个人中心
gpt4 book ai didi

Python 数据处理库 pandas 入门教程基本操作

转载 作者：qq735679552 更新时间：2022-09-28 22:32:09 24 4
gpt4 key购买 nike

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Python 数据处理库 pandas 入门教程基本操作由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

pandas是一个Python语言的软件包，在我们使用Python语言进行机器学习编程的时候，这是一个非常常用的基础编程库。本文是对它的一个入门教程.

pandas提供了快速，灵活和富有表现力的数据结构，目的是使“关系”或“标记”数据的工作既简单又直观。它旨在成为在Python中进行实际数据分析的高级构建块.

入门介绍 。

pandas适合于许多不同类型的数据，包括:

  • 具有异构类型列的表格数据，例如SQL表格或Excel数据
  • 有序和无序（不一定是固定频率）时间序列数据。
  • 具有行列标签的任意矩阵数据（均匀类型或不同类型）
  • 任何其他形式的观测/统计数据集。
  •  

由于这是一个Python语言的软件包，因此需要你的机器上首先需要具备Python语言的环境。关于这一点，请自行在网络上搜索获取方法.

关于如何获取pandas请参阅官网上的说明：pandas Installation.

通常情况下，我们可以通过pip来执行安装:

?
1
sudo pip3 install pandas

或者通过conda 来安装pandas:

?
1
conda install pandas

目前（2018年2月）pandas的最新版本是v0.22.0（发布时间：2017年12月29日）.

我已经将本文的源码和测试数据放到Github上：pandas_tutorial ，读者可以前往获取.

另外，pandas常常和NumPy一起使用，本文中的源码中也会用到NumPy.

建议读者先对NumPy有一定的熟悉再来学习pandas，我之前也写过一个NumPy的基础教程，参见这里：Python 机器学习库 NumPy 教程 。

核心数据结构 。

pandas最核心的就是Series和DataFrame两个数据结构.

这两种类型的数据结构对比如下:

Python 数据处理库 pandas 入门教程基本操作

DataFrame可以看做是Series的容器，即：一个DataFrame中可以包含若干个Series.

注：在0.20.0版本之前，还有一个三维的数据结构，名称为Panel。这也是pandas库取名的原因：pan-da-s。但这种数据结构由于很少被使用到，因此已经被废弃了.

Series 。

由于Series是一维结构的数据，我们可以直接通过数组来创建这种数据，像这样:

?
1
2
3
4
5
# data_structure.py
import pandas as pd
import numpy as np
series1 = pd.Series([ 1 , 2 , 3 , 4 ])
print ( "series1:\n{}\n" . format (series1))

这段代码输出如下:

?
1
2
3
4
5
6
series1:
0 1
1 2
2 3
3 4
dtype: int64

这段输出说明如下:

  • 输出的最后一行是Series中数据的类型，这里的数据都是int64类型的。
  • 数据在第二列输出，第一列是数据的索引，在pandas中称之为Index。
  •  

我们可以分别打印出Series中的数据和索引:

?
1
2
3
# data_structure.py
print ( "series1.values: {}\n" . format (series1.values))
print ( "series1.index: {}\n" . format (series1.index))

这两行代码输出如下:

?
1
2
series1.values: [ 1 2 3 4 ]
series1.index: RangeIndex(start = 0 , stop = 4 , step = 1 )

如果不指定（像上面这样），索引是[1, N-1]的形式。不过我们也可以在创建Series的时候指定索引。索引未必一定需要是整数，可以是任何类型的数据，例如字符串。例如我们以七个字母来映射七个音符。索引的目的是可以通过它来获取对应的数据，例如下面这样:

?
1
2
3
4
5
# 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" ]))

这段代码输出如下:

?
1
2
3
4
5
6
7
8
9
10
11
series2:
C 1
D 2
E 3
F 4
G 5
A 6
B 7
dtype: int64
E is 3
DataFrame

下面我们来看一下DataFrame的创建。我们可以通过NumPy的接口来创建一个4x4的矩阵，以此来创建一个DataFrame，像这样:

?
1
2
3
# data_structure.py
df1 = pd.DataFrame(np.arange( 16 ).reshape( 4 , 4 ))
print ( "df1:\n{}\n" . format (df1))

这段代码输出如下:

?
1
2
3
4
5
6
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

从这个输出我们可以看到，默认的索引和列名都是[0, N-1]的形式.

我们可以在创建DataFrame的时候指定列名和索引，像这样:

?
1
2
3
4
5
# 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))

这段代码输出如下:

?
1
2
3
4
5
6
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

我们也可以直接指定列数据来创建DataFrame:

?
1
2
3
4
5
# data_structure.py
 
df3 = pd.DataFrme({ "note" : [ "C" , "D" , "E" , "F" , "G" , "A" , "B" ],
  "weekday" : [ "Mon" , "Tue" , "Wed" , "Thu" , "Fri" , "Sat" , "Sun" ]})
print ( "df3:\n{}\n" . format (df3))

这段代码输出如下:

?
1
2
3
4
5
6
7
8
9
df3:
  note weekday
0 C Mon
1 D Tue
2 E Wed
3 F Thu
4 G Fri
5 A Sat
6 B Sun

请注意:

DataFrame的不同列可以是不同的数据类型 。

如果以Series数组来创建DataFrame，每个Series将成为一行，而不是一列 。

例如:

?
1
2
3
4
5
6
7
# 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的输出如下:

?
1
2
3
4
df4:
  1 2 3 4 5 6 7
0 C D E F G A B
1 Mon Tue Wed Thu Fri Sat Sun

我们可以通过下面的形式给DataFrame添加或者删除列数据:

?
1
2
3
4
5
# 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))

这段代码输出如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
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

Index对象与数据访问 。

pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候，标签的数组或者序列会被转换成Index。可以通过下面的方式获取到DataFrame的列和行的Index对象:

?
1
2
3
# data_structure.py
print ( "df3.columns\n{}\n" . format (df3.columns))
print ( "df3.index\n{}\n" . format (df3.index))

这两行代码输出如下:

?
1
2
3
4
df3.columns
Index([ 'note' , 'No.' ], dtype = 'object' )
df3.index
RangeIndex(start = 0 , stop = 7 , step = 1 )

请注意:

  • Index并非集合，因此其中可以包含重复的数据
  • Index对象的值是不可以改变，因此可以通过它安全的访问数据
  •  

DataFrame提供了下面两个操作符来访问其中的数据:

  • loc：通过行和列的索引来访问数据
  • iloc：通过行和列的下标来访问数据

例如这样:

?
1
2
3
# 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 ]))

第一行代码访问了行索引为0和1，列索引为“note”的元素。第二行代码访问了行下标为0和1（对于df3来说，行索引和行下标刚好是一样的，所以这里都是0和1，但它们却是不同的含义），列下标为0的元素.

这两行代码输出如下:

?
1
2
3
4
5
6
7
8
9
Note C, D is :
0 C
1 D
Name: note, dtype: object
 
Note C, D is :
0 C
1 D
Name: note, dtype: object

文件操作 。

pandas库提供了一系列的read_函数来读取各种格式的文件，它们如下所示:

  • 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
  •  

读取Excel文件 。

注：要读取Excel文件，还需要安装另外一个库：xlrd 。

通过pip可以这样完成安装:

?
1
sudo pip3 install xlrd

安装完之后可以通过pip查看这个库的信息:

?
1
2
3
4
5
6
7
8
9
10
$ 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:

接下来我们看一个读取Excel的简单的例子:

?
1
2
3
4
5
# file_operation.py
import pandas as pd
import numpy as np
df1 = pd.read_excel( "data/test.xlsx" )
print ( "df1:\n{}\n" . format (df1))

这个Excel的内容如下:

?
1
2
3
4
5
6
7
8
df1:
  C Mon
0 D Tue
1 E Wed
2 F Thu
3 G Fri
4 A Sat
5 B Sun

注：本文的代码和数据文件可以通过文章开头提到的Github仓库获取.

读取CSV文件 。

下面，我们再来看读取CSV文件的例子.

第一个CSV文件内容如下:

?
1
2
3
4
5
6
7
$ cat test1.csv
C,Mon
D,Tue
E,Wed
F,Thu
G,Fri
A,Sat

读取的方式也很简单:

?
1
2
3
# file_operation.py
df2 = pd.read_csv( "data/test1.csv" )
print ( "df2:\n{}\n" . format (df2))

我们再来看第2个例子，这个文件的内容如下:

?
1
2
3
4
5
6
7
$ cat test2.csv
C|Mon
D|Tue
E|Wed
F|Thu
G|Fri
A|Sat

严格的来说，这并不是一个CSV文件了，因为它的数据并不是通过逗号分隔的。在这种情况下，我们可以通过指定分隔符的方式来读取这个文件，像这样:

?
1
2
3
# file_operation.py
df3 = pd.read_csv( "data/test2.csv" , sep = "|" )
print ( "df3:\n{}\n" . format (df3))

实际上，read_csv支持非常多的参数用来调整读取的参数，如下表所示:

  。

参数 说明
path 文件路径
sep或者delimiter 字段分隔符
header 列名的行数，默认是0（第一行）
index_col 列号或名称用作结果中的行索引
names 结果的列名称列表
skiprows 从起始位置跳过的行数
na_values 代替NA的值序列
comment 以行结尾分隔注释的字符
parse_dates 尝试将数据解析为datetime。默认为False
keep_date_col 如果将列连接到解析日期，保留连接的列。默认为False。
converters 列的转换器
dayfirst 当解析可以造成歧义的日期时，以内部形式存储。默认为False
data_parser 用来解析日期的函数
nrows 从文件开始读取的行数
iterator 返回一个TextParser对象，用于读取部分内容
chunksize 指定读取块的大小
skip_footer 文件末尾需要忽略的行数
verbose 输出各种解析输出的信息
encoding 文件编码
squeeze 如果解析的数据只包含一列，则返回一个Series
thousands 千数量的分隔符

  。

详细的read_csv函数说明请参见这里：pandas.read_csv 。

处理无效值 。

现实世界并非完美，我们读取到的数据常常会带有一些无效值。如果没有处理好这些无效值，将对程序造成很大的干扰.

对待无效值，主要有两种处理方法：直接忽略这些无效值；或者将无效值替换成有效值.

下面我先创建一个包含无效值的数据结构。然后通过pandas.isna函数来确认哪些值是无效的:

?
1
2
3
4
5
6
7
8
9
# 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))); * * * *

这段代码输出如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
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

忽略无效值 。

我们可以通过pandas.DataFrame.dropna函数抛弃无效值:

?
1
2
# process_na.py
print ( "df.dropna():\n{}\n" . format (df.dropna()));

注：dropna默认不会改变原先的数据结构，而是返回了一个新的数据结构。如果想要直接更改数据本身，可以在调用这个函数的时候传递参数 inplace = True.

对于原先的结构，当无效值全部被抛弃之后，将不再是一个有效的DataFrame，因此这行代码输出如下:

?
1
2
3
4
df.dropna():
Empty DataFrame
Columns: [ 0 , 1 , 2 , 3 ]
Index: []

我们也可以选择抛弃整列都是无效值的那一列:

?
1
2
# process_na.py
print ( "df.dropna(axis=1, how='all'):\n{}\n" . format (df.dropna(axis = 1 , how = 'all' )));

注：axis=1表示列的轴。how可以取值'any'或者'all'，默认是前者.

这行代码输出如下:

?
1
2
3
4
5
6
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

替换无效值 。

我们也可以通过fillna函数将无效值替换成为有效值。像这样:

?
1
2
# process_na.py
print ( "df.fillna(1):\n{}\n" . format (df.fillna( 1 )));

这段代码输出如下:

?
1
2
3
4
5
6
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

将无效值全部替换成同样的数据可能意义不大，因此我们可以指定不同的数据来进行填充。为了便于操作，在填充之前，我们可以先通过rename方法修改行和列的名称:

?
1
2
3
4
5
6
7
8
# 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));

这段代码输出如下:

?
1
2
3
4
5
6
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

处理字符串 。

数据中常常牵涉到字符串的处理，接下来我们就看看pandas对于字符串操作.

Series的str字段包含了一系列的函数用来处理字符串。并且，这些函数会自动处理无效值.

下面是一些实例，在第一组数据中，我们故意设置了一些包含空格字符串:

?
1
2
3
4
5
6
# 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()))

在这个实例中我们看到了对于字符串strip的处理以及判断字符串本身是否是数字，这段代码输出如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
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，展示了对于字符串大写，小写以及字符串长度的处理:

?
1
2
3
4
5
6
# 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 ()))

该段代码输出如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
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

总结 。

以上所述是小编给大家介绍的Python 数据处理库 pandas 入门教程基本操作，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对我网站的支持！ 。

原文链接：http://qiangbo.space/2018-02-15/pandas_tutorial/ 。

最后此篇关于Python 数据处理库 pandas 入门教程基本操作的文章就讲到这里了,如果你想了解更多关于Python 数据处理库 pandas 入门教程基本操作的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。

24 4 0
文章推荐： PHP magento后台无法登录问题解决方法
文章推荐： ubuntu mysql 5.6版本的删除/安装/编码配置文件配置
文章推荐： 微信 开发生成带参数的二维码的实例
文章推荐： MySQL加密和解密实例详解
qq735679552
个人简介

我是一名优秀的程序员,十分优秀！

滴滴打车优惠券免费领取
滴滴打车优惠券
全站热门文章
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com