目錄

文章目錄

• 目錄
• 前言
• 內(nèi)容
• • 一、數(shù)據(jù)結(jié)構(gòu)介紹
  • • 1、Series的創(chuàng)建
    • 2、DataFrame的創(chuàng)建
    • 二、數(shù)據(jù)索引index
    • • 1、通過索引值或索引標(biāo)簽獲取數(shù)據(jù)
      • 2、自動(dòng)化對(duì)齊
    • 三、利用pandas查詢數(shù)據(jù)
  • 四、統(tǒng)計(jì)分析
  • • 五、類似于SQL的操作
  • 六、缺失值處理

前言

為了增加實(shí)戰(zhàn)經(jīng)驗(yàn)，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(nèi)容

入門第二三課的內(nèi)容以及在其他bolg里，所以就不打卡了。
本節(jié)課主要是練習(xí)Pandas的相應(yīng)語法，熟悉相關(guān)操作。
Python中的pandas模塊進(jìn)行數(shù)據(jù)分析。
接下來pandas介紹中將學(xué)習(xí)到如下8塊內(nèi)容：

• 1、數(shù)據(jù)結(jié)構(gòu)簡(jiǎn)介：DataFrame和Series
• 2、數(shù)據(jù)索引index
• 3、利用pandas查詢數(shù)據(jù)
• 4、利用pandas的DataFrames進(jìn)行統(tǒng)計(jì)分析
• 5、利用pandas實(shí)現(xiàn)SQL操作
• 6、利用pandas進(jìn)行缺失值的處理

一、數(shù)據(jù)結(jié)構(gòu)介紹

在pandas中有兩類非常重要的數(shù)據(jù)結(jié)構(gòu)，即序列Series和數(shù)據(jù)框DataFrame。Series類似于numpy中的一維數(shù)組，除了通吃一維數(shù)組可用的函數(shù)或方法，而且其可通過索引標(biāo)簽的方式獲取數(shù)據(jù)，還具有索引的自動(dòng)對(duì)齊功能；DataFrame類似于numpy中的二維數(shù)組，同樣可以通用numpy數(shù)組的函數(shù)和方法，而且還具有其他靈活應(yīng)用，后續(xù)會(huì)介紹到。

1、Series的創(chuàng)建

序列的創(chuàng)建主要有三種方式：
1）通過一維數(shù)組創(chuàng)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(chuàng)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(chuàng)建序列

這部分內(nèi)容我們放在后面講，因?yàn)橄旅婢烷_始將DataFrame的創(chuàng)建。

2、DataFrame的創(chuàng)建

數(shù)據(jù)框的創(chuàng)建主要有三種方式：
1）通過二維數(shù)組創(chuàng)建數(shù)據(jù)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(chuàng)建數(shù)據(jù)框

以下以兩種字典來創(chuàng)建數(shù)據(jù)框，一個(gè)是字典列表，一個(gè)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(shù)據(jù)框的方式創(chuàng)建數(shù)據(jù)框

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

二、數(shù)據(jù)索引index

細(xì)致的朋友可能會(huì)發(fā)現(xiàn)一個(gè)現(xiàn)象，不論是序列也好，還是數(shù)據(jù)框也好，對(duì)象的最左邊總有一個(gè)非原始數(shù)據(jù)對(duì)象，這個(gè)是什么呢？不錯(cuò)，就是我們接下來要介紹的索引。
在我看來，序列或數(shù)據(jù)框的索引有兩大用處，一個(gè)是通過索引值或索引標(biāo)簽獲取目標(biāo)數(shù)據(jù)，另一個(gè)是通過索引，可以使序列或數(shù)據(jù)框的計(jì)算、操作實(shí)現(xiàn)自動(dòng)化對(duì)齊，下面我們就來看看這兩個(gè)功能的應(yīng)用。

1、通過索引值或索引標(biāo)簽獲取數(shù)據(jù)

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

如果不給序列一個(gè)指定的索引值，則序列自動(dòng)生成一個(gè)從0開始的自增索引。可以通過index查看序列的索引：

s4.index

現(xiàn)在我們?yōu)樾蛄性O(shè)定一個(gè)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(biāo)簽進(jìn)行數(shù)據(jù)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(biāo)簽獲取數(shù)據(jù)的話，末端標(biāo)簽所對(duì)應(yīng)的值是可以返回的！在一維數(shù)組中，就無法通過索引標(biāo)簽獲取數(shù)據(jù)，這也是序列不同于一維數(shù)組的一個(gè)方面。

2、自動(dòng)化對(duì)齊

如果有兩個(gè)序列，需要對(duì)這兩個(gè)序列進(jìn)行算術(shù)運(yùn)算，這時(shí)索引的存在就體現(xiàn)的它的價(jià)值了—自動(dòng)化對(duì)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(duì)應(yīng)的g索引，s6中沒有對(duì)應(yīng)的e索引，所以數(shù)據(jù)的運(yùn)算會(huì)產(chǎn)生兩個(gè)缺失值NaN。注意，這里的算術(shù)結(jié)果就實(shí)現(xiàn)了兩個(gè)序列索引的自動(dòng)對(duì)齊，而非簡(jiǎn)單的將兩個(gè)序列加總或相除。對(duì)于數(shù)據(jù)框的對(duì)齊，不僅僅是行索引的自動(dòng)對(duì)齊，同時(shí)也會(huì)自動(dòng)對(duì)齊列索引（變量名）

數(shù)據(jù)框中同樣有索引，而且數(shù)據(jù)框是二維數(shù)組的推廣，所以其不僅有行索引，而且還存在列索引，關(guān)于數(shù)據(jù)框中的索引相比于序列的應(yīng)用要強(qiáng)大的多，這部分內(nèi)容將放在數(shù)據(jù)查詢中講解。

三、利用pandas查詢數(shù)據(jù)

這里的查詢數(shù)據(jù)相當(dāng)于R語言里的subset功能，可以通過布爾索引有針對(duì)的選取原數(shù)據(jù)的子集、指定行、指定列等。我們先導(dǎo)入一個(gè)student數(shù)據(jù)集：

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

查詢數(shù)據(jù)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(biāo)簽函數(shù)必須是中括號(hào)[]

查詢指定的列

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

也可以通過ix索引標(biāo)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(shù)據(jù)的子集，現(xiàn)在我們來看看如何通過布爾索引實(shí)現(xiàn)數(shù)據(jù)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(shí)非常的簡(jiǎn)單，需要注意的是，如果是多個(gè)條件的查詢，必須在&（且）或者|（或）的兩端條件用括號(hào)括起來。

四、統(tǒng)計(jì)分析

pandas模塊為我們提供了非常多的描述性統(tǒng)計(jì)分析的指標(biāo)函數(shù)，如總和、均值、最小值、最大值等，我們來具體看看這些函數(shù)：
首先隨機(jī)生成三組數(shù)據(jù)

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(jì)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(shù) d1.idxmax() #最大值的位置，類似于R中的which.max函數(shù) d1.quantile(0.1) #10%分位數(shù) d1.sum() #求和 d1.mean() #均值 d1.median() #中位數(shù) d1.mode() #眾數(shù) d1.var() #方差 d1.std() #標(biāo)準(zhǔn)差 d1.mad() #平均絕對(duì)偏差 d1.skew() #偏度 d1.kurt() #峰度 d1.describe() #一次性輸出多個(gè)描述性統(tǒng)計(jì)指標(biāo)

必須注意的是，descirbe方法只能針對(duì)序列或數(shù)據(jù)框，一維數(shù)組是沒有這個(gè)方法的

這里自定義一個(gè)函數(shù)，將這些統(tǒng)計(jì)描述指標(biāo)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(shí)際的工作中，我們可能需要處理的是一系列的數(shù)值型數(shù)據(jù)框，如何將這個(gè)函數(shù)應(yīng)用到數(shù)據(jù)框中的每一列呢？可以使用apply函數(shù)，這個(gè)非常類似于R中的apply的應(yīng)用方法。
將之前創(chuàng)建的d1,d2,d3數(shù)據(jù)構(gòu)建數(shù)據(jù)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(jiǎn)單的創(chuàng)建了數(shù)值型數(shù)據(jù)的統(tǒng)計(jì)性描述。如果是離散型數(shù)據(jù)呢？就不能用這個(gè)統(tǒng)計(jì)口徑了，我們需要統(tǒng)計(jì)離散變量的觀測(cè)數(shù)、唯一值個(gè)數(shù)、眾數(shù)水平及個(gè)數(shù)。你只需要使用describe方法就可以實(shí)現(xiàn)這樣的統(tǒng)計(jì)了。

student['Sex'].describe()

除以上的簡(jiǎn)單描述性統(tǒng)計(jì)之外，還提供了連續(xù)變量的相關(guān)系數(shù)（corr）和協(xié)方差矩陣（cov）的求解，這個(gè)跟R語言是一致的用法。

df.corr()

關(guān)于相關(guān)系數(shù)的計(jì)算可以調(diào)用pearson方法或kendell方法或spearman方法，默認(rèn)使用pearson方法。

df.corr('spearman')

如果只想關(guān)注某一個(gè)變量與其余變量的相關(guān)系數(shù)的話，可以使用corrwith,如下方只關(guān)心x1與其余變量的相關(guān)系數(shù):

df.corrwith(df['x1'])

數(shù)值型變量間的協(xié)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(gè)動(dòng)作，那么pandas能否實(shí)現(xiàn)對(duì)數(shù)據(jù)的這幾項(xiàng)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(xiàn)在將student2中的數(shù)據(jù)新增到student中，可以通過concat函數(shù)實(shí)現(xiàn)： student3=pd.concat([student,student2])

注意到了嗎？在數(shù)據(jù)庫中union必須要求兩張表的列順序一致，而這里concat函數(shù)可以自動(dòng)對(duì)齊兩個(gè)數(shù)據(jù)框的變量！

新增列的話，其實(shí)在pandas中就更簡(jiǎn)單了，例如在student2中新增一列學(xué)生成績(jī)：
對(duì)于新增的列沒有賦值，就會(huì)出現(xiàn)空NaN的形式。
刪：刪除表、觀測(cè)行或變量列

刪除數(shù)據(jù)框student2,通過del命令實(shí)現(xiàn)，該命令可以刪除Python的所有對(duì)象。
del student2
刪除指定的行
student.drop([0,1])
原數(shù)據(jù)中的第1,2,4,7行的數(shù)據(jù)已經(jīng)被刪除了。
根據(jù)布爾索引刪除行數(shù)據(jù)，其實(shí)這個(gè)刪除就是保留刪除條件的反面數(shù)據(jù)，例如刪除所有15歲以下的學(xué)生：
student[student[‘Age’]>=15]
刪除指定的列
student.drop([‘Height’,‘Weight’],axis=1).head()
我們發(fā)現(xiàn)，不論是刪除行還是刪除列，都可以通過drop方法實(shí)現(xiàn)，只需要設(shè)定好刪除的軸即可，即調(diào)整drop方法中的axis參數(shù)。默認(rèn)該參數(shù)為0，表示刪除行觀測(cè)，如果需要?jiǎng)h除列變量，則需設(shè)置為1。
改：修改原始記錄的值

如果發(fā)現(xiàn)表中的某些數(shù)據(jù)錯(cuò)誤了，如何更改原來的值呢？我們?cè)囋嚱Y(jié)合布爾索引和賦值的方法：
例如發(fā)現(xiàn)student3中姓名為bob的學(xué)生身高錯(cuò)了，應(yīng)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(xiàn)在的170了。
看，關(guān)于索引的操作非常靈活、方便吧，就這樣輕松搞定數(shù)據(jù)的更改。
查：有關(guān)數(shù)據(jù)查詢部分，上面已經(jīng)介紹過，下面重點(diǎn)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(shù)實(shí)現(xiàn)數(shù)據(jù)的聚合操作

根據(jù)性別分組，計(jì)算各組別中學(xué)生身高和體重的平均值：
student.groupby(‘Sex’).mean()
如果不對(duì)原始數(shù)據(jù)作限制的話，聚合函數(shù)會(huì)自動(dòng)選擇數(shù)值型數(shù)據(jù)進(jìn)行聚合計(jì)算。如果不想對(duì)年齡計(jì)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(gè)分組變量，例如根本年齡和性別分組，計(jì)算身高與體重的平均值：
student.groupby([‘Age’,‘Sex’]).mean()
當(dāng)然，還可以對(duì)每個(gè)分組計(jì)算多個(gè)統(tǒng)計(jì)量：
student.drop(‘Age’,axis=1).groupby(‘Sex’).agg([np.mean,np.median])
是不是很簡(jiǎn)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(tǒng)計(jì)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(shí)現(xiàn)序列和數(shù)據(jù)框的排序工作：
series=pd.Series(np.array(np.random.randint(1,20,10)))
seriex.sort_index(axis=0)
我們?cè)僭囋嚱敌蚺判虻脑O(shè)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(shù)據(jù)庫操作，連接分內(nèi)連接外連接，在數(shù)據(jù)庫語言中通過join關(guān)鍵字實(shí)現(xiàn)，pandas我比較建議使用merger函數(shù)實(shí)現(xiàn)數(shù)據(jù)的各種連接操作。
如下是構(gòu)造一張學(xué)生的成績(jī)表：
dic2={‘Name’:[‘a(chǎn)lferd’,‘a(chǎn)lice’],‘Score’:[88,76]}
score=pd.DataFrame(dic2)
現(xiàn)在想把學(xué)生表student與學(xué)生成績(jī)表score做一個(gè)關(guān)聯(lián)，該如何操作呢？
tu_score1=pd.merge(student,score,on=‘Name’)
注意，默認(rèn)情況下，merge函數(shù)實(shí)現(xiàn)的是兩個(gè)表之間的內(nèi)連接，即返回兩張表中共同部分的數(shù)據(jù)。

六、缺失值處理

現(xiàn)實(shí)生活中的數(shù)據(jù)是非常雜亂的，其中缺失值也是非常常見的，對(duì)于缺失值的存在可能會(huì)影響到后期的數(shù)據(jù)分析或挖掘工作，那么我們?cè)撊绾翁幚磉@些缺失值呢？常用的有三大類方法，即刪除法、填補(bǔ)法和插值法。
刪除法：當(dāng)數(shù)據(jù)中的某個(gè)變量大部分值都是缺失值，可以考慮刪除改變量；當(dāng)缺失值是隨機(jī)分布的，且缺失的數(shù)量并不是很多是，也可以刪除這些缺失的觀測(cè)。
替補(bǔ)法：對(duì)于連續(xù)型變量，如果變量的分布近似或就是正態(tài)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(shù)來代替那些缺失值；對(duì)于離散型變量，我們一般用眾數(shù)去替換那些存在缺失的觀測(cè)。
插補(bǔ)法：插補(bǔ)法是基于蒙特卡洛模擬法，結(jié)合線性模型、廣義線性模型、決策樹等方法計(jì)算出來的預(yù)測(cè)值替換缺失值。

我們這里就介紹簡(jiǎn)單的刪除法和替補(bǔ)法：
stu=stu_score2[‘score’]
這是一組含有缺失值的序列，我們可以結(jié)合sum函數(shù)和isnull函數(shù)來檢測(cè)數(shù)據(jù)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(rèn)情況下，dropna會(huì)刪除任何含有缺失值的行，我們?cè)贅?gòu)造一個(gè)數(shù)據(jù)框試試：
df=pd.DataFrame([1,2,3],[3,5,mp.nan],[2,np.nan,5])
返回結(jié)果表明，數(shù)據(jù)中只要含有缺失值NaN,該數(shù)據(jù)行就會(huì)被刪除，如果使用參數(shù)how=’all’，則表明只刪除所有行為缺失值的觀測(cè)。
df.dropna(how=‘a(chǎn)ll’)
使用一個(gè)常量來填補(bǔ)缺失值，可以使用fillna函數(shù)實(shí)現(xiàn)簡(jiǎn)單的填補(bǔ)工作：
1）用0填補(bǔ)所有缺失值
df.fillna(0)
2)采用前項(xiàng)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(shí)，相對(duì)于常數(shù)填充或前項(xiàng)、后項(xiàng)填充，使用各列的眾數(shù)、均值或中位數(shù)填充要更加合理一點(diǎn)，這也是工作中常用的一個(gè)快捷手段。

總結(jié)

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?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。