Python数据分析入门与实践 学习

pandas是一个Python语言的软件包，在我们使用Python语言进行机器学习编程的时候，这是一个非常常用的基础编程库。本文是对它的一个入门教程。
pandas提供了快速，灵活和富有表现力的数据结构，目的是使“关系”或“标记”数据的工作既简单又直观。它旨在成为在Python中进行实际数据分析的高级构建块。
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
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：panel
-data
-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 pdimport numpy as np
series1 = pd.Series([1, 2, 3, 4])print("series1:\n{}\n".format(series1))
这段代码输出如下：
series1:0 11 22 33 4dtype: 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: {}\n".format(series1.values))
print("series1.index: {}\n".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:\n{}\n".format(series2))print("E is {}\n".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 7dtype: 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4x4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:\n{}\n".format(df1))
这段代码输出如下：
df1:
0 1 2 30 0 1 2 31 4 5 6 72 8 9 10 113 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:\n{}\n".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:\n{}\n".format(df3))
这段代码输出如下：
df3:
note weekday0 C Mon1 D Tue2 E Wed3 F Thu4 G Fri5 A Sat6 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:\n{}\n".format(df4))
df4的输出如下：
df4:
1 2 3 4 5 6 70 C D E F G A B1 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:\n{}\n".format(df3))
del df3["weekday"]print("df3:\n{}\n".format(df3))
这段代码输出如下：
df3:
note weekday No.0 C Mon 11 D Tue 22 E Wed 33 F Thu 44 G Fri 55 A Sat 66 B Sun 7
df3:
note No.0 C 11 D 22 E 33 F 44 G 55 A 66 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\n{}\n".format(df3.columns))print("df3.index\n{}\n".format(df3.index))
这两行代码输出如下：
df3.columnsIndex(['note', 'No.'], dtype='object')
df3.indexRangeIndex(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：
# data_structure.py
print("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"]))print("Note C, D is:\n{}\n".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：
Note C, D is:0 C1 DName: note, dtype: object

Note C, D is:0 C1 DName: 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：
sudo pip3 install xlrd
安装完之后可以通过pip查看这个库的信息：
$ pip3 show xlrdName: xlrdVersion: 1.1.0Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet files
Home-page: http://www.python-excel.org/Author: John Machin
Author-email: sjmachin@lexicon.netLicense: BSDLocation: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packagesRequires:
接下来我们看一个读取Excel的简单的例子：
# file_operation.py
import pandas as pdimport numpy as np
df1 = pd.read_excel("data/test.xlsx")print("df1:\n{}\n".format(df1))
这个Excel的内容如下：
df1:
C Mon0 D Tue1 E Wed2 F Thu3 G Fri4 A Sat5 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:\n{}\n".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:\n{}\n".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delimiter 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
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
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 pdimport 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:\n{}\n".format(df));print("df:\n{}\n".format(pd.isna(df)));****
这段代码输出如下：
df:
0 1 2 30 1.0 NaN 3.0 4.01 5.0 NaN NaN 8.02 9.0 NaN NaN 12.03 13.0 NaN 15.0 16.0
df:
0 1 2 30 False True False False1 False True True False2 False True True False3 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():\n{}\n".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 DataFrameColumns: [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'):\n{}\n".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 30 1.0 3.0 4.01 5.0 NaN 8.02 9.0 NaN 12.03 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):\n{}\n".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:\n{}\n".format(df));
这段代码输出如下：
df:
col1 col2 col3 col4index1 1.0 2.0 3.0 4.0index2 5.0 2.0 7.0 8.0index3 9.0 2.0 7.0 12.0index4 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():\n{}\n".format(s1.str.lstrip()))print("s1.str.strip():\n{}\n".format(s1.str.strip()))print("s1.str.isdigit():\n{}\n".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 11 22 33 44 5dtype: object
s1.str.strip():0 11 22 33 44 5dtype: object
s1.str.isdigit():0 False1 False2 False3 True4 Truedtype: 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():\n{}\n".format(s2.str.lower()))print("s2.str.upper():\n{}\n".format(s2.str.upper()))print("s2.str.len():\n{}\n".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 watchtowerdtype: object
s2.str.upper():
0 STAIRWAY TO HEAVEN
1 ERUPTION
2 FREEBIRD
3 COMFORTABLY NUMB
4 ALL ALONG THE WATCHTOWERdtype: object
s2.str.len():
0 18
1 8
2 8
3 16
4 24dtype: 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