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。文章源自玩技e族-https://www.playezu.com/12427.html

入门介绍

pandas适合于许多不同类型的数据，包括：文章源自玩技e族-https://www.playezu.com/12427.html

• 具有异构类型列的表格数据，例如SQL表格或Excel数据文章源自玩技e族-https://www.playezu.com/12427.html

• 有序和无序（不一定是固定频率）时间序列数据。文章源自玩技e族-https://www.playezu.com/12427.html

• 具有行列标签的任意矩阵数据（均匀类型或不同类型）文章源自玩技e族-https://www.playezu.com/12427.html

• 任何其他形式的观测/统计数据集。文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

关于如何获取pandas请参阅官网上的说明：pandas Installation。文章源自玩技e族-https://www.playezu.com/12427.html

通常情况下，我们可以通过pip来执行安装：文章源自玩技e族-https://www.playezu.com/12427.html

sudo pip3 install pandas文章源自玩技e族-https://www.playezu.com/12427.html

或者通过conda 来安装pandas：

conda install pandas

目前（2018年2月）pandas的最新版本是v0.22.0（发布时间：2017年12月29日）。

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    1

1    2

2    3

3    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   3

0   0   1   2   3

1   4   5   6   7

2   8   9  10  11

3  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    7

0    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    1

1    D     Tue    2

2    E     Wed    3

3    F     Thu    4

4    G     Fri    5

5    A     Sat    6

6    B     Sun    7

 

df3:

  note  No.

0    C    1

1    D    2

2    E    3

3    F    4

4    G    5

5    A    6

6    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.columnsn{}n".format(df3.columns))

print("df3.indexn{}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 (tm) 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 pd

import 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     3

0   1.0 NaN   3.0   4.0

1   5.0 NaN   NaN   8.0

2   9.0 NaN   NaN  12.0

3  13.0 NaN  15.0  16.0

 

df:

       0     1      2      3

0  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 DataFrame

Columns: [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     3

0   1.0   3.0   4.0

1   5.0   NaN   8.0

2   9.0   NaN  12.0

3  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  col4

index1   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     1

1    2

2    3

3     4

4     5

dtype: object

 

s1.str.strip():

0    1

1    2

2    3

3    4

4    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 watchtower

dtype: object

 

s2.str.upper():

0          STAIRWAY TO HEAVEN

1                    ERUPTION

2                    FREEBIRD

3            COMFORTABLY NUMB

4    ALL ALONG THE WATCHTOWER

dtype: 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

之类的高级功能，以后有机会我们再来一起学习。

读者也可以根据下面的链接获取更多的知识。

参考资料与推荐读物

• pandas官方网站

• Python for Data Analysis

• Pandas Tutorial: Data analysis with Python: Part 1