目錄

文章目錄

• 目錄
• 前言
• 內容
• • 一、數據結構介紹
  • • 1、Series的創建
    • 2、DataFrame的創建
    • 二、數據索引index
    • • 1、通過索引值或索引標簽獲取數據
      • 2、自動化對齊
    • 三、利用pandas查詢數據
  • 四、統計分析
  • • 五、類似于SQL的操作
  • 六、缺失值處理

前言

為了增加實戰經驗，選擇了開通深度之眼vip，先試試水，效果好的話，推薦給大家。

內容

入門第二三課的內容以及在其他bolg里，所以就不打卡了。
本節課主要是練習Pandas的相應語法，熟悉相關操作。
Python中的pandas模塊進行數據分析。
接下來pandas介紹中將學習到如下8塊內容：

• 1、數據結構簡介：DataFrame和Series
• 2、數據索引index
• 3、利用pandas查詢數據
• 4、利用pandas的DataFrames進行統計分析
• 5、利用pandas實現SQL操作
• 6、利用pandas進行缺失值的處理

一、數據結構介紹

在pandas中有兩類非常重要的數據結構，即序列Series和數據框DataFrame。Series類似于numpy中的一維數組，除了通吃一維數組可用的函數或方法，而且其可通過索引標簽的方式獲取數據，還具有索引的自動對齊功能；DataFrame類似于numpy中的二維數組，同樣可以通用numpy數組的函數和方法，而且還具有其他靈活應用，后續會介紹到。

1、Series的創建

序列的創建主要有三種方式：
1）通過一維數組創建序列

import numpy as np, pandas as pdarr1 = np.arange(10)arr1type(arr1)s1 = pd.Series(arr1)s1type(s1)

2）通過字典的方式創建序列

dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50} dic1 type(dic1) s2 = pd.Series(dic1) s2 type(s2)

3）通過DataFrame中的某一行或某一列創建序列

這部分內容我們放在后面講，因為下面就開始將DataFrame的創建。

2、DataFrame的創建

數據框的創建主要有三種方式：
1）通過二維數組創建數據框

arr2 = np.array(np.arange(12)).reshape(4,3) arr2 type(arr2) df1 = pd.DataFrame(arr2) df1 type(df1)

2）通過字典的方式創建數據框

以下以兩種字典來創建數據框，一個是字典列表，一個是嵌套字典。

dic2 = {'a':[1,2,3,4],'b':[5,6,7,8], 'c':[9,10,11,12],'d':[13,14,15,16]} dic2 type(dic2) df2 = pd.DataFrame(dic2) df2 type(df2) dic3 = {'one':{'a':1,'b':2,'c':3,'d':4}, 'two':{'a':5,'b':6,'c':7,'d':8}, 'three':{'a':9,'b':10,'c':11,'d':12}} dic3 type(dic3) df3 = pd.DataFrame(dic3) df3 type(df3)

3）通過數據框的方式創建數據框

df4 = df3[['one','three']] df4 type(df4) s3 = df3['one'] s3 type(s3)

二、數據索引index

細致的朋友可能會發現一個現象，不論是序列也好，還是數據框也好，對象的最左邊總有一個非原始數據對象，這個是什么呢？不錯，就是我們接下來要介紹的索引。
在我看來，序列或數據框的索引有兩大用處，一個是通過索引值或索引標簽獲取目標數據，另一個是通過索引，可以使序列或數據框的計算、操作實現自動化對齊，下面我們就來看看這兩個功能的應用。

1、通過索引值或索引標簽獲取數據

s4 = pd.Series(np.array([1,1,2,3,5,8])) s4

如果不給序列一個指定的索引值，則序列自動生成一個從0開始的自增索引?？梢酝ㄟ^index查看序列的索引：

s4.index

現在我們為序列設定一個自定義的索引值：

s4.index = ['a','b','c','d','e','f'] s4

序列有了索引，就可以通過索引值或索引標簽進行數據的獲取：

s4[3] s4['e'] s4[[1,3,5]] s4[['a','b','d','f']] s4[:4] s4['c':] s4['b':'e']

千萬注意：如果通過索引標簽獲取數據的話，末端標簽所對應的值是可以返回的！在一維數組中，就無法通過索引標簽獲取數據，這也是序列不同于一維數組的一個方面。

2、自動化對齊

如果有兩個序列，需要對這兩個序列進行算術運算，這時索引的存在就體現的它的價值了—自動化對齊.

s5 = pd.Series(np.array([10,15,20,30,55,80]), index = ['a','b','c','d','e','f']) s5 s6 = pd.Series(np.array([12,11,13,15,14,16]), index = ['a','c','g','b','d','f']) s6 s5 + s6 s5/s6

由于s5中沒有對應的g索引，s6中沒有對應的e索引，所以數據的運算會產生兩個缺失值NaN。注意，這里的算術結果就實現了兩個序列索引的自動對齊，而非簡單的將兩個序列加總或相除。對于數據框的對齊，不僅僅是行索引的自動對齊，同時也會自動對齊列索引（變量名）

數據框中同樣有索引，而且數據框是二維數組的推廣，所以其不僅有行索引，而且還存在列索引，關于數據框中的索引相比于序列的應用要強大的多，這部分內容將放在數據查詢中講解。

三、利用pandas查詢數據

這里的查詢數據相當于R語言里的subset功能，可以通過布爾索引有針對的選取原數據的子集、指定行、指定列等。我們先導入一個student數據集：

student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')

查詢數據的前5行或末尾5行

student.head() student.tail()

查詢指定的行

student.ix[[0,2,4,5,7]] #這里的ix索引標簽函數必須是中括號[]

查詢指定的列

student[['Name','Height','Weight']].head() #如果多個列的話，必須使用雙重中括號

也可以通過ix索引標簽查詢指定的列

student.ix[:,['Name','Height','Weight']].head()

查詢指定的行和列

student.ix[[0,2,4,5,7],['Name','Height','Weight']].head()

以上是從行或列的角度查詢數據的子集，現在我們來看看如何通過布爾索引實現數據的子集查詢。
查詢所有女生的信息

student[student['Sex']=='F']

查詢出所有12歲以上的女生信息

student[(student['Sex']=='F') & (student['Age']>12)]

查詢出所有12歲以上的女生姓名、身高和體重

student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]

上面的查詢邏輯其實非常的簡單，需要注意的是，如果是多個條件的查詢，必須在&（且）或者|（或）的兩端條件用括號括起來。

四、統計分析

pandas模塊為我們提供了非常多的描述性統計分析的指標函數，如總和、均值、最小值、最大值等，我們來具體看看這些函數：
首先隨機生成三組數據

np.random.seed(1234) d1 = pd.Series(2*np.random.normal(size = 100)+3) d2 = np.random.f(2,4,size = 100) d3 = np.random.randint(1,100,size = 100) d1.count() #非空元素計算 d1.min() #最小值 d1.max() #最大值 d1.idxmin() #最小值的位置，類似于R中的which.min函數 d1.idxmax() #最大值的位置，類似于R中的which.max函數 d1.quantile(0.1) #10%分位數 d1.sum() #求和 d1.mean() #均值 d1.median() #中位數 d1.mode() #眾數 d1.var() #方差 d1.std() #標準差 d1.mad() #平均絕對偏差 d1.skew() #偏度 d1.kurt() #峰度 d1.describe() #一次性輸出多個描述性統計指標

必須注意的是，descirbe方法只能針對序列或數據框，一維數組是沒有這個方法的

這里自定義一個函數，將這些統計描述指標全部匯總到一起:

def stats(x): return pd.Series([x.count(),x.min(),x.idxmin(), x.quantile(.25),x.median(), x.quantile(.75),x.mean(), x.max(),x.idxmax(), x.mad(),x.var(), x.std(),x.skew(),x.kurt()], index = ['Count','Min','Whicn_Min', 'Q1','Median','Q3','Mean', 'Max','Which_Max','Mad', 'Var','Std','Skew','Kurt']) stats(d1)

在實際的工作中，我們可能需要處理的是一系列的數值型數據框，如何將這個函數應用到數據框中的每一列呢？可以使用apply函數，這個非常類似于R中的apply的應用方法。
將之前創建的d1,d2,d3數據構建數據框:

df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3']) df.head() df.apply(stats)

非常完美，就這樣很簡單的創建了數值型數據的統計性描述。如果是離散型數據呢？就不能用這個統計口徑了，我們需要統計離散變量的觀測數、唯一值個數、眾數水平及個數。你只需要使用describe方法就可以實現這樣的統計了。

student['Sex'].describe()

除以上的簡單描述性統計之外，還提供了連續變量的相關系數（corr）和協方差矩陣（cov）的求解，這個跟R語言是一致的用法。

df.corr()

關于相關系數的計算可以調用pearson方法或kendell方法或spearman方法，默認使用pearson方法。

df.corr('spearman')

如果只想關注某一個變量與其余變量的相關系數的話，可以使用corrwith,如下方只關心x1與其余變量的相關系數:

df.corrwith(df['x1'])

數值型變量間的協方差矩陣

df.cov()

五、類似于SQL的操作

在SQL中常見的操作主要是增、刪、改、查幾個動作，那么pandas能否實現對數據的這幾項操作呢？答案是Of Course! 增：添加新行或增加新列

dic = {'Name':['LiuShunxiang','Zhangshan'],'Sex':['M','F'],'Age':[27,23],'Height':[165.7,167.2],'Weight':[61,63]}student2 = pd.DataFrame(dic)in student2OutAge Height Name Sex Weight0 27 165.7 LiuShunxiang M 611 23 167.2 Zhangshan F 63現在將student2中的數據新增到student中，可以通過concat函數實現： student3=pd.concat([student,student2])

注意到了嗎？在數據庫中union必須要求兩張表的列順序一致，而這里concat函數可以自動對齊兩個數據框的變量！

新增列的話，其實在pandas中就更簡單了，例如在student2中新增一列學生成績：
對于新增的列沒有賦值，就會出現空NaN的形式。
刪：刪除表、觀測行或變量列

刪除數據框student2,通過del命令實現，該命令可以刪除Python的所有對象。
del student2
刪除指定的行
student.drop([0,1])
原數據中的第1,2,4,7行的數據已經被刪除了。
根據布爾索引刪除行數據，其實這個刪除就是保留刪除條件的反面數據，例如刪除所有15歲以下的學生：
student[student[‘Age’]>=15]
刪除指定的列
student.drop([‘Height’,‘Weight’],axis=1).head()
我們發現，不論是刪除行還是刪除列，都可以通過drop方法實現，只需要設定好刪除的軸即可，即調整drop方法中的axis參數。默認該參數為0，表示刪除行觀測，如果需要刪除列變量，則需設置為1。
改：修改原始記錄的值

如果發現表中的某些數據錯誤了，如何更改原來的值呢？我們試試結合布爾索引和賦值的方法：
例如發現student3中姓名為bob的學生身高錯了，應該是173，如何改呢？
student3.ix[student3[‘Name’]==‘bob’,‘Height’]
這樣就可以把原來的身高修改為現在的170了。
看，關于索引的操作非常靈活、方便吧，就這樣輕松搞定數據的更改。
查：有關數據查詢部分，上面已經介紹過，下面重點講講聚合、排序和多表連接操作。
聚合：pandas模塊中可以通過groupby()函數實現數據的聚合操作

根據性別分組，計算各組別中學生身高和體重的平均值：
student.groupby(‘Sex’).mean()
如果不對原始數據作限制的話，聚合函數會自動選擇數值型數據進行聚合計算。如果不想對年齡計算平均值的話，就需要剔除改變量：
student.drop(‘Age’,axis=1).groupby(‘Sex’).mean()
groupby還可以使用多個分組變量，例如根本年齡和性別分組，計算身高與體重的平均值：
student.groupby([‘Age’,‘Sex’]).mean()
當然，還可以對每個分組計算多個統計量：
student.drop(‘Age’,axis=1).groupby(‘Sex’).agg([np.mean,np.median])
是不是很簡單，只需一句就能完成SQL中的SELECT…FROM…GROUP BY…功能，何樂而不為呢？
排序：

排序在日常的統計分析中還是比較常見的操作，我們可以使用order、sort_index和sort_values實現序列和數據框的排序工作：
series=pd.Series(np.array(np.random.randint(1,20,10)))
seriex.sort_index(axis=0)
我們再試試降序排序的設置：
series.sort_index(axis=0,ascending=False)

多表連接:

多表之間的連接也是非常常見的數據庫操作，連接分內連接外連接，在數據庫語言中通過join關鍵字實現，pandas我比較建議使用merger函數實現數據的各種連接操作。
如下是構造一張學生的成績表：
dic2={‘Name’:[‘alferd’,‘alice’],‘Score’:[88,76]}
score=pd.DataFrame(dic2)
現在想把學生表student與學生成績表score做一個關聯，該如何操作呢？
tu_score1=pd.merge(student,score,on=‘Name’)
注意，默認情況下，merge函數實現的是兩個表之間的內連接，即返回兩張表中共同部分的數據。

六、缺失值處理

現實生活中的數據是非常雜亂的，其中缺失值也是非常常見的，對于缺失值的存在可能會影響到后期的數據分析或挖掘工作，那么我們該如何處理這些缺失值呢？常用的有三大類方法，即刪除法、填補法和插值法。
刪除法：當數據中的某個變量大部分值都是缺失值，可以考慮刪除改變量；當缺失值是隨機分布的，且缺失的數量并不是很多是，也可以刪除這些缺失的觀測。
替補法：對于連續型變量，如果變量的分布近似或就是正態分布的話，可以用均值替代那些缺失值；如果變量是有偏的，可以使用中位數來代替那些缺失值；對于離散型變量，我們一般用眾數去替換那些存在缺失的觀測。
插補法：插補法是基于蒙特卡洛模擬法，結合線性模型、廣義線性模型、決策樹等方法計算出來的預測值替換缺失值。

我們這里就介紹簡單的刪除法和替補法：
stu=stu_score2[‘score’]
這是一組含有缺失值的序列，我們可以結合sum函數和isnull函數來檢測數據中含有多少缺失值：
In [130]: sum(pd.isnull(stu))
Out[130]: 0

直接刪除缺失值
stu.dropna()
默認情況下，dropna會刪除任何含有缺失值的行，我們再構造一個數據框試試：
df=pd.DataFrame([1,2,3],[3,5,mp.nan],[2,np.nan,5])
返回結果表明，數據中只要含有缺失值NaN,該數據行就會被刪除，如果使用參數how=’all’，則表明只刪除所有行為缺失值的觀測。
df.dropna(how=‘all’)
使用一個常量來填補缺失值，可以使用fillna函數實現簡單的填補工作：
1）用0填補所有缺失值
df.fillna(0)
2)采用前項填充或后向填充
df.fillna(method=‘ffill’)
df.fillna(method=‘bfill’)
3)使用常量填充不同的列
df.fillna({‘x1’:1,‘x2’:3})

很顯然，在使用填充法時，相對于常數填充或前項、后項填充，使用各列的眾數、均值或中位數填充要更加合理一點，這也是工作中常用的一個快捷手段。

總結

以上是生活随笔為你收集整理的深度之眼课程打卡-python入门05的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。