Python3数据科学入门与实践

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：

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： pan el

– da ta

– 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  pd import  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      4 dtype : 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     7 dtype : 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 4×4 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 weekday 0     C     Mon 1     D     Tue 2     E     Wed 3      F      Thu 4     G     Fri 5     A     Sat 6     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    B 1   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 .columns Index ([ ‘note’ , ‘No.’ ], dtype= ‘object’ )

df3 .index RangeIndex (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     C 1     D Name:  note, dtype:  object

Note C, D is: 0     C 1     D Name:  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 xlrd Name:  xlrd Version:   1.1.0 Summary:  Library for  developers to extract data from Microsoft Excel ™ spreadsheet files

Home- page:   http: //www.python-excel.org/ Author:  John Machin

Author- email:  sjmachin @lexicon .net License:  BSD Location:   /Library/ Frameworks /Python.framework/ Versions /3.6/ lib /python3.6/ site-packages Requires:

接下来我们看一个读取Excel 的简单的例子：

# file_operation.py

import  pandas as  pd import  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  Mon 0   D  Tue 1   E  Wed 2    F   Thu 3   G  Fri 4   A  Sat 5   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：

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    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：

# 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 .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

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       5 dtype:   object

s1.str.strip(): 0      11      22      33      44      5 dtype:   object

s1.str.isdigit(): 0      False 1      False 2      False 3       True 4       True dtype:   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    24 dtype : 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