人工智能基础-Python之Pandas库教程

---

前言

Pandas

python三大库numpy，pandas以及matplotlib在人工智能领域有广泛的营运。下面我将介绍一些关于Pandas的一些简单教程

---

一、Pandas是什么？

pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。
pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

还有Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis）。
不是大熊猫哦～

---

二、使用步骤

1.引入库

import pandas as pd
print(pd.__version__)
# 2.2.1
1
2
3

2.数据读取

2.1 数据类型

2.2 数据读取

本文主要介绍csv的使用方式，采用的数据集是飞浆中的 波士顿房价预测中文版

1.常见操作

head():查看前几行数据，默认为5
tail():查看后几行，默认是5
shape():查看数据的形状
1
2
3

import pandas as pd
f_path=r'/Users/zhangqingjie/files/x1/class_work/pandas_prac/housingPrices_train.csv'
read=pd.read_csv(f_path)
print(read.head())
#    Id  MSSubClass MSZoning  ...  SaleType  SaleCondition SalePrice
# 0   1          60       RL  ...        WD         Normal    208500
# 1   2          20       RL  ...        WD         Normal    181500
# 2   3          60       RL  ...        WD         Normal    223500
# 3   4          70       RL  ...        WD        Abnorml    140000
# 4   5          60       RL  ...        WD         Normal    250000
#
# [5 rows x 81 columns]
print(read.tail())
#         Id  MSSubClass MSZoning  ...  SaleType  SaleCondition SalePrice
# 1455  1456          60       RL  ...        WD         Normal    175000
# 1456  1457          20       RL  ...        WD         Normal    210000
# 1457  1458          70       RL  ...        WD         Normal    266500
# 1458  1459          20       RL  ...        WD         Normal    142125
# 1459  1460          20       RL  ...        WD         Normal    147500
# [5 rows x 81 columns]
print(read.shape)
# (1460, 81)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

info():查看数据集的行数、列数、列的数据类型、非空值的数量以及内存使用情况
1

print(read.info())
# 
# RangeIndex: 1460 entries, 0 to 1459
# Data columns (total 81 columns):
#  #   Column         Non-Null Count  Dtype
# ---  ------         --------------  -----
#  0   Id             1460 non-null   int64
#  1   MSSubClass     1460 non-null   int64
#  2   MSZoning       1460 non-null   object
#  3   LotFrontage    1201 non-null   float64
#  4   LotArea        1460 non-null   int64
#  5   Street         1460 non-null   object
#  6   Alley          91 non-null     object
#  ...
#  77  YrSold         1460 non-null   int64
#  78  SaleType       1460 non-null   object
#  79  SaleCondition  1460 non-null   object
#  80  SalePrice      1460 non-null   int64
# dtypes: float64(3), int64(35), object(43)
# memory usage: 924.0+ KB

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

describe()：返回美列的数据信息，如总数，平均数，方差，均值，分位数等
1

print(read.describe())
#                 Id   MSSubClass  ...       YrSold      SalePrice
# count  1460.000000  1460.000000  ...  1460.000000    1460.000000
# mean    730.500000    56.897260  ...  2007.815753  180921.195890
# std     421.610009    42.300571  ...     1.328095   79442.502883
# min       1.000000    20.000000  ...  2006.000000   34900.000000
# 25%     365.750000    20.000000  ...  2007.000000  129975.000000
# 50%     730.500000    50.000000  ...  2008.000000  163000.000000
# 75%    1095.250000    70.000000  ...  2009.000000  214000.000000
# max    1460.000000   190.000000  ...  2010.000000  755000.000000
1
2
3
4
5
6
7
8
9
10

2.txt读取

注意：csv是默认以逗号为分隔符的，但是txt不是，所以要特意指出

需要制定几个参数
	sep='分隔符'
	header=None表示没有标题
	names=[]：表示指定标题
1
2
3
4

import pandas as pd
f_path=r'/Users/zhangqingjie/files/x1/class_work/pandas_prac/THUOCL_caijing.txt'
read=pd.read_csv(f_path,sep='\t',header=None,names=['名称','代码'])
print(read)
#                 名称       代码
# 0              发展   1934814
# 1              部门   1709250
# 2              政府   1617499
# 3              经济   1396619
# 4              服务   1386428
# ...            ...      ...
# 3825     中国民营经济周刊         1
# 3826  瓦房店轴承股份有限公司         1
# 3827           东碳         1
# 3828         华银电力         1
# 3829         资本运作         1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

3.pandas的数据结构

3.1 Series

一维数据，一行或者一列
存带标签的一维数据

1.属性

这是一些常见的属性，感兴趣的小伙伴可以试试～
不一一举例了

values：返回 Series 中的值
index：返回 Series 中的索引
dtype：返回 Series 中元素的数据类型。
name：返回 Series 的名称。
ndim：返回 Series 的维度
shape：返回 Series 中数据的形状
size：返回 Series 中元素的数量
empty：返回一个True(若为空)
axes：返回一个包含 Series 索引和数据轴标签的列表
values_counts()：返回一个包含 Series 中唯一值及其出现次数的 Series。
astype(dtype)：将 Series 中的数据类型转换为指定的类型。
isnull()：返回一个布尔型的 Series，表示 Series 中的缺失值。
notnull()：返回一个布尔型的 Series，表示 Series 中的非缺失值。
1
2
3
4
5
6
7
8
9
10
11
12
13

2.创建Series

1.用列表创立索引
可以看到，左侧是自动生成的索引，右侧是数据

还可以查索引和值

当然也可以指定索引创建

2.用字典创建Series
直接把字典转换成索引

3.查询

类似于查询字典操作

如果要查询多个值，可以传入一个列表。
但是！！！注意返回值的类型仍然是Series

3.2 DataFrame

二维数据，多行多列，可以将之当做一个表格
既有行索引index，又有列索引columns

1.创建DataFrame

1.多个字典创建

可以看到，字典变成了表格一样的东西，这个就是DataFrame

查一下他的三个属性

注意！！！，大家有没有发现不同，查c0lumn索引的时候的数据类型是object，于是我们查一下他的类型

可以看到，
如果查的的是单行单列，返回的是一个Series
如果查的是多行多列，返回的仍然是DataFrame

4.查询数据

除了要介绍的loc外，还有其他的一些查询方式，暂且不一一举例了，以后慢慢补充的

data.iloc 
data.where 
data.query
1
2
3

举例数据如下

4.1 data.loc 根据行列标签值进行查询

先介绍一个语法

**set_index()**
参数说明
	key：数据表中的某列/列标签列表/数组列表，需要设置为索引的列。
	drop：删除用作新索引的列，默认为True，删除。
	append：是否将列附加到现有索引，默认为False，否。
	inplace：表示当前操作是否对原数据重新，默认为False，否。
	verify_integrity：检查新索引的副本。否则，请将检查推迟到必要时进行。将其设置为False，将提高该方法的性能，默认为False。
1
2
3
4
5
6
7

设置索引为街道链接LotFrontage ，若不设置任何参数，将该索引提前

若将inplace设置为True,表示对原数据进行更新

如果没有inplace那么原数据不变

1.使用单个label值查询数据

直接loc[行，列]

2.使用值列表批量查询数据

当然也可以传入列表
注意，传入一个列表参数返回series，传入两个返回dataFrame

3.使用数值区间进行范围查询

行和列都可以按照区间进行查询

4.使用条件表达式查询

此外还可以结合‘&’，'|'进行与或操作

5.使用函数查询

1.使用lambda表达式
name=lambda [列表名]: 表达式

上下是等价的～

def add(x, y):
    return x+ y
print(add(3,4))




add = lambda x,y:x+y
print(add(3,4))
1
2
3
4
5
6
7
8
9

2.自己定义函数
loc[]内部调用函数的时候，不强制在函数后面写上 (data)。但是如果加了括号，内部一定是要写相应的dataframe名字

也可以选列名

4.2 query

数据

1.基本语法

query(),括号里面内容是类似sql语句的内容，
用and，or，not进行条件判断

4.3 where

如图所示～

4.4 小结

大家记住，loc是最重要的就好了

5.过滤日期时间

数据例子

第一步：使用pd.to_datetime这个函数，他的作用是将字符串转换为Timestamp格式，转成这个格式之后就可以转换多种格式的时间字符串了

在format的格式字符串中，各种时间元素都有特定的字符表示，例如：
	%Y表示四位数的年份，
	%m表示两位数的月份，
	%d表示两位数的日期，
	%H表示小时数（24小时格式），
	%M表示分钟数，
	%S表示秒数。
1
2
3
4
5
6
7

第二步：使用strftime变成自己想要的时间形式，他的作用是将时间元组格式化为字符串

找2015年8月的数据

6.新增数据

数据集展示

6.1 直接赋值

最后一行等于MSS+Lot

6.2 apply

apply()有两个参数
第一个是fun：函数名
第二个是axis：
			返回的是一个series对象，它的内容有两种情况：
						若为0，则是DataFrame的index索引
						若为1，则是DataFrame的columns索引
1
2
3
4
5
6

6.3 assign

分配一个新的列到DataFrame中,返回的是一个对象，并不是直接赋值

直接复制也行，只不过我这里用的是lambda表达式

最棒的是，他可以一次增加多行

6.4 分条件赋值

先设置一个空列，然后中括号里面放条件语句

7.统计函数

7.1汇总统计

直接describe函数，当然也可以指定其中之一

7.2 唯一性去重和按值计数

1. 唯一去重

一般用于查看包含哪些不同的值

2.按值计算

记录数据出现的次数，降序排列

3.相关系数和协方差（常用哦～）

协方差矩阵和相关系数矩阵，机器学习中计算距离度量的时候会用到的

当然也可以单独两个进行

8.对缺失值的处理

表格数据

介绍一些方法

8.1 isnull和notnull:

是否为空值，可以用于dataframe和series
第一种情况是df的情况，第二种是series的情况

8.2dropna:丢弃、删除空值

		axis:删除行还是列（0:index，1:columns），默认为0
		how：（any：任何值为空都删除，all：所有值为空才删除）
		inplace：（如果为TRUE则修改当前的dataframe,否则是返回一个新的dataframe）
1
2
3

8.3fillna:填充空值

		value：用于填充的值（还可以是字典）
		method：（ffill：用起那一个不为空的值填充，bfill：后一个不为空的值填充）
		axis：（按行还是按列）
		inplace：（如果为TRUE则修改当前的dataframe,否则是返回一个新的dataframe）
1
2
3
4

两种填充方式：

当然也可以直接全部填充

最后保存

打开文件一看，保存成功啦！

9.排序

原数据

9.1 Series排序

series.sort_values()
参数说明：
	ascending：True为生序排序
	inplace：是否修改
1
2
3
4

9.2 DataFrame排序

DataFrame.sort_values()
参数说明：
	by：可以传列名或者列表，实现多列和单列排序
	ascending：bool或List，（生序还是降序），如果是list对应by的多列
	inplace：同上
1
2
3
4
5

by的用法是优先列表中第一个元素的排序，在第一个元素相等的基础上，在按照第二个排序

另一个例子：
按照第一个元素生序排序，第二个元素降序排序

10.字符串处理

10.1 全部属性

以下是我从官方文档中复制的所有的方法，大家可以尝试一些，我会调一些重要的举例子

10.2.注意事项

1. 先获取Series的字符串属性，在属性上调用函数
2. 只能在字符串的列上使用，不能再数字的列上使用
3. DataFrame没有字符串的属性和处理方法

10.3 栗子～

初始数据

1. 一些基础的属性
   

2. 使用startwith，contains等得到的bool的Series可以做条件查询

11.merge合并操作

merge(, how=‘inner’, on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=True, suffixes=(‘_x’, ‘_y’), copy=True, indicator=False, validate=None)

* left，right：要合并的的dataframe或者有name的Series。
* how：join类型，‘left’, ‘right’, ‘outer’, ‘inner’。等价于sql里的左、右连接，外连接和内连接
* on：join的key，left和right都需要有这个key。
* left_on：left的df或者series的key。
* right_on：right的df或者seires的key。
* left_index，right_index：使用index而不是普通的column做join。
* suffixes：两个元素的后缀，如果列有重名，自动添加后缀，默认是(‘_x’, ‘_y’)
1
2
3
4
5
6
7

这里就要讲一下sql里的左右连接，内外连接了。
left：左连接
right:右连接
inner:内连接
outer:外连接

这里是例子数据：

11.1外连接（交集）

11.2内连接（并集）

11.4左连接

以左边df的‘配偶’元素为基准，进行合并
若右边的df中没有匹配的元素，空值处理

11.4右连接

以右边df的‘配偶’元素为基准，进行合并。
若左边的df中没有匹配的元素，空值处理

12.concat合并

pd.concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False,keys=None, levels=None, names=None, verify_integrity=False)

参数解释
objs:待合并的所有数据集，一般为列表list,list中的元素为series或dataframe
axis:合并时参考的轴，axis=0为基于行合并；axis=1为列合并,默认为0
join:连接方式为内连接（inner)or外连接(outer)
1
2
3
4

原数据

行合并

列合并

13.merge和concat的区别

merge与concat的区别
1、merge默认内连接，concat默认外连接
2、merge的参数有四个【内、外连接，左右连接】，concat是利用axis进行合并
3、merge合并范围广，可以通过索引和列进行合并，concat只能进索引合并

13.分组groupby的用法

13.1创建groupby对象

13.2聚合操作agg

英语是aggregation（聚合）
有如下方法

常用使用方法如下：

13.3 transfrom

pandas的一个转换函数，对DataFrame执行传入的函数后返回一个相同形状的DataFrame。

transform(func, axis=0, *args, **kwargs):

func: 用于转换数据的函数，函数必须满足传入一个DataFrame能正常使用，或传递到DataFrame.apply()中能正常使用。
func可以接收函数的名字、函数名的字符串、函数组成的列表、行/列标签和函数名组成的字典。
axis: 设置按列还是按行转换。设置为0或index，表示对每列应用转换函数，设置为1或columns，表示对每行应用转换函数。
args: 传递给函数func的位置参数。
kwargs: 传递给函数func的关键字参数。
1
2
3
4
5

用法如下：

这个group是13.1中设置的

13.4 apply()

定义一个函数，进行回调。
例子为找到每个公司中年纪最大的信息

14. 删除重复值

先构造一个df

14.1duplicated()

查看是否重复的bool数组

14.2.drop_duplicates()

删除重复元素，默认是保留第一个

还可以保留最后一个，加上一个keep='last’的参数

14.3.针对某一列删除重复元素

这样列上也没有重复了，而且是按照最后一个保留

15 轴

轴按照官方的解释是
axis=0表示从行的方向从左到右，从上倒下

axis=1表示从列的方向从上到下，从左到右

这个轴的概念怎么说的都有，众说芸芸，我的见解是这样的。
axis=0代表行
axis=1代表列

以axis=0为例子
当执行计算平均数、求和等方法的时候，他的结果是把一个二维表格变成一个一维数据（例子中，吧三行四列的数组变成了一行四列），也就是说将数据向行方向降维（多行变一行）。

列方向的例子

---

总结

这就是pandas 的全部教程啦，本文篇幅较长，包括了最基础的pandas的应用，道友们可以作为参考！
要是想进一步了解pandas的用法建议还是多动手，实战中才能真正的进步。

也许会很累，但是也不要忘记周围的美景，春末夏初，路边的柳树早已长出来枝芽。

把酒祝东风，且共从容，道友，加油！！！