程序员用于机器学习编程的Python 数据处理库 pandas 入门教程

Posted 2021-02-13 楚阳

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：

sudo pip3 install pandas

或者通过conda 来安装pandas：

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：

名称	维度	说明
Series	1维	带有标签的同构类型数组
DataFrame	2维	表格结构，带有标签，大小可变，且可以包含异构的数据列

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(el)-da(ta)-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：

# data_structure.py

import pandas **as** pd

import numpy **as** np

series1= pd.Series([1, 2, 3, 4])

print("series1:
{}
".format(series1))

这段代码输出如下：

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：

# data_structure.py

print("series1.values: {}
".format(series1.values))

print("series1.index: {}
".format(series1.index))

这两行代码输出如下：

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：

# data_structure.py

series2= pd.Series([1, 2, 3, 4, 5, 6, 7],

    index=["C", "D", "E", "F", "G", "A", "B"])

print("series2:
{}
".format(series2))

print("E is {}
".format(series2["E"]))

这段代码输出如下：

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4×4的矩阵，以此来创建一个DataFrame，像这样：

# data_structure.py

df1= pd.DataFrame(np.arange(16).reshape(4,4))

print("df1:
{}
".format(df1))

这段代码输出如下：

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：

# data_structure.py

df2= pd.DataFrame(np.arange(16).reshape(4,4),

    columns=["column1", "column2", "column3", "column4"],

    index=["a", "b", "c", "d"])

print("df2:
{}
".format(df2))

这段代码输出如下：

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：

# data_structure.py

df3= pd.DataFrame({"note": ["C", "D", "E", "F", "G", "A", "B"],

    "weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})

print("df3:
{}
".format(df3))

这段代码输出如下：

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：

# 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:
{}
".format(df4))

df4的输出如下：

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：

# data_structure.py

df3["No."]= pd.Series([1, 2, 3, 4, 5, 6, 7])

print("df3:
{}
".format(df3))

del df3["weekday"]

print("df3:
{}
".format(df3))

这段代码输出如下：

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：

# data_structure.py

print("df3.columns
{}
".format(df3.columns))

print("df3.index
{}
".format(df3.index))

这两行代码输出如下：

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 # data_structure.py
2 
3 print("Note C, D is:
{}
".format(df3.loc[[0, 1], "note"]))
4 
5 print("Note C, D is:
{}
".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 Note C, D **is**:
 2 
 3 0    C
 4 
 5 1    D
 6 
 7 Name: note, dtype: **object**
 8 
 9 Note C, D **is**:
10 
11 0    C
12 
13 1    D
14 
15 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：

$  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: [email protected]

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：

# file_operation.py

import pandas **as** pd

import numpy **as** np

df1= pd.read_excel("data/test.xlsx")

print("df1:
{}
".format(df1))

这个Excel的内容如下：

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：

$ cat test1.csv 

C,Mon

D,Tue

E,Wed

F,Thu

G,Fri

A,Sat

读取的方式也很简单：

# file_operation.py

df2= pd.read_csv("data/test1.csv")

print("df2:
{}
".format(df2))

我们再来看第2个例子，这个文件的内容如下：

$ 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：

# file_operation.py

df3= pd.read_csv("data/test2.csv", sep="|")

print("df3:
{}
".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delimiterFrame	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

参数	说明
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
skip_footer	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：

    # 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:
{}
".format(df));
print("df:
{}
".format(pd.isna(df)));****

这段代码输出如下：

    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：

    # process_na.py
 
print("df.dropna():
{}
".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：

    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：

 # process_na.py
 
print("df.dropna(axis=1, how=‘all‘):
{}
".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：

    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：

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

这段代码输出如下：

  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：

  # 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:
{}
".format(df));

这段代码输出如下：

    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：

 # process_string.py
 
import pandas as pd
 
s1 = pd.Series([‘ 1‘, ‘2 ‘, ‘ 3 ‘, ‘4‘, ‘5‘]);
print("s1.str.rstrip():
{}
".format(s1.str.lstrip()))
print("s1.str.strip():
{}
".format(s1.str.strip()))
print("s1.str.isdigit():
{}
".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：

   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：

# process_string.py
 
s2 = pd.Series([‘Stairway to Heaven‘, ‘Eruption‘, ‘Freebird‘,
                    ‘Comfortably Numb‘, ‘All Along the Watchtower‘])
print("s2.str.lower():
{}
".format(s2.str.lower()))
print("s2.str.upper():
{}
".format(s2.str.upper()))
print("s2.str.len():
{}
".format(s2.str.len()))

该段代码输出如下：

  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

结束语

本文是pandas的入门教程，因此我们只介绍了最基本的操作。对于
?MultiIndex/Advanced Indexing
?Merge, join, concatenate
?Computational tools
之类的高级功能，以后有机会我们再来一起学习。
读者也可以根据下面的链接获取更多的知识。

更多Python技术文章请关注2019，Python技术持续更新（附教程）