Pandas教程

選自 towardsdatascience

作者：Félix Revert

機(jī)器之心編譯

Pandas 是為了解決數(shù)據(jù)分析任務(wù)而創(chuàng)建的一種基于 NumPy 的工具包，囊括了許多其他工具包的功能，具有易用、直觀、快速等優(yōu)點(diǎn)。要想成為一名高效的數(shù)據(jù)科學(xué)家，不會(huì) Pandas 怎么行？

Python 是開源的，它很棒，但是也無(wú)法避免開源的一些固有問(wèn)題：很多包都在做（或者在嘗試做）同樣的事情。如果你是 Python 新手，那么你很難知道某個(gè)特定任務(wù)的最佳包是哪個(gè)，你需要有經(jīng)驗(yàn)的人告訴你。有一個(gè)用于數(shù)據(jù)科學(xué)的包絕對(duì)是必需的，它就是 pandas。

pandas 最有趣的地方在于里面隱藏了很多包。它是一個(gè)核心包，里面有很多其他包的功能。這點(diǎn)很棒，因?yàn)槟阒恍枰褂?pandas 就可以完成工作。

pandas 相當(dāng)于 python 中 excel：它使用表（也就是 dataframe)，能在數(shù)據(jù)上做各種變換，但還有其他很多功能。

如果你早已熟知 python 的使用，可以直接跳到第三段。

讓我們開始吧：

import pandas as pd

別問(wèn)為什么是「pd」而不是「p」，就是這樣。用就行了:)

pandas 最基本的功能

讀取數(shù)據(jù)

data = pd.read_csv( my_file.csv )
data = pd.read_csv( my_file.csv , sep= ; , encoding= latin-1 , nrows=1000, skiprows=[2,5])

sep 代表的是分隔符。如果你在使用法語(yǔ)數(shù)據(jù)，excel 中 csv 分隔符是「;」，因此你需要顯式地指定它。編碼設(shè)置為 latin-1 來(lái)讀取法語(yǔ)字符。nrows=1000 表示讀取前 1000 行數(shù)據(jù)。skiprows=[2,5] 表示你在讀取文件的時(shí)候會(huì)移除第 2 行和第 5 行。

• 最常用的功能：read_csv, read_excel

• 其他一些很棒的功能：read_clipboard, read_sql

寫數(shù)據(jù)

data.to_csv( my_new_file.csv , index=None)

index=None 表示將會(huì)以數(shù)據(jù)本來(lái)的樣子寫入。如果沒有寫 index=None，你會(huì)多出一個(gè)第一列，內(nèi)容是 1，2，3，...，一直到最后一行。

我通常不會(huì)去使用其他的函數(shù)，像.to_excel, .to_json, .to_pickle 等等，因?yàn)?to_csv 就能很好地完成工作，并且 csv 是最常用的表格保存方式。

檢查數(shù)據(jù)

Gives (#rows, #columns)

給出行數(shù)和列數(shù)

data.describe()

計(jì)算基本的統(tǒng)計(jì)數(shù)據(jù)

查看數(shù)據(jù)

data.head(3)

打印出數(shù)據(jù)的前 3 行。與之類似，.tail() 對(duì)應(yīng)的是數(shù)據(jù)的最后一行。

data.loc[8]

打印出第八行

data.loc[8,  column_1 ]

打印第八行名為「column_1」的列

data.loc[range(4,6)]

第四到第六行（左閉右開）的數(shù)據(jù)子集

pandas 的基本函數(shù)

邏輯運(yùn)算

data[data[ column_1 ]== french ]
data[(data[ column_1 ]== french ) & (data[ year_born ]==1990)]
data[(data[ column_1 ]== french ) & (data[ year_born ]==1990) & ~(data[ city ]== London )]

通過(guò)邏輯運(yùn)算來(lái)取數(shù)據(jù)子集。要使用 & (AND)、 ~ (NOT) 和 | (OR)，必須在邏輯運(yùn)算前后加上「and」。

data[data[ column_1 ].isin([ french ,  english ])]

除了可以在同一列使用多個(gè) OR，你還可以使用.isin() 函數(shù)。

基本繪圖

matplotlib 包使得這項(xiàng)功能成為可能。正如我們?cè)诮榻B中所說(shuō)，它可以直接在 pandas 中使用。

data[ column_numerical ].plot()

（）.plot() 輸出的示例

data[ column_numerical ].hist()

畫出數(shù)據(jù)分布（直方圖）

.hist() 輸出的示例

%matplotlib inline

如果你在使用 Jupyter，不要忘記在畫圖之前加上以上代碼。

更新數(shù)據(jù)

data.loc[8,  column_1 ] =  english
將第八行名為 column_1 的列替換為「english」

data.loc[data[ column_1 ]== french ,  column_1 ] =  French

在一行代碼中改變多列的值

好了，現(xiàn)在你可以做一些在 excel 中可以輕松訪問(wèn)的事情了。下面讓我們深入研究 excel 中無(wú)法實(shí)現(xiàn)的一些令人驚奇的操作吧。

中級(jí)函數(shù)

統(tǒng)計(jì)出現(xiàn)的次數(shù)

data[ column_1 ].value_counts()

.value_counts() 函數(shù)輸出示例

在所有的行、列或者全數(shù)據(jù)上進(jìn)行操作

data[ column_1 ].map(len)

len() 函數(shù)被應(yīng)用在了「column_1」列中的每一個(gè)元素上

.map() 運(yùn)算給一列中的每一個(gè)元素應(yīng)用一個(gè)函數(shù)

data[ column_1 ].map(len).map(lambda x: x/100).plot()

pandas 的一個(gè)很好的功能就是鏈?zhǔn)椒椒?/em>（https://tomaugspurger.github.io/method-chaining）。它可以幫助你在一行中更加簡(jiǎn)單、高效地執(zhí)行多個(gè)操作（.map() 和.plot()）。

data.apply(sum)

.apply() 會(huì)給一個(gè)列應(yīng)用一個(gè)函數(shù)。

.applymap() 會(huì)給表 (DataFrame) 中的所有單元應(yīng)用一個(gè)函數(shù)。

tqdm, 唯一的

在處理大規(guī)模數(shù)據(jù)集時(shí)，pandas 會(huì)花費(fèi)一些時(shí)間來(lái)進(jìn)行.map()、.apply()、.applymap() 等操作。tqdm 是一個(gè)可以用來(lái)幫助預(yù)測(cè)這些操作的執(zhí)行何時(shí)完成的包（是的，我說(shuō)謊了，我之前說(shuō)我們只會(huì)使用到 pandas）。

from tqdm import tqdm_notebook
tqdm_notebook().pandas()

用 pandas 設(shè)置 tqdm

data[ column_1 ].progress_map(lambda x: x.count( e ))

用 .progress_map() 代替.map()、.apply() 和.applymap() 也是類似的。

在 Jupyter 中使用 tqdm 和 pandas 得到的進(jìn)度條

相關(guān)性和散射矩陣

data.corr()
data.corr().applymap(lambda x: int(x*100)/100)

.corr() 會(huì)給出相關(guān)性矩陣

pd.plotting.scatter_matrix(data, figsize=(12,8))

散點(diǎn)矩陣的例子。它在同一幅圖中畫出了兩列的所有組合。

pandas 中的高級(jí)操作

The SQL 關(guān)聯(lián)

在 pandas 中實(shí)現(xiàn)關(guān)聯(lián)是非常非常簡(jiǎn)單的

data.merge(other_data, on=[ column_1 ,  column_2 ,  column_3 ])

關(guān)聯(lián)三列只需要一行代碼

分組

一開始并不是那么簡(jiǎn)單，你首先需要掌握語(yǔ)法，然后你會(huì)發(fā)現(xiàn)你一直在使用這個(gè)功能。

data.groupby( column_1 )[ column_2 ].apply(sum).reset_index()

按一個(gè)列分組，選擇另一個(gè)列來(lái)執(zhí)行一個(gè)函數(shù)。.reset_index() 會(huì)將數(shù)據(jù)重構(gòu)成一個(gè)表。

正如前面解釋過(guò)的，為了優(yōu)化代碼，在一行中將你的函數(shù)連接起來(lái)。

行迭代

dictionary = {}

for i,row in data.iterrows():
 dictionary[row[ column_1 ]] = row[ column_2 ]

.iterrows() 使用兩個(gè)變量一起循環(huán)：行索引和行的數(shù)據(jù) (上面的 i 和 row)

總而言之，pandas 是 python 成為出色的編程語(yǔ)言的原因之一

我本可以展示更多有趣的 pandas 功能，但是已經(jīng)寫出來(lái)的這些足以讓人理解為何數(shù)據(jù)科學(xué)家離不開 pandas。總結(jié)一下，pandas 有以下優(yōu)點(diǎn)：

• 易用，將所有復(fù)雜、抽象的計(jì)算都隱藏在背后了；

• 直觀；

• 快速，即使不是最快的也是非?？斓?。

它有助于數(shù)據(jù)科學(xué)家快速讀取和理解數(shù)據(jù)，提高其工作效率。

原文鏈接：https://towardsdatascience.com/be-a-more-efficient-data-scientist-today-master-pandas-with-this-guide-ea362d27386

看完本文有收獲？請(qǐng)轉(zhuǎn)發(fā)分享給更多人

你想成為數(shù)據(jù)人才嗎？你要找數(shù)據(jù)工作嗎？

關(guān)注「數(shù)據(jù)人才」，找滿意數(shù)據(jù)工作

我們創(chuàng)建了Python語(yǔ)言交流群，

請(qǐng)掃碼下方二維碼

備注：姓名-Python，邀請(qǐng)你加入群