核心数据结构

pandas最核心的就是SeriesDataFrame两个数据结构。

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。

series

由于Series是一堆结构的数据,我们可以直接通过数组来创建这种数据,像这样:

import pandas as pd
import numpy as np series1 = pd.Series([1, 2, 3, 4])
print("series1:\n{}\n".format(series1)) # series1:
# 0 1
# 1 2
# 2 3
# 3 4
# dtype: int64
  • 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

我们分别打印出Series中的数据和索引

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

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

# series1.values: [1 2 3 4]
# series1.index: RangeIndex(start=0, stop=4, step=1)

我们可以指定索引的类型,例如字符串

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"])) # series2:
# C 1
# D 2
# E 3
# F 4
# G 5
# A 6
# B 7
# dtype: int64 # E is 3

DataFrame

通过Numpy接口来创建一个4x4的矩阵,以此来创建DataFrame

 import pandas as pd
import numpy as np df1 = pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1)) # 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

默认的索引和列名都是[0,N-1]的形式,同样我们可以指定列名和索引,

 import pandas as pd
import numpy as np 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)) # 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

我们也可以指定结构来创建DataFrame

 import pandas as pd
import numpy as np 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)) # df3:
# note weekday
# 0 C Mon
# 1 D Tue
# 2 E Wed
# 3 F Thu
# 4 G Fri
# 5 A Sat
# 6 B Sun

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

 import pandas as pd
import numpy as np 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:
# 1 2 3 4 5 6 7
# 0 C D E F G A B
# 1 Mon Tue Wed Thu Fri Sat Sun

我们还可以“添加”或“删除”列数据

 import pandas as pd
import numpy as np df3 = pd.DataFrame({"note" : ["C", "D", "E", "F", "G", "A", "B"],
"weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})
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)) # 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

同样可以通过索引来获取DataFrame的行和列

 print("df3.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\n".format(df3.index)) # df3.columns
# Index(['note', 'No.'], dtype='object') # df3.index
# RangeIndex(start=0, stop=7, step=1)

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

DataFrane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

 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])) # Note C, D is:
# 0 C
# 1 D
# Name: note, dtype: object # Note C, D is:
# 0 C
# 1 D
# Name: note, dtype: object

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。

文件操作

读取Excel文件

注:要读取Excel文件,还需要安装另外一个库;xlrd

pip install xlrd

 import pandas as pd
import numpy as np df1 = pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1)) # df1:
# C Mon
# 0 D Tue
# 1 E Wed
# 2 F Thu
# 3 G Fri
# 4 A Sat
# 5 B Sun

读取csv文件

 C,Mon
D,Tue
E,Wed
F,Thu
G,Fri
A,Sat

第一个CSV文件内容

 C|Mon
D|Tue
E|Wed
F|Thu
G|Fri
A|Sat

第二个CSV文件的内容

读取CSV文件

 import pandas as pd
import numpy as np
df2 = pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))
# df3 = pd.read_csv("data/test2.csv", sep="|")
# print("df3:\n{}\n".format(df3))

我们可以发现,第二个CSV文件并不是通过逗号分隔的,我们通常指定分隔符的方式来读取这个文件。

read_csv支持非常多的参数用来调整读取的参数

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

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。

我们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:

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

 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.dropna():\n{}\n".format(df.dropna())); # df.dropna():
# Empty DataFrame
# Columns: [0, 1, 2, 3]
# Index: []

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,所以才会是以上结果

我们也可以选择抛弃整列都是无效值的那一列:

 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.dropna(axis=1,how='all'):\n{}\n".format(df.dropna(axis=1, how='all'))); # 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

注:axis=1表示列的轴。how可以取值’any’或者’all’,默认是前者。

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

 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:\n{}\n".format(df)); print("df.fillna(1):\n{}\n".format(df.fillna(1))); # 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.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:

 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:\n{}\n".format(df));
print("df:\n{}\n".format(pd.isna(df))) 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) # 把第2列的空值变成2
df.fillna(value={'col3': 7}, inplace=True) # 把第3列的空值变成7
print("df:\n{}\n".format(df)); # 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 # 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

Seriesstr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。

 import pandas as pd

 s1 = pd.Series(['', '2 ', ' 3 ', '', '']);
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())) # 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

我们还能对字符串进行大写、小写、以及字符串长度的处理。

 import pandas as pd

 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())) # 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

参考文献

https://paul.pub/pandas-tutorial/

Python 数据处理库 pandas的更多相关文章

  1. Python 数据处理库 pandas 入门教程

    Python 数据处理库 pandas 入门教程2018/04/17 · 工具与框架 · Pandas, Python 原文出处: 强波的技术博客 pandas是一个Python语言的软件包,在我们使 ...

  2. Python 数据处理库pandas教程(最后附上pandas_datareader使用实例)

    0 简单介绍 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 ...

  3. 程序员用于机器学习编程的Python 数据处理库 pandas 进阶教程

    数据访问 在入门教程中,我们已经使用过访问数据的方法.这里我们再集中看一下. 注:这里的数据访问方法既适用于Series,也适用于DataFrame. **基础方法:[]和. 这是两种最直观的方法,任 ...

  4. 程序员用于机器学习编程的Python 数据处理库 pandas 入门教程

    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( ...

  5. Python数据分析库pandas基本操作

    Python数据分析库pandas基本操作2017年02月20日 17:09:06 birdlove1987 阅读数:22631 标签: python 数据分析 pandas 更多 个人分类: Pyt ...

  6. 教程 | 一文入门Python数据分析库Pandas

    首先要给那些不熟悉 Pandas 的人简单介绍一下,Pandas 是 Python 生态系统中最流行的数据分析库.它能够完成许多任务,包括: 读/写不同格式的数据 选择数据的子集 跨行/列计算 寻找并 ...

  7. python 数据处理学习pandas之DataFrame

    请原谅没有一次写完,本文是自己学习过程中的记录,完善pandas的学习知识,对于现有网上资料的缺少和利用python进行数据分析这本书部分知识的过时,只好以记录的形势来写这篇文章.最如果后续工作定下来 ...

  8. Python数据处理进阶——pandas

    对于python进行数据处理来说,pandas式一个不得不用的包,它比numpy很为强大.通过对<利用python进行数据分析>这本书中介绍pandas包的学习,再加以自己的理解,写下这篇 ...

  9. python数据分析库pandas

    在我看来,对于Numpy以及Matplotlib,Pandas可以帮助创建一个非常牢固的用于数据挖掘与分析的基础.而Scipy(会在接下来的帖子中提及)当然是另一个主要的也十分出色的科学计算库,但是我 ...

随机推荐

  1. 广播地址设为自己的ip地址,子网掩码设为255.255.255.255 是什么意思

    最近看<构建高性能web站点>(老版)第12章讲LVS-DR的配置,有一段针对Real Server的配置不明所以: ifconfig lo:0 125.12.12.77 broadcas ...

  2. 递推-练习1--noi1760 菲波那契数列(2)

    递推-练习1--noi1760 菲波那契数列(2) 一.心得 二.题目 1760:菲波那契数列(2) 总时间限制:  1000ms 内存限制:  65536kB 描述 菲波那契数列是指这样的数列: 数 ...

  3. Rails 5 Test Prescriptions 第9章 Testing-JavaScript: Integration Testing,❌挂一个问题webpacker::helper

    使用Capybara进行JS的集成测试 谈论驱动 让测试通过 Webpack in Development Mode Js设计 是用户在网页上有好的体验的重要因素. 尽管如此,许多网页不测试JS. 部 ...

  4. Android之自定义控件实现天气温度折线图和饼状图

    以前写了个天气的APP,最近把他更新了一个版本,就抽取其中的天气温度折现图这个功能写了这篇博客,来与大家分享,希望对你有所帮助. 效果如图: 代码: MainActivity.Java /**** * ...

  5. [转]Linux下彻底卸载mysql详解

    http://www.jb51.net/article/97516.htm 一.使用以下命令查看当前安装mysql情况,查找以前是否装有mysql 1 rpm -qa|grep -i mysql 可以 ...

  6. Zynq软硬件协同设计 总结一

    1.Xilinx在2012年推出了新一代的开发工具Vivado开发套件,目前的7系列FPGA既可以用以往的ISE或者XPS进行开发,也可以使用Vivado(为瓦度),而6系列等以前的产品智能使用ISE ...

  7. MVC项目使用Oracle数据库运行提示:找不到请求的 .Net Framework Data Provider。可能没有安装

    MVC项目使用Entity Framework针对Oracle数据库进行开发时,由于Oracle官方网站一般建议开发者在64位操作系统中使用32位ODP.Net进行开发.在进行程序编码的时候不会有问题 ...

  8. STL标准库-容器-forward_list

    技术在于交流.沟通,本文为博主原创文章转载请注明出处并保持作品的完整性. forward_list即单向list,功能少额外开销就小.而且只能在前段插入元素 结构如下 一 定义 #include &l ...

  9. Leetcode 1023. Camelcase Matching

    暴力查找 class Solution: def camelMatch(self, queries: List[str], pattern: str) -> List[bool]: q_size ...

  10. linux 下的php_gd2.dll

    今天写验证码时,发现要配置php.ini,单不知在哪儿,用下面的办法可以解决. <?php phpinfo(); ?> 用vim搜索字符串时,发现一个命令特别好用 /字符串 就可以搜索到字 ...