Python的pandas

Posted 2021-01-17 dz45693

pandas 是python中很重要的组件，网上关于pandas 的文章也很多，比如Python科学计算之Pandas 和 Python数据分析入门

Pandas基于两种数据类型：series与dataframe。

一个series是一个一维的数据类型，其中每一个元素都有一个标签。如果你阅读过这个系列的关于Numpy的文章，你就可以发现series类似于Numpy中元素带标签的数组。其中，标签可以是数字或者字符串。

一个dataframe是一个二维的表结构。Pandas的dataframe可以存储许多种不同的数据类型，并且每一个坐标轴都有自己的标签。你可以把它想象成一个series的字典项。

这里我使用的数据源如下："https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"

经常使用的效果如图：

 

要使用pandas首先我们需要 安装并引入import pandas as pd，read_csv方法可以加载本地文件也可以读取网络文件，head()方法默认加载前面5条记录，也可以指定记录条数,比如head(10)就是前面10条记录，tail()取后面多少条记录， 也可以指定记录条数。columns显示的表格的列名，index这里可以理解为表格的下标，默认是从0开始的，可以用len(df)来获取记录数 ，df.T可以理解为表格的行列转换。

 

head和tail是表格前面或者后面多少条记录， 也可以用loc方法指定第几条记录，比如我这里就强制指定第一和第三条及记录，当然也可以限制值显示指定的列，drop方法是丢弃的意思，axis 参数告诉函数到底舍弃列还是行。如果axis等于0，那么就舍弃行，这里丢弃的是第2、3列的数据，describe属性对数据的统计特性进行描述，

Python有一个很好的统计推断包。那就是scipy里面的stats。ttest_1samp实现了单样本t检验。因此，如果我们想检验数据Abra列的稻谷产量均值，通过零假设，这里我们假定总体稻谷产量均值为15000

第一个数组是t统计量，第二个数组则是相应的p值。返回下述值组成的元祖：

t : 浮点或数组类型 ,t 统计量
prob : 浮点或数组类型, two-tailed p-value 双侧概率值
通过上面的输出，看到p值是0.267远大于α等于0.05，因此没有充分的证据说平均稻谷产量不是150000。将这个检验应用到所有的变量，同样假设均值为15000

 

表格的列还可以当做属性来获取， 比如df["Abra"]和df.Abra都是有效的,并且列也支持过滤和排序，如下的df[df.Abra>5000]

 

注意到列名虽然只有一个元素，却实际上需要包含于一个列表中。如果你想要多个索引，你可以简单地在列表中增加另一个列名.我们可以在Pandas中通过调用sort_index来对dataframe实现排序

 

Python中有许多可视化模块，最流行的当属matpalotlib库。稍加提及，我们也可选择bokeh和seaborn模块.