人工智能科学计算库—Pandas教程

1.0 Pandas简介

Pandas 是 Python 语言的一个扩展程序库，用于数据分析。

​   Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。

​   Pandas 名字衍生自术语 “panel data”（面板数据）和 “Python data analysis”（Python 数据分析）。

​   Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）。

​   Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。

​   Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。

pandas应用

​   Pandas 的主要数据结构是 Series （一维数据）与 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。

数据结构

​   Series 是一种类似于一维数组的对象，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。

​   DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

2.0 Pandas安装

使用 pip 安装 pandas:

pip install pandas
1

安装成功后，我们就可以导入 pandas 包使用：

import pandas
1

实例 - 查看 pandas 版本

import pandas
pandas.__version__  # 查看版本
'1.1.5'
1
2
3

导入 pandas 一般使用别名 pd 来代替：

import pandas as pd
1

实例 - 查看 pandas 版本

 import pandas as pd
 pd.__version__  # 查看版本
 '1.1.5'
1
2
3

一个简单的 pandas 实例：

使用测试

import pandas as pd

mydataset = {
 'sites': ["Google", "Runoob", "Wiki"],
 'number': [1, 2, 3]
}

myvar = pd.DataFrame(mydataset)

print(myvar)
1
2
3
4
5
6
7
8
9
10

执行以上代码，输出结果为：

2.0数据结构 - Series

  Pandas Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。

  Series 由索引（index）和列组成，函数如下：

pandas.Series( data, index, dtype, name, copy)
1

参数说明：

• data：一组数据(ndarray 类型)。
• index：数据索引标签，如果不指定，默认从 0 开始。
• dtype：数据类型，默认会自己判断。
• name：设置名称。
• copy：拷贝数据，默认为 False。

测试一：创建一个简单的 Series 实例：

import pandas as pd

a = [1, 2, 3]

myvar = pd.Series(a)

print(myvar)
1
2
3
4
5
6
7

  运行结果为：第一列为索引，第二列为数据，最后一行为数据类型

测试二：根据索引输出数据的值

import pandas as pd

a = [1, 2, 3]

myvar = pd.Series(a)

print(myvar[1])
1
2
3
4
5
6
7

  运行结果输出为：2

测试三：指定索引

import pandas as pd

a = ["Google", "Runoob", "Wiki"]

myvar = pd.Series(a, index = ["x", "y", "z"])

print(myvar)
1
2
3
4
5
6
7

测试四：根据索引值读取数据

import pandas as pd

a = ["Google", "Runoob", "Wiki"]

myvar = pd.Series(a, index = ["x", "y", "z"])

print(myvar["y"])
1
2
3
4
5
6
7

测试五：使用 key/value 对象，类似字典来创建 Series

import pandas as pd

sites = {1: "Google", 2: "Runoob", 3: "Wiki"}

myvar = pd.Series(sites)

print(myvar)
1
2
3
4
5
6
7

测试六：只需要字典中的一部分数据，只需要指定需要数据的索引即可

import pandas as pd

sites = {1: "Google", 2: "Runoob", 3: "Wiki"}

myvar = pd.Series(sites, index = [1, 2])

print(myvar)
1
2
3
4
5
6
7

测试七：设置 Series 名称参数

import pandas as pd

sites = {1: "Google", 2: "Runoob", 3: "Wiki"}

myvar = pd.Series(sites, index = [1, 2], name="RUNOOB-Series-TEST" )

print(myvar)
1
2
3
4
5
6
7

3.0数据结构 - DataFrame

​   DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

DataFrame 构造方法

pandas.DataFrame( data, index, columns, dtype, copy)
1

参数说明：

• data：一组数据(ndarray、series, map, lists, dict 等类型)。
• index：索引值，或者可以称为行标签。
• columns：列标签，默认为 RangeIndex (0, 1, 2, …, n) 。
• dtype：数据类型。
• copy：拷贝数据，默认为 False。

测试一：列表创建

import pandas as pd

data = [['Google',10],['Runoob',12],['Wiki',13]]

df = pd.DataFrame(data,columns=['Site','Age'],dtype=float)

print(df)
1
2
3
4
5
6
7

测试二：使用ndarrays创建

import pandas as pd

data = {'Site':['Google', 'Runoob', 'Wiki'], 'Age':[10, 12, 13]}

df = pd.DataFrame(data)

print (df)
1
2
3
4
5
6
7

测试三：使用字典创建

import pandas as pd

data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]

df = pd.DataFrame(data)

print (df)
1
2
3
4
5
6
7

没有对应的部分数据为 NaN。

测试四：使用 loc 属性返回指定行的数据

import pandas as pd

data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}

# 数据载入到 DataFrame 对象
df = pd.DataFrame(data)

# 返回第一行
print(df.loc[0])
# 返回第二行
print(df.loc[1])
1
2
3
4
5
6
7
8
9
10
11
12
13
14

测试五：返回多行数据

import pandas as pd

data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}

# 数据载入到 DataFrame 对象
df = pd.DataFrame(data)

# 返回第一行和第二行
print(df.loc[[0, 1]])
1
2
3
4
5
6
7
8
9
10
11
12

测试六：指定索引值

import pandas as pd

data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}

df = pd.DataFrame(data, index = ["day1", "day2", "day3"])

print(df)
1
2
3
4
5
6
7
8
9
10

测试七：通过索引值返回某一行

import pandas as pd

data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}

df = pd.DataFrame(data, index = ["day1", "day2", "day3"])

# 指定索引
print(df.loc["day2"])
1
2
3
4
5
6
7
8
9
10
11

4.0Pandas CSV

下载数据集：点击获取

测试一:数据查看

import pandas as pd

df = pd.read_csv('nba.csv')

print(df.to_string())
1
2
3
4
5

  to_string() 用于返回 DataFrame 类型的数据，如果不使用该函数，则输出结果为数据的前面 5 行和末尾 5 行，中间部分以 … 代替。

测试二：将数据存储为csv文件

import pandas as pd
   
# 三个字段 name, site, age
nme = ["Google", "Runoob", "Taobao", "Wiki"]
st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"]
ag = [90, 40, 80, 98]
   
# 字典
dict = {'name': nme, 'site': st, 'age': ag}
     
df = pd.DataFrame(dict)
 
# 保存 dataframe
df.to_csv('site.csv')
1
2
3
4
5
6
7
8
9
10
11
12
13
14

测试三：head( n ) 方法用于读取前面的 n 行，如果不填参数 n ，默认返回 5 行。

import pandas as pd

df = pd.read_csv('nba.csv')

print(df.head())
1
2
3
4
5

测试四：tail读取尾部的 n 行

import pandas as pd

df = pd.read_csv('nba.csv')

print(df.tail())
1
2
3
4
5

测试五：info() 方法返回表格的一些基本信息

import pandas as pd

df = pd.read_csv('nba.csv')

print(df.info())
1
2
3
4
5

5.0Pandas JSON

​    JSON（JavaScript Object Notation，JavaScript 对象表示法），是存储和交换文本信息的语法，类似XML。

​    JSON 比 XML 更小、更快，更易解析，更多 JSON 内容可以参考 JSON 教程。

​    Pandas 可以很方便的处理 JSON 数据，本文以 sites.json 为例，内容如下：

  测试一：返回 DataFrame 类型的数据，我们也可以直接处理 JSON 字符串

import pandas as pd

data =[
    {
      "id": "A001",
      "name": "菜鸟教程",
      "url": "www.runoob.com",
      "likes": 61
    },
    {
      "id": "A002",
      "name": "Google",
      "url": "www.google.com",
      "likes": 124
    },
    {
      "id": "A003",
      "name": "淘宝",
      "url": "www.taobao.com",
      "likes": 45
    }
]
df = pd.DataFrame(data)

print(df)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

测试二：将 Python 字典转化为 DataFrame 数据

import pandas as pd


# 字典格式的 JSON                                                                                              
s = {
    "col1":{"row1":1,"row2":2,"row3":3},
    "col2":{"row1":"x","row2":"y","row3":"z"}
}

# 读取 JSON 转为 DataFrame                                                                                          
df = pd.DataFrame(s)
print(df)
1
2
3
4
5
6
7
8
9
10
11
12

6.0Pandas 数据清洗

数据集快速下载： property-data.csv

​   数据清洗是对一些没有用的数据进行处理的过程。

​   很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要对使数据分析更加准确，就需要对这些没有用的数据进行处理。

  表中包含了四种空数据：

• n/a
• NA
• —
• na

Pandas 清洗空值

如果我们要删除包含空字段的行，可以使用 dropna() 方法，语法格式如下：

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
1

参数说明：

• axis：默认为 0，表示逢空值剔除整行，如果设置参数 axis＝1 表示逢空值去掉整列。
• how：默认为 ‘any’ 如果一行（或一列）里任何一个数据有出现 NA 就去掉整行，如果设置 how=‘all’ 一行（或列）都是 NA 才去掉这整行。
• thresh：设置需要多少非空值的数据才可以保留下来的。
• subset：设置想要检查的列。如果是多个列，可以使用列名的 list 作为参数。
• inplace：如果设置 True，将计算得到的值直接覆盖之前的值并返回 None，修改的是源数据。

我们可以通过 isnull() 判断各个单元格是否为空。

测试一：判断数据是否为空

import pandas as pd

df = pd.read_csv('property-data.csv')

print(df['NUM_BEDROOMS'])
print(df['NUM_BEDROOMS'].isnull())
1
2
3
4
5
6

以上实例输出结果如下：

​   以上例子中我们看到 Pandas 把 n/a 和 NA 当作空数据，na 不是空数据，不符合我们要求，我们可以指定空数据类型：

测试二：指定空数据类型

import pandas as pd

missing_values = ["n/a", "na", "--"]
df = pd.read_csv('property-data.csv', na_values = missing_values)

print (df['NUM_BEDROOMS'])
print (df['NUM_BEDROOMS'].isnull())
1
2
3
4
5
6
7

  以上实例输出结果如下：

测试三：删除包含空数据的行并对行数据进行输出

import pandas as pd

df = pd.read_csv('property-data.csv')

new_df = df.dropna()

print(new_df.to_string())
1
2
3
4
5
6
7

以上实例输出结果如下：

  注意：默认情况下，dropna() 方法返回一个新的 DataFrame，不会修改源数据。

  如果你要修改源数据 DataFrame, 可以使用 inplace = True 参数:

  测试四：修改源数据 DataFrame, 可以使用 inplace = True参数:

import pandas as pd

df = pd.read_csv('property-data.csv')

df.dropna(inplace = True)

print(df.to_string())
1
2
3
4
5
6
7

  测试五：我们也可以移除指定列有空值的行

  移除 ST_NUM 列中字段值为空的行：

import pandas as pd

df = pd.read_csv('property-data.csv')

df.dropna(subset=['ST_NUM'], inplace = True)

print(df.to_string())
1
2
3
4
5
6
7

以上实例输出结果如下：

我们也可以 fillna() 方法来替换一些空字段：

测试六：使用 12345 替换空字段：

import pandas as pd

df = pd.read_csv('property-data.csv')

df.fillna(12345, inplace = True)

print(df.to_string())
1
2
3
4
5
6
7

以上实例输出结果如下：

我们也可以指定某一个列来替换数据：

测试七：使用 12345 替换 PID 为空数据

import pandas as pd

df = pd.read_csv('property-data.csv')

df['PID'].fillna(12345, inplace = True)

print(df.to_string())
1
2
3
4
5
6
7

以上实例输出结果如下：

  替换空单元格的常用方法是计算列的均值、中位数值或众数。

  Pandas使用 mean()、median() 和 mode() 方法计算列的均值（所有值加起来的平均值）、中位数值（排序后排在中间的数）和众数（出现频率最高的数）。

测试八：使用 mean() 方法计算列的均值并替换空单元格

import pandas as pd

df = pd.read_csv('property-data.csv')

x = df["ST_NUM"].mean()

df["ST_NUM"].fillna(x, inplace = True)

print(df.to_string())
1
2
3
4
5
6
7
8
9

以上实例输出结果如下，红框为计算的均值替换来空单元格：

测试九：使用 median() 方法计算列的中位数并替换空单元格：

import pandas as pd

df = pd.read_csv('property-data.csv')

x = df["ST_NUM"].median()

df["ST_NUM"].fillna(x, inplace = True)

print(df.to_string())
1
2
3
4
5
6
7
8
9

以上实例输出结果如下，红框为计算的中位数替换来空单元格：

测试十：使用 mode() 方法计算列的众数并替换空单元格：

import pandas as pd

df = pd.read_csv('property-data.csv')

x = df["ST_NUM"].mode()

df["ST_NUM"].fillna(x, inplace = True)

print(df.to_string())
1
2
3
4
5
6
7
8
9

以上实例输出结果如下，红框为计算的众数替换来空单元格：

---

Pandas 清洗格式错误数据

  数据格式错误的单元格会使数据分析变得困难，甚至不可能。

  我们可以通过包含空单元格的行，或者将列中的所有单元格转换为相同格式的数据。

测试十一：格式化日期：

import pandas as pd

# 第三个日期格式错误
data = {
 "Date": ['2020/12/01', '2020/12/02' , '20201226'],
 "duration": [50, 40, 45]
}

df = pd.DataFrame(data, index = ["day1", "day2", "day3"])

df['Date'] = pd.to_datetime(df['Date'])

print(df.to_string())
1
2
3
4
5
6
7
8
9
10
11
12
13

以上实例输出结果如下：

           Date  duration
day1 2020-12-01        50
day2 2020-12-02        40
day3 2020-12-26        45
1
2
3
4

数据错误也是很常见的情况，我们可以对错误的数据进行替换或移除。

测试十二：替换错误年龄的数据：

import pandas as pd

person = {
 "name": ['Google', 'Runoob' , 'Taobao'],
 "age": [50, 40, 12345]   # 12345 年龄数据是错误的
}

df = pd.DataFrame(person)

df.loc[2, 'age'] = 30 # 修改数据

print(df.to_string())
1
2
3
4
5
6
7
8
9
10
11
12

以上实例输出结果如下：

     name  age
0  Google   50
1  Runoob   40
2  Taobao   30
1
2
3
4

也可以设置条件语句：

测试十三：将 age 大于 120 的设置为 120

import pandas as pd

person = {
 "name": ['Google', 'Runoob' , 'Taobao'],
 "age": [50, 200, 12345]   
}

df = pd.DataFrame(person)

for x in df.index:
 if df.loc[x, "age"] > 120:
  df.loc[x, "age"] = 120

print(df.to_string())
1
2
3
4
5
6
7
8
9
10
11
12
13
14

     name  age
0  Google   50
1  Runoob  120
2  Taobao  120
1
2
3
4

测试十四：将 age 大于 120 的删除

import pandas as pd

person = {
 "name": ['Google', 'Runoob' , 'Taobao'],
 "age": [50, 40, 12345]   # 12345 年龄数据是错误的
}

df = pd.DataFrame(person)

for x in df.index:
 if df.loc[x, "age"] > 120:
  df.drop(x, inplace = True)

print(df.to_string())
1
2
3
4
5
6
7
8
9
10
11
12
13
14

     name  age
0  Google   50
1  Runoob   40
1
2
3

Pandas 清洗重复数据

  如果我们要清洗重复数据，可以使用 duplicated() 和 drop_duplicates() 方法。

  如果对应的数据是重复的，duplicated() 会返回 True，否则返回 False。

测试十五：判断是否有重复值

import pandas as pd

person = {
 "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
 "age": [50, 40, 40, 23] 
}
df = pd.DataFrame(person)

print(df.duplicated())
1
2
3
4
5
6
7
8
9

0    False
1    False
2     True
3    False
dtype: bool
1
2
3
4
5

测试十六：删除重复数据

import pandas as pd

persons = {
 "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
 "age": [50, 40, 40, 23] 
}

df = pd.DataFrame(persons)

df.drop_duplicates(inplace = True)
print(df)
1
2
3
4
5
6
7
8
9
10
11

     name  age
0  Google   50
1  Runoob   40
3  Taobao   23
1
2
3
4