in xrange(5) for y in xrange(x)])multi2

输出结果：

MultiIndex(levels=[[u'Row_2', u'Row_3', u'Row_4', u'Row_5'], [u'Col_1', u'Col_2', u'Col_3', u'Col_4']],labels=[[0, 1, 1, 2, 2, 2, 3, 3, 3, 3], [0, 0, 1, 0, 1, 2, 0, 1, 2, 3]])

data_for_multi2 = pd.Series(np.arange(10),index = multi2) data_for_multi2

输出结果：

Row_2  Col_1    0Row_3  Col_1    1Col_2    2Row_4  Col_1    3Col_2    4Col_3    5Row_5  Col_1    6Col_2    7Col_3    8Col_4    9dtype: int32

DateTime标准库如此好⽤，你值得拥有

import datetimedates = [datetime.datetime(2015,1,1),datetime.datetime(2015,1,8),datetime.datetime(2015,1,30)]pd.DatetimeIndex(dates)

输出结果：

DatetimeIndex(['2015-01-01', '2015-01-08', '2015-01-30'], dtype='datetime64[ns]', freq=None, tz=None)

如果你不仅需要时间格式统一，时间频率也要统一的话

periodindex1 = pd.period_range('2015-01','2015-04',freq='M')print periodindex1

输出结果：

PeriodIndex(['2015-01', '2015-02', '2015-03', '2015-04'], dtype='int64', freq='M')

月级精度和日级精度如何转换？

有的公司统⼀以1号代表当月，有的公司统一以最后1天代表当⽉，转化起来很麻烦，可以asfreq

print periodindex1.asfreq('D',how='start')print periodindex1.asfreq('D',how='end')

输出结果：

PeriodIndex(['2015-01-01', '2015-02-01', '2015-03-01', '2015-04-01'], dtype='int64', freq='D')PeriodIndex(['2015-01-31', '2015-02-28', '2015-03-31', '2015-04-30'], dtype='int64', freq='D')

最后的最后，我要真正把两种频率的时间精度匹配上？

periodindex_mon = pd.period_range('2015-01','2015-03',freq='M').asfreq('D',how='start')periodindex_day = pd.period_range('2015-01-01','2015-03-31',freq='D')print periodindex_monprint periodindex_day

输出结果：

PeriodIndex(['2015-01-01', '2015-02-01', '2015-03-01'], dtype='int64', freq='D')PeriodIndex(['2015-01-01', '2015-01-02', '2015-01-03', '2015-01-04','2015-01-05', '2015-01-06', '2015-01-07', '2015-01-08','2015-01-09', '2015-01-10', '2015-01-11', '2015-01-12','2015-01-13', '2015-01-14', '2015-01-15', '2015-01-16','2015-01-17', '2015-01-18', '2015-01-19', '2015-01-20','2015-01-21', '2015-01-22', '2015-01-23', '2015-01-24','2015-01-25', '2015-01-26', '2015-01-27', '2015-01-28','2015-01-29', '2015-01-30', '2015-01-31', '2015-02-01','2015-02-02', '2015-02-03', '2015-02-04', '2015-02-05','2015-02-06', '2015-02-07', '2015-02-08', '2015-02-09','2015-02-10', '2015-02-11', '2015-02-12', '2015-02-13','2015-02-14', '2015-02-15', '2015-02-16', '2015-02-17','2015-02-18', '2015-02-19', '2015-02-20', '2015-02-21','2015-02-22', '2015-02-23', '2015-02-24', '2015-02-25','2015-02-26', '2015-02-27', '2015-02-28', '2015-03-01','2015-03-02', '2015-03-03', '2015-03-04', '2015-03-05','2015-03-06', '2015-03-07', '2015-03-08', '2015-03-09','2015-03-10', '2015-03-11', '2015-03-12', '2015-03-13','2015-03-14', '2015-03-15', '2015-03-16', '2015-03-17','2015-03-18', '2015-03-19', '2015-03-20', '2015-03-21','2015-03-22', '2015-03-23', '2015-03-24', '2015-03-25','2015-03-26', '2015-03-27', '2015-03-28', '2015-03-29','2015-03-30', '2015-03-31'],dtype='int64', freq='D')

粗粒度数据＋reindex＋ffill/bfill

full_ts = pd.Series(periodindex_mon,index=periodindex_mon).reindex(periodindex_day,method='ffill')full_ts

关于索引，⽅便的操作有？

前⾯描述过了，索引有序，重复，但⼀定程度上⼜能通过key来访问，也就是说，某些集合操作都是可以⽀持的。

index1 = pd.Index(['A','B','B','C','C'])index2 = pd.Index(['C','D','E','E','F'])index3 = pd.Index(['B','C','A'])print index1.append(index2)print index1.difference(index2)print index1.intersection(index2)print index1.union(index2) # Support unique-value Index wellprint index1.isin(index2)print index1.delete(2)print index1.insert(0,'K') # Not suggestedprint index3.drop('A') # Support unique-value Index wellprint index1.is_monotonic,index2.is_monotonic,index3.is_monotonicprint index1.is_unique,index2.is_unique,index3.is_unique

输出结果：

Index([u'A', u'B', u'B', u'C', u'C', u'C', u'D', u'E', u'E', u'F'], dtype='object')Index([u'A', u'B'], dtype='object')Index([u'C', u'C'], dtype='object')Index([u'A', u'B', u'B', u'C', u'C', u'D', u'E', u'E', u'F'], dtype='object')[False False False  True  True]Index([u'A', u'B', u'C', u'C'], dtype='object')Index([u'K', u'A', u'B', u'B', u'C', u'C'], dtype='object')Index([u'B', u'C'], dtype='object')True True FalseFalse False True

大熊猫世界来去自如：Pandas的I/O

老生常谈，从基础来看，我们仍然关心pandas对于与外部数据是如何交互的。

结构化数据输入输出

• read_csv与to_csv 是⼀对输⼊输出的⼯具，read_csv直接返回pandas.DataFrame，⽽to_csv只要执行命令即可写文件

  • read_table：功能类似

  • read_fwf：操作fixed width file

• read_excel与to_excel方便的与excel交互

• header 表⽰数据中是否存在列名，如果在第0行就写就写0，并且开始读数据时跳过相应的行数，不存在可以写none

• names 表示要用给定的列名来作为最终的列名

• encoding 表⽰数据集的字符编码，通常而言一份数据为了⽅便的进⾏⽂件传输都以utf-8作为标准

这里用的是自己的一个csv数据，因为找不到参考的这个pdf中的数据。

cnames=['经度','纬度']taxidata2 = pd.read_csv('20140401.csv',header = 4,names=cnames,encoding='utf-8')taxidata2

全部参数的请移步API：

http://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_csv.html#pandas.read_csv

这里介绍一些常用的参数：

读取处理：

• skiprows：跳过⼀定的⾏数

• nrows：仅读取⼀定的⾏数

• skipfooter：尾部有固定的⾏数永不读取

• skip_blank_lines：空⾏跳过

内容处理：

• sep/delimiter：分隔符很重要，常⻅的有逗号，空格和Tab('\t')

• na_values：指定应该被当作na_values的数值

• thousands：处理数值类型时，每千位分隔符并不统⼀ (1.234.567,89或者1,234,567.89都可能)，此时要把字符串转化为

数字需要指明千位分隔符

收尾处理：

• index_col：将真实的某列（列的数⺫，甚⾄列名）当作index

• squeeze：仅读到⼀列时，不再保存为pandas.DataFrame⽽是pandas.Series

Excel ... ?

对于存储着极为规整数据的Excel而言，其实是没必要一定用Excel来存，尽管Pandas也十分友好的提供了I/O接口。

taxidata.to_excel('t0401.xlsx',encoding='utf-8')taxidata_from_excel = pd.read_excel('t0401.xlsx',header=0, encoding='utf-8')taxidata_from_excel

注意：当你的xls文件行数很多超过65536时，就会遇到错误，解决办法是将写入的格式变为xlsx。excel函数受限制问题

唯一重要的参数：sheetname=k，标志着一个excel的第k个sheet页将会被取出。（从0开始）

半结构化数据

JSON：网络传输中常⽤的⼀种数据格式。

仔细看一下，实际上这就是我们平时收集到异源数据的风格是一致的：

• 列名不能完全匹配

• key可能并不唯一

• 元数据被保存在数据里

import jsonjson_data = [{'name':'Wang','sal':50000,'job':'VP'},\{'name':'Zhang','job':'Manager','report':'VP'},\{'name':'Li','sal':5000,'report':'IT'}]data_employee = pd.read_json(json.dumps(json_data))data_employee_ri = data_employee.reindex(columns=['name','job','sal','report'])data_employee_ri

输出结果：

深入Pandas数据操纵

在前面部分的基础上，数据会有更多种操纵方式：

• 通过列名、行index来取数据，结合ix、iloc灵活的获取数据的一个子集（第一部分已经介绍）

• 按记录拼接（就像Union All）或者关联（join）

• 方便的统计函数与⾃定义函数映射

• 排序

• 缺失值处理

• 与Excel一样灵活的数据透视表（在第四部分更详细介绍）

数据集整合

横向拼接：直接DataFrame

pd.DataFrame([np.random.rand(2),np.random.rand(2),np.random.rand(2)],columns=['C1','C2'])

横向拼接：Concatenate

pd.concat([data_employee_ri,data_employee_ri,data_employee_ri])

输出结果

### 纵向拼接：Merge

根据数据列关联，使用on关键字

• 可以指定一列或多列

• 可以使⽤left_on和right_on

pd.merge(data_employee_ri,data_employee_ri,on='name')

根据index关联，可以直接使用left_index和right_index

TIPS: 增加how关键字，并指定

• how = 'inner'

• how = 'left'

• how = 'right'

• how = 'outer'

结合how，可以看到merge基本再现了SQL应有的功能，并保持代码整洁

自定义函数映射

dataNumPy32 = np.asarray([('Japan','Tokyo',4000),('S.Korea','Seoul',1300),('China','Beijing',9100)])DF32 = pd.DataFrame(dataNumPy32,columns=['nation','capital','GDP'])DF32

map: 以相同规则将1列数据作1个映射，也就是进行相同函数的处理

def GDP_Factorize(v):fv = np.float64(v)if fv > 6000.0:return 'High'elif fv < 2000.0:return 'Low'else:return 'Medium'DF32['GDP_Level'] = DF32['GDP'].map(GDP_Factorize)DF32['NATION'] = DF32.nation.map(str.upper)DF32

排序

• sort: 按⼀列或者多列的值进行行级排序

• sort_index: 根据index⾥的取值进行排序，而且可以根据axis决定是重排行还是列

sort

dataNumPy33 = np.asarray([('Japan','Tokyo',4000),('S.Korea','Seoul',1300),('China','Beijing',9100)])DF33 = pd.DataFrame(dataNumPy33,columns=['nation','capital','GDP'])DF33

DF33.sort(['capital','nation'],ascending=False)

ascending是降序的意思。

sort_index

DF33.sort_index(axis=1,ascending=True)

一个好用的功能：Rank

DF33.rank()

缺失数据处理

忽略缺失值：

DF34.mean(skipna=True)

不忽略缺失值的话，估计就不能计算均值了吧。

如果不想忽略缺失值的话，就需要祭出fillna了：

注：这里我在猜想，axis=1是不是就代表从行的角度呢？还是得多读书查资料呀。

“一组”大熊猫：Pandas的groupby

groupby的功能类似SQL的group by关键字：

Split-Apply-Combine

• Split，就是按照规则分组

• Apply，通过⼀定的agg函数来获得输⼊pd.Series返回⼀个值的效果

• Combine，把结果收集起来

Pandas的groupby的灵活性：

• 分组的关键字可以来⾃于index，也可以来⾃于真实的列数据

• 分组规则可以通过⼀列或者多列

没有具体数据，截图看一下吧，方便日后回忆。

分组可以快速实现MapReduce的逻辑

• Map: 指定分组的列标签，不同的值就会被扔到不同的分组处理

• Reduce: 输入多个值，返回1个值，一般可以通过agg实现，agg能接受1个函数

参考：

• S1EP3_Pandas.pdf 不知道什么时候存到电脑里的资料，今天发现了它。感谢作者的资料。

---

本文博客地址Python数据分析入门之pandas总结基础
本文由 Michael翔 创作，采用 知识共享署名 3.0 中国大陆许可协议 进行许可。
可自由转载、引用，但需署名作者且注明文章出处。