Pandas 简介

学习目标：

• 大致了解 pandas 库的 DataFrame 和 Series 数据结构
• 存取和处理 DataFrame 和 Series 中的数据
• 将 CSV 数据导入 pandas 库的 DataFrame
• 对 DataFrame 重建索引来随机打乱数据

 

 

基本概念

以下行导入了 pandas API 并输出了相应的 API 版本：

In [6]:

from __future__ import print_function

import pandas as pd

%matplotlib inline

pd.__version__

 

Out[6]:

'0.23.0'

pandas 中的主要数据结构被实现为以下两类：

• DataFrame，您可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。
• Series，它是单一列。DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称。

数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。

创建 Series 的一种方法是构建 Series 对象。例如：

In [33]:

pd.Series(['San Francisco', 'San Jose', 'Sacramento'])

Out[33]:

0    San Francisco
1         San Jose
2       Sacramento
dtype: object

 

您可以将映射 string 列名称的 dict 传递到它们各自的 Series，从而创建DataFrame对象。如果 Series 在长度上不一致，系统会用特殊的 NA/NaN 值填充缺失的值。例如：

In [9]:

city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])

population = pd.Series([852469, 1015785, 485199]

pd.DataFrame({ 'City name': city_names, 'Population': population })

 

Out[9]:

但是在大多数情况下，您需要将整个文件加载到 DataFrame 中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据，并创建特征定义：

In [3]:

 

california_housing_dataframe = pd.read_csv
("https://download.mlcc.google.cn/mledu-datasets/california_housing_train.csv", sep=",")

california_housing_dataframe.describe()

 

Out[3]:

 

 

 

上面的示例使用 DataFrame.describe 来显示关于 DataFrame 的有趣统计信息。另一个实用函数是 DataFrame.head，它显示 DataFrame 的前几个记录：

In [4]:

 

california_housing_dataframe.head()

 

Out[4]:

 

 

 

pandas 的另一个强大功能是绘制图表。例如，借助 DataFrame.hist，您可以快速了解一个列中值的分布：

In [7]:

 

california_housing_dataframe.hist('housing_median_age')

 #需要绘制图表，要在In[6]加入%matplotlib inline

Out[7]:

array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000002095651EC88>]],
      dtype=object)

 

 

访问数据

您可以使用熟悉的 Python dict/list 指令访问 DataFrame 数据：

In [10]:

 

cities = pd.DataFrame({ 'City name': city_names, 'Population': population })

print(type(cities['City name']))

cities['City name']

<class 'pandas.core.series.Series'>

Out[10]:

0    San Francisco
1         San Jose
2       Sacramento
Name: City name, dtype: object

In [11]:

 

print(type(cities['City name'][1]))

cities['City name'][1]

<class 'str'>

Out[11]:

'San Jose'

In [12]

print(type(cities[0:2]))

cities[0:2]

<class 'pandas.core.frame.DataFrame'>

Out[12]:

 

此外，pandas 针对高级索引和选择提供了极其丰富的 API（数量过多，此处无法逐一列出）。

操控数据

您可以向 Series 应用 Python 的基本运算指令。例如：

In [13]:

population / 1000. 

Out[13]:

0     852.469
1    1015.785
2     485.199
dtype: float64

NumPy 是一种用于进行科学计算的常用工具包。pandas Series 可用作大多数 NumPy 函数的参数：

In [14]:

import numpy as np

np.log(population)

 

Out[14]:

0    13.655892
1    13.831172
2    13.092314
dtype: float64

对于更复杂的单列转换，您可以使用 Series.apply。像 Python 映射函数一样，Series.apply 将以参数形式接受 lambda 函数，而该函数会应用于每个值。

下面的示例创建了一个指明 population 是否超过 100 万的新 Series：

In [15]:

 

population.apply(lambda val: val > 1000000)

 

Out[15]:

0    False
1     True
2    False
dtype: bool

DataFrames 的修改方式也非常简单。例如，以下代码向现有 DataFrame 添加了两个 Series：

In [16]:

cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])

cities['Population density'] = cities['Population'] / cities['Area square miles']

cities

 

Out[16]:

	City name	Population	Area square miles	Population density
0	San Francisco	852469	46.87	18187.945381
1	San Jose	1015785	176.53	5754.177760
2	Sacramento	485199	97.92	4955.055147

 

练习 1

通过添加一个新的布尔值列（当且仅当以下两项均为 True 时为 True）修改 cities 表格：

• 城市以圣人命名。
• 城市面积大于 50 平方英里。

注意：布尔值 Series 是使用“按位”而非传统布尔值“运算符”组合的。例如，执行逻辑与时，应使用 &，而不是 and。

提示："San" 在西班牙语中意为 "saint"。

In [23]:

 

# Your code here

cities['Zong he'] = cities['City name'].apply(lambda nam:nam.startswith('San'))  & (cities['Area square miles']>50)

cities

 

Out[23]:

	City name	Population	Area square miles	Population density	Zong he
0	San Francisco	852469	46.87	18187.945381	False
1	San Jose	1015785	176.53	5754.177760	True
2	Sacramento	485199	97.92	4955.055147	False

 

 

索引

Series 和 DataFrame 对象也定义了 index 属性，该属性会向每个 Series 项或 DataFrame 行赋一个标识符值。

默认情况下，在构造时，pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的；也就是说，它们不会因为数据重新排序而发生改变。

In [24]:

city_names.index

 

Out[24]:

RangeIndex(start=0, stop=3, step=1)

In [25]:

cities.index

 

Out[25]:

RangeIndex(start=0, stop=3, step=1)

调用 DataFrame.reindex 以手动重新排列各行的顺序。例如，以下方式与按城市名称排序具有相同的效果：

In [26]:

cities.reindex([2, 0, 1])

 

Out[26]:

	City name	Population	Area square miles	Population density	Zong he
2	Sacramento	485199	97.92	4955.055147	False
0	San Francisco	852469	46.87	18187.945381	False
1	San Jose	1015785	176.53	5754.177760	True

 

重建索引是一种随机排列 DataFrame 的绝佳方式。在下面的示例中，我们会取用类似数组的索引，然后将其传递至 NumPy 的 random.permutation 函数，该函数会随机排列其值的位置。

如果使用此重新随机排列的数组调用 reindex，会导致 DataFrame 行以同样的方式随机排列。 尝试多次运行以下单元格！

In [30]:

 

cities.reindex(np.random.permutation(cities.index))

 

 

Out[30]:

	City name	Population	Area square miles	Population density	Zong he
2	Sacramento	485199	97.92	4955.055147	False
0	San Francisco	852469	46.87	18187.945381	False
1	San Jose	1015785	176.53	5754.177760	True

 

有关详情，请参阅索引文档。

练习 2

reindex 方法允许使用未包含在原始 DataFrame 索引值中的索引值。请试一下，看看如果使用此类值会发生什么！您认为允许此类值的原因是什么？

In [31]：

# Your code here

cities.reindex([3,1,2])

Out[31]:

	City name	Population	Area square miles	Population density	Zong he
3	NaN	NaN	NaN	NaN	NaN
1	San Jose	1015785.0	176.53	5754.177760	True
2	Sacramento	485199.0	97.92	4955.055147	False

 

解决方案

点击下方，查看解决方案。

如果您的 reindex 输入数组包含原始 DataFrame 索引值中没有的值，reindex 会为此类“丢失的”索引添加新行，并在所有对应列中填充 NaN 值：

In [32]:

cities.reindex([0, 4, 5, 2])

 

Out[32]:

	City name	Population	Area square miles	Population density	Zong he
0	San Francisco	852469.0	46.87	18187.945381	False
4	NaN	NaN	NaN	NaN	NaN
5	NaN	NaN	NaN	NaN	NaN
2	Sacramento	485199.0	97.92	4955.055147	False

 

这种行为是可取的，因为索引通常是从实际数据中提取的字符串（请参阅 pandas reindex 文档，查看索引值是浏览器名称的示例）。

在这种情况下，如果允许出现“丢失的”索引，您将可以轻松使用外部列表重建索引，因为您不必担心会将输入清理掉。