Python 数据处理库 pandas
核心数据结构
pandas最核心的就是Series
和DataFrame
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
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。
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
- 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 ...
- 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 ...
- 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 ...
- 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( ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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
- 图像等比例缩放的函数封装(PHP)
<?php //图像等比例缩放函数 /** *等比例缩放函数(以保存新图片的方式实现) *@param string $picname 被缩放的处理图片源 *@param int $maxx 缩 ...
- Windows下查看文件MD5值
有时候因为某些原因我们需要查看文件的MD5值,在Linux下这个就非常简单,只需要用md5sum命令即可,但是在Windows上却不知道对应的命令.今天就在网上查了一些,果然其实Windows也有对应 ...
- hdu 4745 Two Rabbits 区间DP
http://acm.hdu.edu.cn/showproblem.php?pid=4745 题意: 有两只兔子Tom Jerry, 他们在一个用石头围城的环形的路上跳, Tom只能顺时针跳,Jerr ...
- 173. Binary Search Tree Iterator -- 迭代器
Implement an iterator over a binary search tree (BST). Your iterator will be initialized with the ro ...
- 【hive】数据仓库层次设计
转载 https://www.jianshu.com/p/849db358ec61
- 加密算法中涉及C/C++总结
学习网站:http://www.runoob.com/cplusplus/cpp-functions.html char在VC(c++)中占1字节(byte),8位(bit). int在VC(c++) ...
- URAL 1040 Airline Company 构造,思路 难度:2
http://acm.timus.ru/problem.aspx?space=1&num=1040 题目要求在一个联通无向图中找出一种方法给边标号使得任意一个有多条边的点,边的号码的最大公约数 ...
- PostgresException: 42883: function ifnull(integer, integer) does not exist
原因在于PostGresql并没有自带IFNULL函数,可以用COALESCE来替代IFNULL,且COALESCE功能更强大,可以输入更多参数,顺序判断并返回第一个非null值. 例如: SELEC ...
- 彻底解决WP的TextBox中文字过长显示不出来的问题
文字如果过长的话在TextBox中会显示不完全,这个大家都知道了,后来有人做了ExTextblock增强控件,大部分文字是可以显示出来了,不过,在某些情况下还是会有显示不全的情况. 这个时候一个解决方 ...
- 笔记本用HDMI、VGA连接高清电视全过程实录2——各种问题
内容中包含 base64string 图片造成字符过多,拒绝显示