14个Pandas神操作，手把手教你写代码

Posted 2021-09-23 大数据v

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了14个Pandas神操作，手把手教你写代码相关的知识，希望对你有一定的参考价值。

导读：Pandas是Python数据分析的利器，也是各种数据建模的标准工具。本文带大家入门Pandas，将介绍Python语言、Python数据生态和Pandas的一些基本功能。

作者：李庆辉

来源：数仓宝贝库（ID：DataBaby_Family）

在Python语言应用生态中，数据科学领域近年来十分热门。作为数据科学中一个非常基础的库，Pandas受到了广泛关注。Pandas可以将现实中来源多样的数据进行灵活处理和分析。

01 Pandas是什么

很多初学者可能有这样一个疑问：“我想学的是Python数据分析，为什么经常会被引导到Pandas上去？”虽然这两个东西都是以P开头的，但它们并不是同一个层面的东西。简单来说，Pandas是Python这门编程语言中一个专门用来做数据分析的工具，它们的关系如图1所示。

▲图1 Pandas和Python的关系

Pandas是使用Python语言开发的用于数据处理和数据分析的第三方库。它擅长处理数字型数据和时间序列数据，当然文本型的数据也能轻松处理。

作为Python的三方库，Pandas是建构在Python的基础上的，它封装了一些复杂的代码实现过程，我们只要调用它的方法就能轻松实现我们的需求。

Python中的库、框架、包意义基本相同，都是别人造好的轮子，我们可以直接使用，以减少重复的逻辑代码。正是由于有众多覆盖各个领域的框架，我们使用起Python来才能简单高效，而不用关注技术实现细节。

Pandas由Wes McKinney于2008年开发。McKinney当时在纽约的一家金融服务机构工作，金融数据分析需要一个健壮和超快速的数据分析工具，于是他就开发出了Pandas。

Pandas的命名跟熊猫无关，而是来自计量经济学中的术语“面板数据”（Panel data）。面板数据是一种数据集的结构类型，具有横截面和时间序列两个维度。不过，我们不必了解它，它只是一种灵感、思想来源。Pandas目前已经更新到1.2.1版本。

02 Pandas的使用人群

Pandas对数据的处理是为数据分析服务的，它所提供的各种数据处理方法、工具是基于数理统计学的，包含了日常应用中的众多数据分析方法。我们学习它不仅要掌控它的相应技术，还要从它的数据处理思路中学习数据分析的理论和方法。

特别地，如果你想要成为数据分析师、数据产品经理、数据开发工程师等与数据相关的工作者，学习Pandas能让你深入数据理论和实践，更好地理解和应用数据。

Pandas可以轻松应对白领们日常工作中的各种表格数据处理需求，还应用在金融、统计、数理研究、物理计算、社会科学、工程等领域。

Pandas可以实现复杂的处理逻辑，这些往往是Excel等工具无法完成的，还可以自动化、批量化，免去我们在处理相同的大量数据时的重复工作。

Pandas可以实现非常震撼的可视化效果，它对接众多令人赏心悦目的可视化库，可以实现动态数据交互效果。

03 Pandas的基本功能

Pandas常用的基本功能如下：

从Excel、CSV、网页、SQL、剪贴板等文件或工具中读取数据；
合并多个文件或者电子表格中的数据，将数据拆分为独立文件；
数据清洗，如去重、处理缺失值、填充默认值、补全格式、处理极端值等；
建立高效的索引；
支持大体量数据；
按一定业务逻辑插入计算后的列、删除列；
灵活方便的数据查询、筛选；
分组聚合数据，可独立指定分组后的各字段计算方式；
数据的转置，如行转列、列转行变更处理；
连接数据库，直接用SQL查询数据并进行处理；
对时序数据进行分组采样，如按季、按月、按工作小时，也可以自定义周期，如工作日；
窗口计算，移动窗口统计、日期移动等；
灵活的可视化图表输出，支持所有的统计图形；
为数据表格增加展示样式，提高数据识别效率。

04 Pandas快速入门

1. 安装导入

首先安装pandas库。打开“终端”并执行以下命令：

pip install pandas matplotlib
# 如网络慢，可指定国内源快速下载安装
pip install pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，在终端中启动Jupyter Notebook，给文件命名，如pandas-01。在Jupyter Notebook中导入Pandas，按惯例起别名pd：

# 引入 Pandas库，按惯例起别名pd
import pandas as pd

这样，我们就可以使用pd调用Pandas的所有功能了。

2. 准备数据集

数据集（Data set或dataset），又称为资料集、数据集合或资料集合，是一种由数据组成的集合，可以简单理解成一个Excel表格。在分析处理数据时，我们要先了解数据集。对所持有数据各字段业务意义的理解是分析数据的前提。

介绍下我们后面会经常用的数据集team.xlsx，可以从网址以下网址下载：

https://www.gairuo.com/file/data/dataset/team.xlsx

它的内容见表1。

▼表1 team.xlsx的部分内容

这是一个学生各季度成绩总表（节选），各列说明如下。

name：学生的姓名，这列没有重复值，一个学生一行，即一条数据，共100条。
team：所在的团队、班级，这个数据会重复。
Q1～Q4：各个季度的成绩，可能会有重复值。

3. 读取数据

了解了数据集的意义后，我们将数据读取到Pandas里，变量名用df（DataFrame的缩写，后续会介绍），它是Pandas二维数据的基础结构。

import pandas as pd # 引入Pandas库，按惯例起别名pd

# 以下两种效果一样，如果是网址，它会自动将数据下载到内存
df = pd.read_excel('https://www.gairuo.com/file/data/dataset/team.xlsx')
df = pd.read_excel('team.xlsx') # 文件在notebook文件同一目录下
# 如果是CSV，使用pd.read_csv()，还支持很多类型的数据读取

这样就把数据读取到变量df中，输入df看一下内容，在Jupyter Notebook中的执行效果如图2所示。

▲图2 读取数据的执行效果

其中：

自动增加了第一列，是Pandas为数据增加的索引，从0开始，程序不知道我们真正的业务索引，往往需要后面重新指定，使它有一定的业务意义；
由于数据量大，自动隐藏了中间部分，只显示前后5条；
底部显示了行数和列数。

4. 查看数据

读取完数据后我们来查看一下数据：

df.head() # 查看前5条，括号里可以写明你想看的条数
df.tail() # 查看尾部5条
df.sample(5) # 随机查看5条

查看前5条时的结果如图3所示。

▲图3 查看df前5条数据

5. 验证数据

拿到数据，我们还需要验证一下数据是否加载正确，数据大小是否正常。下面是一些常用的代码，可以执行看看效果（一次执行一行）：

df.shape # (100, 6) 查看行数和列数
df.info() # 查看索引、数据类型和内存信息
df.describe() # 查看数值型列的汇总统计
df.dtypes # 查看各字段类型
df.axes # 显示数据行和列名
df.columns # 列名

df.info()显示有数据类型、索引情况、行列数、各字段数据类型、内存占用等：

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100 entries, 0 to 99
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   name    100 non-null    object
 1   team    100 non-null    object
 2   Q1      100 non-null    int64
 3   Q2      100 non-null    int64
 4   Q3      100 non-null    int64
 5   Q4      100 non-null    int64
dtypes: int64(4), object(2)
memory usage: 4.8+ KB

df.describe()会计算出各数字字段的总数（count）、平均数（mean）、标准差（std）、最小值（min）、四分位数和最大值（max）：

Out:
               Q1          Q2          Q3          Q4
count  100.000000  100.000000  100.000000  100.000000
mean    49.200000   52.550000   52.670000   52.780000
std     29.962603   29.845181   26.543677   27.818524
min      1.000000    1.000000    1.000000    2.000000
25%     19.500000   26.750000   29.500000   29.500000
50%     51.500000   49.500000   55.000000   53.000000
75%     74.250000   77.750000   76.250000   75.250000
max     98.000000   99.000000   99.000000   99.000000

6. 建立索引

以上数据真正业务意义上的索引是name列，所以我们需要使它成为索引：

df.set_index('name', inplace=True) # 建立索引并生效

其中可选参数inplace=True会将指定好索引的数据再赋值给df使索引生效，否则索引不会生效。注意，这里并没有修改原Excel，从我们读取数据后就已经和它没有关系了，我们处理的是内存中的df变量。

将name建立索引后，就没有从0开始的数字索引了，如图4所示。

▲图4 将name设置为索引的执行效果

7. 数据选取

接下来，我们像Excel那样，对数据做一些筛选操作。

1）选择列

选择列的方法如下：

# 查看指定列
df['Q1']
df.Q1 # 同上，如果列名符合Python变量名要求，可使用

显示如下内容：

df.Q1
Out:
0     89
1     36
2     57
3     93
4     65
      ..
95    48
96    21
97    98
98    11
99    21
Name: Q1, Length: 100, dtype: int64

这里返回的是一个Series类型数据，可以理解为数列，它也是带索引的。之前建立的索引在这里发挥出了作用，否则我们的索引是一个数字，无法知道与之对应的是谁的数据。

选择多列的可以用以下方法：

# 选择多列
df[['team', 'Q1']] # 只看这两列，注意括号
df.loc[:, ['team', 'Q1']] # 和上一行效果一样

df.loc[x, y]是一个非常强大的数据选择函数，其中x代表行，y代表列，行和列都支持条件表达式，也支持类似列表那样的切片（如果要用自然索引，需要用df.iloc[]）。下面的例子中会进行演示。

2）选择行

选择行的方法如下：

# 用指定索引选取
df[df.index == 'Liver'] # 指定姓名

# 用自然索引选择，类似列表的切片
df[0:3] # 取前三行
df[0:10:2] # 在前10个中每两个取一个
df.iloc[:10,:] # 前10个

3）指定行和列

同时给定行和列的显示范围：

df.loc['Ben', 'Q1':'Q4'] # 只看Ben的四个季度成绩
df.loc['Eorge':'Alexander', 'team':'Q4'] # 指定行区间

4）条件选择

按一定的条件显示数据：

# 单一条件
df[df.Q1 > 90] # Q1列大于90的
df[df.team == 'C'] # team列为'C'的
df[df.index == 'Oscar'] # 指定索引即原数据中的name

# 组合条件
df[(df['Q1'] > 90) & (df['team'] == 'C')] # and关系
df[df['team'] == 'C'].loc[df.Q1>90] # 多重筛选

8. 排序

Pandas的排序非常方便，示例如下：

# 单一条件
df.sort_values(by='Q1') # 按Q1列数据升序排列
df.sort_values(by='Q1', ascending=False) # 降序

df.sort_values(['team', 'Q1'], ascending=[True, False]) # team升序，Q1降序

9. 分组聚合

我们可以实现类似SQL的groupby那样的数据透视功能：

df.groupby('team').sum() # 按团队分组对应列相加
df.groupby('team').mean() # 按团队分组对应列求平均
# 不同列不同的计算方法
df.groupby('team').agg({'Q1': sum,  # 总和
                        'Q2': 'count', # 总数
                        'Q3':'mean', # 平均
                        'Q4': max}) # 最大值

统一聚合执行后的效果如图5所示。

▲图5 按team分组后求平均数

不同计算方法聚合执行后的效果如图6所示。

▲图6 分组后每列用不同的方法聚合计算

10. 数据转换

对数据表进行转置，对类似图6中的数据以A-Q1、E-Q4两点连成的折线为轴对数据进行翻转，效果如图7所示，不过我们这里仅用sum聚合。

df.groupby('team').sum().T

▲图7 对聚合后的数据进行翻转

也可以试试以下代码，看有什么效果：

df.groupby('team').sum().stack()
df.groupby('team').sum().unstack()

11. 增加列

用Pandas增加一列非常方便，就与新定义一个字典的键值一样。

df['one'] = 1 # 增加一个固定值的列
df['total'] = df.Q1 + df.Q2 + df.Q3 + df.Q4 # 增加总成绩列
# 将计算得来的结果赋值给新列
df['total'] = df.loc[:,'Q1':'Q4'].apply(lambda x:sum(x), axis=1)
df['total'] = df.sum(axis=1) # 可以把所有为数字的列相加
df['avg'] = df.total/4 # 增加平均成绩列

12. 统计分析

根据你的数据分析目标，试着使用以下函数，看看能得到什么结论。

df.mean() # 返回所有列的均值
df.mean(1) # 返回所有行的均值，下同
df.corr() # 返回列与列之间的相关系数
df.count() # 返回每一列中的非空值的个数
df.max() # 返回每一列的最大值
df.min() # 返回每一列的最小值
df.median() # 返回每一列的中位数
df.std() # 返回每一列的标准差
df.var() # 方差
s.mode() # 众数

13. 绘图

Pandas利用plot()调用Matplotlib快速绘制出数据可视化图形。注意，第一次使用plot()时可能需要执行两次才能显示图形。如图8所示，可以使用plot()快速绘制折线图。

df['Q1'].plot() # Q1成绩的折线分布

▲图8 利用plot()快速绘制折线图

如图9所示，可以先选择要展示的数据，再绘图。

df.loc['Ben','Q1':'Q4'].plot() # ben四个季度的成绩变化

▲图9 选择部分数据绘制折线图

如图10所示，可以使用plot.bar绘制柱状图。

df.loc[ 'Ben','Q1':'Q4'].plot.bar() # 柱状图
df.loc[ 'Ben','Q1':'Q4'].plot.barh() # 横向柱状图

▲图10 利用plot.bar绘制的柱状图

如果想绘制横向柱状图，可以将bar更换为barh，如图11所示。

▲图11 利用barh绘制的横向柱状图

对数据聚合计算后，可以绘制成多条折线图，如图12所示。

# 各Team四个季度总成绩趋势
df.groupby('team').sum().T.plot()

▲图12 多条折线图

也可以用pie绘制饼图，如图13所示。

# 各组人数对比
df.groupby('team').count().Q1.plot.pie()

▲图13 饼图的绘制效果

14. 导出

可以非常轻松地导出Excel和CSV文件。

df.to_excel('team-done.xlsx') # 导出 Excel文件
df.to_csv('team-done.csv') # 导出 CSV文件

导出的文件位于notebook文件的同一目录下，打开看看。

关于作者：李庆辉，数据产品专家，某电商公司数据产品团队负责人，擅长通过数据治理、数据分析、数据化运营提升公司的数据应用水平。

本文摘编自《深入浅出Pandas：利用Python进行数据处理与分析》，经出版方授权发布。