【十分钟Python知识点】pandas最详细教程
pandas 最有趣的地方在于里面隐藏了很多包。它是一个核心包，里面有很多其他包的功能。这点很棒，因为你只需要使用 pandas 就可以完成工作。pandas 相当于 python 中 excel：它使用表（也就是 dataframe)，能在数据上做各种变换，但还有其他很多功能。
如果你早已熟知 python 的使用，可以直接跳到第三段。
让我们开始吧：[code]import pandas as pd[/code]问为什么是「pd」而不是「p」，就是这样。用就行了:)
pandas 最基本的功能
读取数据[code]data = pd.read_csv( my_file.csv )
data = pd.read_csv( my_file.csv , sep= ; , encoding= latin-1 , nrows=1000, skiprows=[2,5])[/code]sep 代表的是分隔符。如果你在使用法语数据，excel 中 csv 分隔符是「;」，因此你需要显式地指定它。编码设置为 latin-1 来读取法语字符。nrows=1000 表示读取前 1000 行数据。skiprows=[2,5] 表示你在读取文件的时候会移除第 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
写数据[code]data.to_csv( my_new_file.csv , index=None)[/code]index=None 表示将会以数据本来的样子写入。如果没有写 index=None，你会多出一个第一列，内容是 1，2，3，...，一直到最后一行。
我通常不会去使用其他的函数，像.to_excel, .to_json, .to_pickle 等等，因为.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。
检查数据
[img]http://p.algo2.net/2024/0306/b8ab96ead098a.jpg[/img][code]Gives (#rows, #columns)[/code]给出行数和列数[code]data.describe()[/code]计算基本的统计数据
查看数据[code]data.head(3)[/code]打印出数据的前 3 行。与之类似，.tail() 对应的是数据的最后一行。[code]data.loc[8][/code]打印出第八行[code]data.loc[8, column_1 ][/code]打印第八行名为「column_1」的列[code]data.loc[range(4,6)][/code]第四到第六行（左闭右开）的数据子集
pandas 的基本函数
逻辑运算[code]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 )][/code]通过逻辑运算来取数据子集。要使用 & (AND)、 ~ (NOT) 和 | (OR)，必须在逻辑运算前后加上「and」。[code]data[data[ column_1 ].isin([ french , english ])][/code]除了可以在同一列使用多个 OR，你还可以使用.isin() 函数。
基本绘图
matplotlib 包使得这项功能成为可能。正如我们在介绍中所说，它可以直接在 pandas 中使用。[code]data[ column_numerical ].plot()[/code][img]http://p.algo2.net/2024/0306/3a7023843ae86.png[/img]
（）.plot() 输出的示例[code]data[ column_numerical ].hist()[/code]画出数据分布（直方图）
[img]http://p.algo2.net/2024/0306/850082a48cee2.png[/img]
.hist() 输出的示例[code]%matplotlib inline[/code]如果你在使用 Jupyter，不要忘记在画图之前加上以上代码。
更新数据[code]data.loc[8, column_1 ] = english
将第八行名为 column_1 的列替换为「english」[/code][code]data.loc[data[ column_1 ]== french , column_1 ] = French[/code]一行代码中改变多列的值
好了，现在你可以做一些在 excel 中可以轻松访问的事情了。下面让我们深入研究 excel 中无法实现的一些令人惊奇的操作吧。
中级函数
统计出现的次数[code]data[ column_1 ].value_counts()[/code][img]http://p.algo2.net/2024/0306/755462aae1898.png[/img]
.value_counts() 函数输出示例
在所有的行、列或者全数据上进行操作[code]data[ column_1 ].map(len)[/code]len() 函数被应用在了「column_1」列中的每一个元素上
.map() 运算给一列中的每一个元素应用一个函数[code]data[ column_1 ].map(len).map(lambda x: x/100).plot()[/code]pandas 的一个很好的功能就是链式方法（[url]https://tomaugspurger.github.io/method-chaining[/url]）。它可以帮助你在一行中更加简单、高效地执行多个操作（.map() 和.plot()）。[code]data.apply(sum)[/code].apply() 会给一个列应用一个函数。
.applymap() 会给表 (DataFrame) 中的所有单元应用一个函数。
tqdm, 唯一的
在处理大规模数据集时，pandas 会花费一些时间来进行.map()、.apply()、.applymap() 等操作。tqdm 是一个可以用来帮助预测这些操作的执行何时完成的包（是的，我说谎了，我之前说我们只会使用到 pandas）。[code]from tqdm import tqdm_notebook
tqdm_notebook().pandas()[/code]用 pandas 设置 tqdm[code]data[ column_1 ].progress_map(lambda x: x.count( e ))[/code]用 .progress_map() 代替.map()、.apply() 和.applymap() 也是类似的。
在 Jupyter 中使用 tqdm 和 pandas 得到的进度条
相关性和散射矩阵[code]data.corr()
data.corr().applymap(lambda x: int(x*100)/100)[/code][img]http://p.algo2.net/2024/0306/b7bcb42d30832.png[/img]
.corr() 会给出相关性矩阵[code]pd.plotting.scatter_matrix(data, figsize=(12,8))[/code][img]http://p.algo2.net/2024/0306/b331fad363fc1.jpg[/img]
点矩阵的例子。它在同一幅图中画出了两列的所有组合。
pandas 中的高级操作
The SQL 关联
在 pandas 中实现关联是非常非常简单的[code]data.merge(other_data, on=[ column_1 , column_2 , column_3 ])[/code]关联三列只需要一行代码
分组
一开始并不是那么简单，你首先需要掌握语法，然后你会发现你一直在使用这个功能。[code]data.groupby( column_1 )[ column_2 ].apply(sum).reset_index()[/code]按一个列分组，选择另一个列来执行一个函数。.reset_index() 会将数据重构成一个表。
[img]http://p.algo2.net/2024/0306/63e8a8830c29f.jpg[/img]
正如前面解释过的，为了优化代码，在一行中将你的函数连接起来。
行迭代[code]dictionary = {}
for i,row in data.iterrows():
dictionary[row[ column_1 ]] = row[ column_2 ][/code].iterrows() 使用两个变量一起循环：行索引和行的数据 (上面的 i 和 row)
总而言之，pandas 是 python 成为出色的编程语言的原因之一
本文转自『机器之心编译』
页:
[1]