Pandas简易入门（二）

目录：

    处理缺失数据

    制作透视图

    删除含空数据的行和列

    多行索引

    使用apply函数

 

本节主要介绍如何处理缺失的数据，可以参考原文：https://www.dataquest.io/mission/12/working-with-missing-data

本节要处理的数据来自于泰坦尼克号的生存者名单，它的数据如下

pclass,survived,name,sex,age,sibsp,parch,ticket,fare,cabin,embarked,boat,body,home.dest

1,1,"Allen, Miss. Elisabeth Walton",female,29,0,0,24160,211.3375,B5,S,2,,"St Louis, MO"

1,1,"Allison, Master. Hudson Trevor",male,0.9167,1,2,113781,151.5500,C22 C26,S,11,,"Montreal, PQ / Chesterville, ON"

1,0,"Allison, Miss. Helen Loraine",female,2,1,2,113781,151.5500,C22 C26,S,,,"Montreal, PQ / Chesterville, ON"

其中，pclass描述的是客舱等级，boat描述的是生存者搭乘的救生艇号码，body描述的是乘客的尸体编码。其中age和sex字段都有缺失的数据。由于不能对缺失数据进行运算，所以要先处理缺失的数据

 

处理缺失数据

首先，Pandas会用NaN（not a number）来表示一个缺失的数据，计算age字段为空的数据有多少行。Pandas有一个函数isnull()可以直接判断该列中的哪个数据为NaN

import pandas as pd

file = ‘titanic_survival.csv’

titanic_survival = pd.read_csv(file)

age_null = pd.isnull(titanic_survival[‘age’])

age_null_true = age_null[ age_null == True]

age_null_count = len(age_null_true)

#计算age字段的平均值

import pandas as pd

mean_age = sum(titanic_survival["age"]) / len(titanic_survival["age"])

# mean_age的值为NaN，因为对NaN数据进行运算，结果也是NaN

# 所以要先去除NaN数据

age_null = pd.isnull(titanic_survival["age"])

correct_mean_age = sum(titanic_survival['age'][age_null == False]) / len(titanic_survival['age'][age_null == False])

 

由于处理缺失数据很普遍，所以Pandas使用了一些可以自动过滤NaN的方法，譬如，mean()方法可以自动过滤缺失数据并计算平均值

correct_mean_age = titanic_survival["age"].mean()

总结：Pandas处理缺失数据的方法就是先用pd.isnull()来循环判断某列中的数据是否有空值，然后生成一个只有True或者False的列表，再把该列表中的False值传进该列中来得出不为空的数据

 

制作透视图

可以使用数据透视表汇总、分析、浏览和显示数据表数据概览或 外部数据 源。 数据透视表在您需要合计较大的数字列表时非常有用，聚合后的数据或分类汇总有助于您从不同角度查看数据和比较类似数据图表。

计算每一个客舱平均年龄，使用函数pivot_table（）

import pandas as pd

import numpy as np

passenger_age = titanic_survival.pivot_table(index='pclass', values='age', aggfunc=np.mean)

# index参数指明了用来分类的列，values标签指明了用来计算的列，aggfunc指明了使用什么函数来计算values指定的列

# 如果要计算男性与女性的平均年龄

passenger_age = titanic_survival.pivot_table(index='sex', values='age', aggfunc=np.mean)

 

还可以制作更加复杂的透视图

譬如，要计算每一个客舱等级的平均年龄和费用

import numpy as np

# 只要在values参数中增加参数即可

passenger_survival = titanic_survival.pivot_table(index="pclass", values=["age", "fare"], aggfunc=np.mean)

# 同样地，我要计算每个客舱等级中，每个性别的平均年龄和费用，则增加index的参数

passenger_survival = titanic_survival.pivot_table(index=["pclass","sex"], values=["age", "fare"], aggfunc=np.mean)

 

删除含有空数据的行和列

可以使用dropna()函数来删除具有空数据的行或列

import pandas as pd

# 删除含有空数据的全部行

new_titanic_survival = titanic_survival.dropna()

# 可以通过axis参数来删除含有空数据的全部列

new_titanic_survival = titanic_survival.dropna(axis=1)

# 可以通过subset参数来删除在age和sex中含有空数据的全部行

new_titanic_survival = titanic_survival.dropna(subset=["age", "sex"])

print(new_titanic_survival)

new_titanic_survival = titanic_survival.dropna(subset=['age', 'body','home.dest'])

 

 

多行索引

这是原始的titanic_survival

在我删除了那些body列为NaN的行之后，数据变成了下面这样

new_titanic_survival = titanic_survival.dropna(subset=["body"])

可见，在new_titanic_survival表中，行的索引仍然保持和之前一样，并没有重新从0开始计算。在上一篇的《Pandas简易入门（一）》中可以知道Pandas使用loc[ m ]函数来索引行号为m的那一行，或者loc[ m: n]来索引行号从m到n（包括n）的那些行，或者loc [[ m, n, o]]来索引行索引号为m, n, o的行。

但是，在重新生成的new_titanic_suvival中，行的索引号已经变得毫无规律，此时就要使用新的函数iloc[]来按照位置索引

# 输出新表的前五行

m = new_titanic_survival.iloc[:5,:]

# 输出新表的第四行，注意仍然从0开始索引，所以在参数中填的是3而不是4

n = new_titanic_survival.iloc[3,:]

 

假如我想取出新表中第一行，第一列的那个值

m = new_titanic_survival.iloc[0,0]

等价于

n = new_titanic_survival.loc[3,"pclass"]

总结：iloc函数按照所在位置索引（iloc[]中的参数只能为整型值或者整型的分片），loc函数按照行号和列名索引

参考资料：http://pandas.pydata.org/pandas-docs/version/0.17.0/generated/pandas.DataFrame.iloc.html

 

看过上面就可以知道使用iloc来索引有多么的麻烦，实际上可以对新表进行索引重排序，使用reset_index()函数即可

titanic_reindexed = titanic_survival.dropna(subset=['age', 'boat']).reset_index(drop=True)

# drop函数用来指明是否不把原表中的index值作为一个新列放进新表

对比上图就看到行索引进行了重排序，如果drop参数为False

titanic_reindexed_false = titanic_survival.dropna(subset=['body']).reset_index(drop=False)，就会生成如下格式

可以看到多了名为index的第一列，该值就是原表中的索引值

 

使用apply函数

之前我们已经计算了某一列中含有空值的数量，如果我要列出该表每一列中究竟有多少个空值呢，就可以使用apply(function)函数，该函数会将自定义的function函数应用在每一列中，并且把运行的结果保存在一个新的Series中，如下

import pandas as pd

# 这个函数返回一列中的空值数量

def null_count(column):

    #首先用isnull函数判断该列中每个数值是否为空，生成一个只有True或者False的向量（列表）

    column_null = pd.isnull(column)

    # 把空值的那些数据提取出来，放在一个向量中

    null = column[column_null == True]

    # 返回该向量的长度即可

    return len(null)

# 对所有的列都运行该函数

column_null_count = titanic_survival.apply(null_count)

print(column_null_count)

 

如果要把函数运行在全部行上，就是用axis参数即可

#对于每一行，假如该行的age字段缺失就显示unknown，age小于18就返回minor，age大于等于18就返回adult

def judge(row):

    if pd.isnull(row['age']) == True :

        return 'unknown' 

    return 'minor' if row['age'] < 18 else 'adult'

age_labels = titanic_survival.apply(judge, axis=1)

print(titanic_survival.columns)