2019獨角獸企業(yè)重金招聘Python工程師標(biāo)準(zhǔn)>>>

pandas 是基于 Numpy 構(gòu)建的含有更高級數(shù)據(jù)結(jié)構(gòu)和工具的數(shù)據(jù)分析包

類似于 Numpy 的核心是 ndarray，pandas 也是圍繞著 Series 和 DataFrame 兩個核心數(shù)據(jù)結(jié)構(gòu)展開的 。Series 和 DataFrame 分別對應(yīng)于一維的序列和二維的表結(jié)構(gòu)。pandas 約定俗成的導(dǎo)入方法如下：

lang:python from pandas import Series,DataFrame import pandas as pd

<br /> #Series --- Series 可以看做一個**定長的有序字典**?；救我獾囊痪S數(shù)據(jù)都可以用來構(gòu)造 Series 對象：

lang:python >>> s = Series([1,2,3.0,'abc']) >>> s 0 1 1 2 2 3 3 abc dtype: object

雖然 dtype:object 可以包含多種基本數(shù)據(jù)類型，但總感覺會影響性能的樣子，最好還是保持單純的 dtype。

Series 對象包含兩個主要的屬性：index 和 values，分別為上例中左右兩列。因為傳給構(gòu)造器的是一個列表，所以 index 的值是從 0 起遞增的整數(shù)，如果傳入的是一個類字典的鍵值對結(jié)構(gòu)，就會生成 index-value 對應(yīng)的 Series；或者在初始化的時候以關(guān)鍵字參數(shù)顯式指定一個 index 對象：

lang:python >>> s = Series(data=[1,3,5,7],index = ['a','b','x','y']) >>> s a 1 b 3 x 5 y 7 dtype: int64 >>> s.index Index(['a', 'b', 'x', 'y'], dtype='object') >>> s.values array([1, 3, 5, 7], dtype=int64)

Series 對象的元素會嚴(yán)格依照給出的 index 構(gòu)建，這意味著：如果 data 參數(shù)是有鍵值對的，那么只有 index 中含有的鍵會被使用；以及如果 data 中缺少響應(yīng)的鍵，即使給出 NaN 值，這個鍵也會被添加。

注意 Series 的 index 和 values 的元素之間雖然存在對應(yīng)關(guān)系，但這與字典的映射不同。index 和 values 實際仍為互相獨立的 ndarray 數(shù)組，因此 Series 對象的性能完全 ok。

Series 這種使用鍵值對的數(shù)據(jù)結(jié)構(gòu)最大的好處在于，Series 間進行算術(shù)運算時，index 會自動對齊。

另外，Series 對象和它的 index 都含有一個 name 屬性：

lang:python >>> s.name = 'a_series' >>> s.index.name = 'the_index' >>> s the_index a 1 b 3 x 5 y 7 Name: a_series, dtype: int64

<br /> #DataFrame --- DataFrame 是一個**表格**型的數(shù)據(jù)結(jié)構(gòu)，它含有一組有序的列（類似于 index），每列可以是不同的值類型（不像 ndarray 只能有一個 dtype）?；旧峡梢园?DataFrame 看成是共享同一個 index 的 Series 的集合。

DataFrame 的構(gòu)造方法與 Series 類似，只不過可以同時接受多條一維數(shù)據(jù)源，每一條都會成為單獨的一列：

lang:python >>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],'year':[2000,2001,2002,2001,2002],'pop':[1.5,1.7,3.6,2.4,2.9]} >>> df = DataFrame(data) >>> dfpop state year 0 1.5 Ohino 2000 1 1.7 Ohino 2001 2 3.6 Ohino 2002 3 2.4 Nevada 2001 4 2.9 Nevada 2002[5 rows x 3 columns]

雖然參數(shù) data 看起來是個字典，但字典的鍵并非充當(dāng) DataFrame 的 index 的角色，而是 Series 的 “name” 屬性。這里生成的 index 仍是 "01234"。

較完整的 DataFrame 構(gòu)造器參數(shù)為：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：

lang:python >>> df = DataFrame(data,index=['one','two','three','four','five'],columns=['year','state','pop','debt']) >>> dfyear state pop debt one 2000 Ohino 1.5 NaN two 2001 Ohino 1.7 NaN three 2002 Ohino 3.6 NaN four 2001 Nevada 2.4 NaN five 2002 Nevada 2.9 NaN[5 rows x 4 columns]

同樣缺失值由 NaN 補上?？匆幌?index、columns 和 索引的類型：

lang:python >>> df.index Index(['one', 'two', 'three', 'four', 'five'], dtype='object') >>> df.columns Index(['year', 'state', 'pop', 'debt'], dtype='object') >>> type(df['debt']) <class 'pandas.core.series.Series'>

DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。 <br /> #對象屬性

###查找索引 查找某個值在數(shù)組中的索引，類似于 Python 內(nèi)建的 list.index(value) 方法。可以通過布爾索引來實現(xiàn)。比如我們想在一個 Series 中尋找到 ‘c’：

lang:python >>> ser = Series(list('abcdefg')) >>> ser[ser='c'] 2 c dtype: object

Series 中還有一對 ser.idxmax() 和 ser.idxmin() 方法，可以返回數(shù)組中最大（小）值的索引值，或者 .argmin() 和 .argmax() 返回索引位置。當(dāng)然這兩類方法也是可以通過上面這種 ser[ser=ser.max()] 來替代實現(xiàn)的。 <br /> ###修改索引 數(shù)組的 index 屬性時不可變的，因此所謂修改索引，其實操作的是一個使用了新索引的新數(shù)組，并繼承舊數(shù)據(jù)。

obj.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False) 方法接受一個新索引（key）并返回一個新數(shù)組。這個 key 的值可以是序列類型，也可以是調(diào)用者的一個列名，即將某一列設(shè)為新數(shù)組的索引。

lang:python >>> indexed_df = df.set_index(['A', 'B']) >>> indexed_df2 = df.set_index(['A', [0, 1, 2, 0, 1, 2]]) >>> indexed_df3 = df.set_index('column1')

<br /> ###重新索引 Series 對象的重新索引通過其 `.reindex(index=None,**kwargs)` 方法實現(xiàn)。`**kwargs` 中常用的參數(shù)有倆：`method=None,fill_value=np.NaN`：

lang:python ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c']) >>> a = ['a','b','c','d','e'] >>> ser.reindex(a) a -5.3 b 7.2 c 3.6 d 4.5 e NaN dtype: float64 >>> ser.reindex(a,fill_value=0) a -5.3 b 7.2 c 3.6 d 4.5 e 0.0 dtype: float64 >>> ser.reindex(a,method='ffill') a -5.3 b 7.2 c 3.6 d 4.5 e 4.5 dtype: float64 >>> ser.reindex(a,fill_value=0,method='ffill') a -5.3 b 7.2 c 3.6 d 4.5 e 4.5 dtype: float64

.reindex() 方法會返回一個新對象，其 index 嚴(yán)格遵循給出的參數(shù)，method:{'backfill', 'bfill', 'pad', 'ffill', None} 參數(shù)用于指定插值（填充）方式，當(dāng)沒有給出時，自動用 fill_value 填充，默認為 NaN（ffill = pad，bfill = back fill，分別指插值時向前還是向后取值）

DataFrame 對象的重新索引方法為：.reindex(index=None,columns=None,**kwargs)。僅比 Series 多了一個可選的 columns 參數(shù)，用于給列索引。用法與上例類似，只不過插值方法 method 參數(shù)只能應(yīng)用于行，即軸 0。

lang:python >>> state = ['Texas','Utha','California'] >>> df.reindex(columns=state,method='ffill')Texas Utha California a 1 NaN 2 c 4 NaN 5 d 7 NaN 8[3 rows x 3 columns] >>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill')Texas Utha California a 1 NaN 2 b 1 NaN 2 c 4 NaN 5 d 7 NaN 8[4 rows x 3 columns]

不過 fill_value 依然對有效。聰明的小伙伴可能已經(jīng)想到了，可不可以通過 df.T.reindex(index,method='**').T 這樣的方式來實現(xiàn)在列上的插值呢，答案是可行的。另外要注意，使用 reindex(index,method='**') 的時候，index 必須是單調(diào)的，否則就會引發(fā)一個 ValueError: Must be monotonic for forward fill，比如上例中的最后一次調(diào)用，如果使用 index=['a','b','d','c'] 的話就不行。 <br /> ###刪除指定軸上的項 即刪除 Series 的元素或 DataFrame 的某一行（列）的意思，通過對象的 .drop(labels, axis=0) 方法：

lang:python >>> ser d 4.5 b 7.2 a -5.3 c 3.6 dtype: float64 >>> dfOhio Texas California a 0 1 2 c 3 4 5 d 6 7 8[3 rows x 3 columns] >>> ser.drop('c') d 4.5 b 7.2 a -5.3 dtype: float64 >>> df.drop('a')Ohio Texas California c 3 4 5 d 6 7 8[2 rows x 3 columns] >>> df.drop(['Ohio','Texas'],axis=1)California a 2 c 5 d 8[3 rows x 1 columns]

.drop() 返回的是一個新對象，元對象不會被改變。 <br /> ###索引和切片 就像 Numpy，pandas 也支持通過 obj[::] 的方式進行索引和切片，以及通過布爾型數(shù)組進行過濾。

不過須要注意，因為 pandas 對象的 index 不限于整數(shù)，所以當(dāng)使用非整數(shù)作為切片索引時，它是末端包含的。

lang:python >>> foo a 4.5 b 7.2 c -5.3 d 3.6 dtype: float64 >>> bar 0 4.5 1 7.2 2 -5.3 3 3.6 dtype: float64 >>> foo[:2] a 4.5 b 7.2 dtype: float64 >>> bar[:2] 0 4.5 1 7.2 dtype: float64 >>> foo[:'c'] a 4.5 b 7.2 c -5.3 dtype: float64

這里 foo 和 bar 只有 index 不同——bar 的 index 是整數(shù)序列?？梢姰?dāng)使用整數(shù)索引切片時，結(jié)果與 Python 列表或 Numpy 的默認狀況相同；換成 'c' 這樣的字符串索引時，結(jié)果就包含了這個邊界元素。

另外一個特別之處在于 DataFrame 對象的索引方式，因為他有兩個軸向（雙重索引）。

可以這么理解：DataFrame 對象的標(biāo)準(zhǔn)切片語法為：.ix[::,::]。ix 對象可以接受兩套切片，分別為行（axis=0）和列（axis=1）的方向：

lang:python >>> dfOhio Texas California a 0 1 2 c 3 4 5 d 6 7 8[3 rows x 3 columns] >>> df.ix[:2,:2]Ohio Texas a 0 1 c 3 4[2 rows x 2 columns] >>> df.ix['a','Ohio'] 0

而不使用 ix ，直接切的情況就特殊了：

• 索引時，選取的是列
• 切片時，選取的是行

這看起來有點不合邏輯，但作者解釋說 “這種語法設(shè)定來源于實踐”，我們信他。

lang:python >>> df['Ohio'] a 0 c 3 d 6 Name: Ohio, dtype: int32 >>> df[:'c']Ohio Texas California a 0 1 2 c 3 4 5[2 rows x 3 columns] >>> df[:2]Ohio Texas California a 0 1 2 c 3 4 5[2 rows x 3 columns]

還有一種特殊情況是：假如有這樣一個索引 index([2,4,5]) ，當(dāng)我們使用 ser[2] 索引的時候，到底會被解釋為第一個索引還是第三個索引呢？

答案是第一個索引，即當(dāng)你的數(shù)組 index 是整數(shù)類型的時候，你使用整數(shù)索引，都會被自動解釋為基于標(biāo)簽的索引，而不是基于位置的索引。要想消除這種歧義，可以使用

• .loc[label] 這是嚴(yán)格基于標(biāo)簽的索引
• .iloc[inte] 這是嚴(yán)格基于整數(shù)位置的索引

.ix[] 更像是這兩種嚴(yán)格方式的智能整合版。

使用布爾型數(shù)組的情況，注意行與列的不同切法（列切法的 : 不能省）：

lang:python >>> df['Texas']>=4 a False c True d True Name: Texas, dtype: bool >>> df[df['Texas']>=4]Ohio Texas California c 3 4 5 d 6 7 8[2 rows x 3 columns] >>> df.ix[:,df.ix['c']>=4]Texas California a 1 2 c 4 5 d 7 8[3 rows x 2 columns]

<br /> ###算術(shù)運算和數(shù)據(jù)對齊 pandas 最重要的一個功能是，它可以對不同索引的對象進行算術(shù)運算。在將對象相加時，結(jié)果的索引取索引對的**并集**。自動的數(shù)據(jù)對齊在不重疊的索引處引入空值，默認為 NaN。

lang:python >>> foo = Series({'a':1,'b':2}) >>> foo a 1 b 2 dtype: int64 >>> bar = Series({'b':3,'d':4}) >>> bar b 3 d 4 dtype: int64 >>> foo + bar a NaN b 5 d NaN dtype: float64

DataFrame 的對齊操作會同時發(fā)生在行和列上。

當(dāng)不希望在運算結(jié)果中出現(xiàn) NA 值時，可以使用前面 reindex 中提到過 fill_value 參數(shù)，不過為了傳遞這個參數(shù)，就需要使用對象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算術(shù)方法還有：sub(), div(), mul()。

Series 和 DataFrame 之間的算術(shù)運算涉及廣播，暫時先不講。 <br /> ###函數(shù)應(yīng)用和映射 Numpy 的 ufuncs（元素級數(shù)組方法）也可用于操作 pandas 對象。

當(dāng)希望將函數(shù)應(yīng)用到 DataFrame 對象的某一行或列時，可以使用 .apply(func, axis=0, args=(), **kwds) 方法。

lang:python f = lambda x:x.max()-x.min() >>> dfOhio Texas California a 0 1 2 c 3 4 5 d 6 7 8[3 rows x 3 columns] >>> df.apply(f) Ohio 6 Texas 6 California 6 dtype: int64 >>> df.apply(f,axis=1) a 2 c 2 d 2 dtype: int64

<br /> ###排序和排名 Series 的 `sort_index(ascending=True)` 方法可以對 index 進行排序操作，ascending 參數(shù)用于控制升序或降序，默認為升序。

若要按值對 Series 進行排序，當(dāng)使用 .order(na_last=True, ascending=True, kind='mergesort') 方法，任何缺失值默認都會被放到 Series 的末尾。

在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一個軸向的選擇參數(shù)與一個 by 參數(shù)，by 參數(shù)的作用是針對某一（些）列進行排序（不能對行使用 by 參數(shù)）：

lang:python >>> df.sort_index(by='Ohio')Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8[3 rows x 3 columns] >>> df.sort_index(by=['California','Texas'])Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8[3 rows x 3 columns] >>> df.sort_index(axis=1)California Ohio Texas a 2 0 1 c 5 3 4 d 8 6 7[3 rows x 3 columns]

排名（Series.rank(method='average', ascending=True)）的作用與排序的不同之處在于，他會把對象的 values 替換成名次（從 1 到 n）。這時唯一的問題在于如何處理平級項，方法里的 method 參數(shù)就是起這個作用的，他有四個值可選：average, min, max, first。

lang:python >>> ser=Series([3,2,0,3],index=list('abcd')) >>> ser a 3 b 2 c 0 d 3 dtype: int64 >>> ser.rank() a 3.5 b 2.0 c 1.0 d 3.5 dtype: float64 >>> ser.rank(method='min') a 3 b 2 c 1 d 3 dtype: float64 >>> ser.rank(method='max') a 4 b 2 c 1 d 4 dtype: float64 >>> ser.rank(method='first') a 3 b 2 c 1 d 4 dtype: float64

注意在 ser[0]=ser[3] 這對平級項上，不同 method 參數(shù)表現(xiàn)出的不同名次。

DataFrame 的 .rank(axis=0, method='average', ascending=True) 方法多了個 axis 參數(shù)，可選擇按行或列分別進行排名，暫時好像沒有針對全部元素的排名方法。 <br /> ###統(tǒng)計方法 pandas 對象有一些統(tǒng)計方法。它們大部分都屬于約簡和匯總統(tǒng)計，用于從 Series 中提取單個值，或從 DataFrame 的行或列中提取一個 Series。

比如 DataFrame.mean(axis=0,skipna=True) 方法，當(dāng)數(shù)據(jù)集中存在 NA 值時，這些值會被簡單跳過，除非整個切片（行或列）全是 NA，如果不想這樣，則可以通過 skipna=False 來禁用此功能：

lang:python >>> dfone two a 1.40 NaN b 7.10 -4.5 c NaN NaN d 0.75 -1.3[4 rows x 2 columns] >>> df.mean() one 3.083333 two -2.900000 dtype: float64 >>> df.mean(axis=1) a 1.400 b 1.300 c NaN d -0.275 dtype: float64 >>> df.mean(axis=1,skipna=False) a NaN b 1.300 c NaN d -0.275 dtype: float64

其他常用的統(tǒng)計方法有： <br />

<table style="font-size:14px"> <tr> <td>########################</td> <td>*******************************************</td> </tr> <tr> <td>count</td> <td>非 NA 值的數(shù)量</td> </tr> <tr> <td>describe</td> <td>針對 Series 或 DF 的列計算匯總統(tǒng)計</td> </tr> <tr> <td>min , max</td> <td>最小值和最大值</td> </tr> <tr> <td>argmin , argmax</td> <td>最小值和最大值的索引位置（整數(shù)）</td> </tr> <tr> <td>idxmin , idxmax</td> <td>最小值和最大值的索引值</td> </tr> <tr> <td>quantile</td> <td>樣本分位數(shù)（0 到 1）</td> </tr> <tr> <td>sum</td> <td>求和</td> </tr> <tr> <td>mean</td> <td>均值</td> </tr> <tr> <td>median</td> <td>中位數(shù)</td> </tr> <tr> <td>mad</td> <td>根據(jù)均值計算平均絕對離差</td> </tr> <tr> <td>var</td> <td>方差</td> </tr> <tr> <td>std</td> <td>標(biāo)準(zhǔn)差</td> </tr> <tr> <td>skew</td> <td>樣本值的偏度（三階矩）</td> </tr> <tr> <td>kurt</td> <td>樣本值的峰度（四階矩）</td> </tr> <tr> <td>cumsum</td> <td>樣本值的累計和</td> </tr> <tr> <td>cummin , cummax</td> <td>樣本值的累計最大值和累計最小值</td> </tr> <tr> <td>cumprod</td> <td>樣本值的累計積</td> </tr> <tr> <td>diff</td> <td>計算一階差分（對時間序列很有用）</td> </tr> <tr> <td>pct_change</td> <td>計算百分?jǐn)?shù)變化</td> </tr> </table> <br /> ###協(xié)方差與相關(guān)系數(shù) Series 有兩個方法可以計算協(xié)方差與相關(guān)系數(shù)，方法的主要參數(shù)都是另一個 Series。DataFrame 的這兩個方法會對**列**進行兩兩運算，并返回一個 len(columns) 大小的方陣：

• .corr(other, method='pearson', min_periods=1) 相關(guān)系數(shù)，默認皮爾森
• .cov(other, min_periods=None) 協(xié)方差

min_periods 參數(shù)為樣本量的下限，低于此值的不進行運算。 <br /> ###列與 Index 間的轉(zhuǎn)換 DataFrame 的 .set_index(keys, drop=True, append=False, verify_integrity=False) 方法會將其一個或多個列轉(zhuǎn)換為行索引，并返回一個新對象。默認 drop=True 表示轉(zhuǎn)換后會刪除那些已經(jīng)變成行索引的列。另一個 .reset_index() 方法的作用正相反，會把已經(jīng)層次化的索引轉(zhuǎn)換回列里面。

lang:python >>> df = DataFrame(np.arange(8).reshape(4,2),columns=['a','b']) >>> dfa b 0 0 1 1 2 3 2 4 5 3 6 7[4 rows x 2 columns] >>> df2 = df.set_index('a') >>> df2b a 0 1 2 3 4 5 6 7[4 rows x 1 columns] >>> df2.reset_index()a b 0 0 1 1 2 3 2 4 5 3 6 7[4 rows x 2 columns]

<br /> #處理缺失數(shù)據(jù) --- pandas 中 NA 的主要表現(xiàn)為 np.nan，另外 Python 內(nèi)建的 None 也會被當(dāng)做 NA 處理。

處理 NA 的方法有四種：dropna , fillna , isnull , notnull 。 <br /> ###is(not)null 這一對方法對對象做元素級應(yīng)用，然后返回一個布爾型數(shù)組，一般可用于布爾型索引。 <br /> ###dropna 對于一個 Series，dropna 返回一個僅含非空數(shù)據(jù)和索引值的 Series。

問題在于對 DataFrame 的處理方式，因為一旦 drop 的話，至少要丟掉一行（列）。這里的解決方式與前面類似，還是通過一個額外的參數(shù)：dropna(axis=0, how='any', thresh=None) ，how 參數(shù)可選的值為 any 或者 all。all 僅在切片元素全為 NA 時才拋棄該行(列)。另外一個有趣的參數(shù)是 thresh，該參數(shù)的類型為整數(shù)，它的作用是，比如 thresh=3，會在一行中至少有 3 個非 NA 值時將其保留。

###fillna fillna(value=None, method=None, axis=0) 中的 value 參數(shù)除了基本類型外，還可以使用字典，這樣可以實現(xiàn)對不同的列填充不同的值。method 的用法與前面 .reindex() 方法相同，這里不再贅述。 <br /> #inplace 參數(shù)

前面有個點一直沒講，結(jié)果整篇示例寫下來發(fā)現(xiàn)還挺重要的。就是 Series 和 DataFrame 對象的方法中，凡是會對數(shù)組作出修改并返回一個新數(shù)組的，往往都有一個 replace=False 的可選參數(shù)。如果手動設(shè)定為 True，那么原數(shù)組就可以被替換。 <br /> #層次化索引

層次化索引（hierarchical indexing）是 pandas 的一項重要功能，它允許你在一個軸上擁有多個索引級別。換句話說，一個使用了層次化的索引的二維數(shù)組，可以存儲和處理三維以上的數(shù)據(jù)。

lang:python >>> hdf = DataFrame(np.arange(8).reshape(4,2),index=[['sh','sh','sz','sz'],['600000','600001','000001','000002']],columns=['open','close']) >>> hdfopen close sh 600000 0 1600001 2 3 sz 000001 4 5000002 6 7[4 rows x 2 columns] >>> hdf.index MultiIndex(levels=[['sh', 'sz'], ['000001', '000002', '600000', '600001']],labels=[[0, 0, 1, 1], [2, 3, 0, 1]])

上例中原本 sh 和 sz 已經(jīng)是第三維的索引了，但使用層次化索引后，可以將整個數(shù)據(jù)集控制在二維表結(jié)構(gòu)中。這對于數(shù)據(jù)重塑和基于分組的操作（如生成透視表）比較重要。

索引或?qū)哟位饕龑ο?#xff08;Index 與 MultiIndex）都有一個 names 屬性，可以用來給索引層次命名，以便索引和增加直觀性。對 names 屬性的操作可以直接通過 obj.index.names=[] 的形式來實現(xiàn)。

轉(zhuǎn)載于:https://my.oschina.net/lionets/blog/277847

總結(jié)

以上是生活随笔為你收集整理的Python 数据分析包：pandas 基础的全部內(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，歡迎將生活随笔推薦給好友。