Python常用库之二：Pandas

Pandas是用于数据操纵和分析，建立在Numpy之上的。Pandas为Python带来了两种新的数据结构：Pandas Series和Pandas DataFrame，借助这两种数据结构，我们能够轻松直观地处理带标签数据和关系数据。

Pandas功能：

• 允许为行和列设定标签
• 可以针对时间序列数据计算滚动统计学指标
• 轻松处理NaN值
• 能够将不同的数据集合并在一起
• 与Numpy和Matplotlib集成

Pandas Series

Pandas series 是像数组一样的一维对象，可以存储很多类型的数据。Pandas series 和 Numpy array之间的主要区别之一是你可以为Pandas series 中的每个元素分配索引标签；另一个区别是Pandas series 可以同时存储不同类型的数据。

创建 Pandas Series

pd.Series(data, index)

 groceries = pd.Series(data=[30, 6, 'yes', 'No'], index=['eggs', 'apples', 'milk', 'bread'])
 ser = pd.Series(data=[[0, 1, 2, 3], [1, 3, 5, 7], [2, 4, 6, 8]], index=(['a', 'b', 'c']))

查看 Pandas Series 属性

 # Pandas Series 元素数量
 print(groceries.size)
 # Pandas Series 形状
 print(groceries.shape)
 # Pandas Series 维度
 print(groceries.ndim)
 # Pandas Series 索引列表
 print(groceries.index)
 # Pandas Series 元素列表
 print(groceries.values)

查看是否存在某个索引标签：in

 print('book' in groceries)

访问 Pandas Series 中元素

Pandas Series 提供了两个属性 .loc 和 .iloc

.loc 表明我们使用的是标签索引访问

.iloc 表明我们使用的是数字索引访问

 # 标签索引
 print(groceries['eggs'])
 print(groceries[['eggs', 'milk']])
 # 数字索引
 print(groceries[1])
 print(groceries[[1, 2]])
 print(groceries[-1])
 # 明确标签索引
 print(groceries.loc['milk'])
 print(groceries.loc[['eggs', 'apples']])
 # 明确数字索引
 print(groceries.iloc[0])
 print(groceries.iloc[[0, 1]])

修改和删除 Pandas Series 中元素

直接标签访问，值修改就可

 groceries['eggs'] = 2
 print(groceries)

删除：drop(参数 1：lable，标签；参数 2：inplace=True/False，是/否修改原 Series)

 print(ser.drop(['b']))
 print(ser.drop(['a', 'b'], inplace=True))

Pandas Series 中元素执行算术运算

Pandas Series执行元素级算术运算：加、减、乘、除

fruits = pd.Series(data=[10, 6, 3], index=['apples', 'oranges', 'bananas'])
# 所有数字进行运算
print(fruits + 2)
print(fruits - 2)
print(fruits * 2)
print(fruits / 2)
# 所有元素应用Numpy中的数学函数
print(np.exp(fruits))
print(np.sqrt(fruits))
print(np.power(fruits, 2))
# 部分元素进行运算
print(fruits[0] - 2)
print(fruits['apples'] + 2)
print(fruits.loc['oranges'] * 2)
print(np.power(fruits.iloc[0], 2))

Pandas DataFrame

Pandas DataFrame 是具有带标签的行和列的二维数据结构，可以存储多种类型的数据，类似于电子表格。

创建 Pandas DataFrame

第一步：创建 Pandas Series 字典

第二步：将字典传递给 pd.DataFrame

 items = {'Bob': pd.Series(data=[245, 25, 55], index=['bike', 'pants', 'watch']),
          'Alice': pd.Series(data=[40, 110, 500, 45], index=['book', 'glasses', 'bike', 'pants'])}
 shopping_carts = pd.DataFrame(items)
 print(shopping_carts)

通过关键字 columns 和 index 选择要将哪些数据放入 DataFrame 中

 shopping_cart = pd.DataFrame(items, index=['bike', 'pants'], columns=['Bob'])
 print(shopping_cart)

访问、添加、删除 DataFrame

访问整列：dataframe[['column1', 'column2']]

 # 读取列
 print(shopping_carts[['Bob', 'Alice']])

访问整行：dataframe.loc[['row1', 'row2']]

 # 读取行
 print(shopping_carts.loc[['bike']])

访问某行某列：dataframe['column']['row']，先提供行标签，将出错。

 # 读取某一列某一行
 print(shopping_carts['Bob']['bike'])

添加整列（末尾添加列），空值用 None

 # 添加列
 shopping_carts['Mike'] = [10, 30, 10, 90, None]

添加整行（末尾添加行），把新添加行创建为 dataframe，通过 append() 添加

 # 添加行
 new_items = [{'Alice': 30, 'Bob': 20,  'Mark': 35, 'Mike': 50}]
 new_store = pd.DataFrame(new_items, index=['store3'])
 shopping_carts = shopping_carts.append(new_store)

只能删除整列：pop('lable')

 # 删除整列
 shopping_carts.pop('Jey')

删除行或者列：drop(['lable1', 'lable2'], axis=0/1)　　0表示行，1表示列

 # 删除行
 shopping_carts = shopping_carts.drop(['store3', 'watch'], axis=0)

更改行和列标签

rename()

 # 更改列标签
 shopping_carts = shopping_carts.rename(columns={'Bob': 'Jey'})
 # 更改行标签
 shopping_carts = shopping_carts.rename(index={'bike': 'hats'})

处理 NaN

统计 NaN 数量：isnull().sum().sum

 # 数值转化为 True 或者 False
 print(store_items.isnull())
 # 每一列的 NaN 的数量
 print(store_items.isnull().sum())
 # NaN 总数
 print(store_items.isnull().sum().sum())

统计非 NaN 数量：count(axis=0/1)

 # 每一行非 NaN 的数量，通过列统计
 print(store_items.count(axis=1))
 # 每一列非 NaN 的数量，通过行统计
 print(store_items.count(axis=0))

删除具有NaN值的行和列：dropna(axis=0/1, inplace=True/False)　　inplace默认False，原始DataFrame不会改变；inplace为True，在原始DataFrame删除行或者列

 # 删除包含NaN值的任何行
 store_items.dropna(axis=0)
 # 删除包含NaN值的任何列
 store_items.dropna(axis=1, inplace=True)

将 NaN 替换合适的值：fillna()

 # 将所有 NaN 替换为 0
 store_items.fillna(value=0)
 # 前向填充：将 NaN 值替换为 DataFrame 中的上个值，axis决定列或行中的上个值
 store_items.fillna(method='ffill', axis=1)
 # 后向填充：将 NaN 值替换为 DataFrame 中的下个值，axis决定列或行中的下个值
 store_items.fillna(method='backfill', axis=0)

加载数据

csv 格式文件，每一行都是用逗号隔开：read_csv()

 # 读取 csv 文件，第一行作为列标签
 data = pd.read_csv('data.csv')
 print(data)
 print(data.shape)
 print(type(data))

读取前 N 行数据：head(N)

 # 读取头 3 行数据
 print(data.head(3))

读取最后 N 行数据：tail(N)

 # 读取后 5 行数据
 print(data.tail(5))

检查是否有任何列包含 NaN 值：isnull().any()　　类型 bool

 # 检查任何列是否有 NaN 值，返回值：bool
 print(data.isnull().any())

数据集的统计信息：describe()

 # 获取 DataFrame 每列的统计信息：count，mean，std，min，25%，50%，75%，max
 # 25%：四分之一位数；50%：中位数；75%：四分之三位数
 print(data.describe())
 # 通过统计学函数查看某个统计信息
 print(data.max())
 print(data.median())

数据相关性：不同列的数据是否有关联，1 表明关联性很高，0 表明数据不相关。corr()

 # 数据相关性
 print(data.corr())

数据分组：groupby(['lable1', 'lable2'])

 # 按年份分组，统计总薪资
 data.groupby(['Year'])['Salary'].sum()
 # 按年份分组，统计平均薪资
 data.groupby(['Year'])['Salary'].mean()
 # 按年份，部门分组，统计总薪资
 data.groupby(['Year', 'Department'])['Salary'].sum()