|
1、数据结构简介：DataFrame和Series 2、数据索引index 3、利用pandas查询数据 4、利用pandas的DataFrames进行统计分析 5、利用pandas实现SQL操作 6、利用pandas进行缺失值的处理 7、利用pandas实现Excel的数据透视表功能 8、多层索引的使用 一、数据结构介绍 在pandas中有两类非常重要的数据结构，即序列Series和数据框DataFrame。Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式获取数据，还具有索引的自动对齐功能；DataFrame类似于numpy中的二维数组，同样可以通用numpy数组的函数和方法，而且还具有其他灵活应用，后续会介绍到。 1、Series的创建 序列的创建主要有三种方式： 1）通过一维数组创建序列 In [1]: import numpy as np, pandas as pd In [2]: arr1 = np.arange(10) In [3]: arr1 Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) In [4]: type(arr1) Out[4]: numpy.ndarray 返回的是数组类型。 In [5]: s1 = pd.Series(arr1) In [6]: s1 Out[6]: 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int32 In [7]: type(s1) Out[7]: pandas.core.series.Series 返回的是序列类型。 2）通过字典的方式创建序列 In [8]: dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50} In [9]: dic1 Out[9]: {'a': 10, 'b': 20, 'c': 30, 'd': 40, 'e': 50} In [10]: type(dic1) Out[10]: dict 返回的是字典类型。 In [11]: s2 = pd.Series(dic1) In [12]: s2 Out[12]: a 10 b 20 c 30 d 40 e 50 dtype: int64 In [13]: type(s2) Out[13]: pandas.core.series.Series 返回的是序列类型。 3）通过DataFrame中的某一行或某一列创建序列 这部分内容我们放在后面讲，接下来就开始讲一讲如何构造一个DataFrame。 2、DataFrame的创建 数据框的创建主要有三种方式： 1）通过二维数组创建数据框 In [14]: arr2 = np.array(np.arange(12)).reshape(4,3) In [15]: arr2 Out[15]: array([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]]) In [16]: type(arr2) Out[16]: numpy.ndarray 返回的是数组类型。 In [17]: df1 = pd.DataFrame(arr2) In [18]: df1 Out[18]: 0 1 2 0 0 1 2 1 3 4 5 2 6 7 8 3 9 10 11 In [19]: type(df1) Out[19]: pandas.core.frame.DataFrame 返回的数据框类型。 2）通过字典的方式创建数据框 以下以两种字典来创建数据框，一个是字典列表，一个是嵌套字典。 In [20]: dic2 = {'a':[1,2,3,4],'b':[5,6,7,8], ...: 'c':[9,10,11,12],'d':[13,14,15,16]} In [21]: dic2 Out[21]: {'a': [1, 2, 3, 4], 'b': [5, 6, 7, 8], 'c': [9, 10, 11, 12], 'd': [13, 14, 15, 16]} In [22]: type(dic2) Out[22]: dict 返回的是字典类型。 In [23]: df2 = pd.DataFrame(dic2) In [24]: df2 Out[24]: a b c d 0 1 5 9 13 1 2 6 10 14 2 3 7 11 15 3 4 8 12 16 In [25]: type(df2) Out[25]: pandas.core.frame.DataFrame 返回的是数据框类型。 In [26]: dic3 = {'one':{'a':1,'b':2,'c':3,'d':4}, ...: 'two':{'a':5,'b':6,'c':7,'d':8}, ...: 'three':{'a':9,'b':10,'c':11,'d':12}} In [27]: dic3 Out[27]: {'one': {'a': 1, 'b': 2, 'c': 3, 'd': 4}, 'three': {'a': 9, 'b': 10, 'c': 11, 'd': 12}, 'two': {'a': 5, 'b': 6, 'c': 7, 'd': 8}} In [28]: type(dic3) Out[28]: dict 返回的是字典类型。 In [29]: df3 = pd.DataFrame(dic3) In [30]: df3 Out[30]: one three two a 1 9 5 b 2 10 6 c 3 11 7 d 4 12 8 In [31]: type(df3) Out[31]: pandas.core.frame.DataFrame 返回的是数据框类型。这里需要说明的是，如果使用嵌套字典创建数据框的话，嵌套字典的最外层键会形成数据框的列变量，而内层键则会形成数据框的行索引。 3）通过数据框的方式创建数据框 In [32]: df4 = df3[['one','three']] In [33]: df4 Out[33]: one three a 1 9 b 2 10 c 3 11 d 4 12 In [34]: type(df4) Out[34]: pandas.core.frame.DataFrame 返回的是数据框类型。 In [35]: s3 = df3['one'] In [36]: s3 Out[36]: a 1 b 2 c 3 d 4 Name: one, dtype: int64 In [37]: type(s3) Out[37]: pandas.core.series.Series 这里就是通过选择数据框中的某一列，返回一个序列的对象。 二、数据索引index 细致的朋友可能会发现一个现象，不论是序列也好，还是数据框也好，对象的最左边总有一个非原始数据对象，这个是什么呢？不错，就是我们接下来要介绍的索引。 在我看来，序列或数据框的索引有两大用处，一个是通过索引值或索引标签获取目标数据，另一个是通过索引，可以使序列或数据框的计算、操作实现自动化对齐，下面我们就来看看这两个功能的应用。 1、通过索引值或索引标签获取数据 In [38]: s4 = pd.Series(np.array([1,1,2,3,5,8])) In [39]: s4 Out[39]: 0 1 1 1 2 2 3 3 4 5 5 8 dtype: int32 如果不给序列一个指定的索引值，则序列自动生成一个从0开始的自增索引。可以通过index查看序列的索引： In [40]: s4.index Out[40]: RangeIndex(start=0, stop=6, step=1) 现在我们为序列设定一个自定义的索引值： In [41]: s4.index = ['a','b','c','d','e','f'] In [42]: s4 Out[42]: a 1 b 1 c 2 d 3 e 5 f 8 dtype: int32 序列有了索引，就可以通过索引值或索引标签进行数据的获取： In [43]: s4[3] Out[43]: 3 In [44]: s4['e'] Out[44]: 5 In [45]: s4[[1,3,5]] Out[45]: b 1 d 3 f 8 dtype: int32 In [46]: s4[['a','b','d','f']] Out[46]: a 1 b 1 d 3 f 8 dtype: int32 In [47]: s4[:4] Out[47]: a 1 b 1 c 2 d 3 dtype: int32 In [48]: s4['c':] Out[48]: c 2 d 3 e 5 f 8 dtype: int32 In [49]: s4['b':'e'] Out[49]: b 1 c 2 d 3 e 5 dtype: int32 千万注意：如果通过索引标签获取数据的话，末端标签所对应的值是可以返回的！在一维数组中，就无法通过索引标签获取数据，这也是序列不同于一维数组的一个方面。 2、自动化对齐 如果有两个序列，需要对这两个序列进行算术运算，这时索引的存在就体现的它的价值了--自动化对齐。 In [50]: s5 = pd.Series(np.array([10,15,20,30,55,80]), ...: index = ['a','b','c','d','e','f']) In [51]: s5 Out[51]: a 10 b 15 c 20 d 30 e 55 f 80 dtype: int32 In [52]: s6 = pd.Series(np.array([12,11,13,15,14,16]), ...: index = ['a','c','g','b','d','f']) In [53]: s6 Out[53]: a 12 c 11 g 13 b 15 d 14 f 16 dtype: int32 In [54]: s5 + s6 Out[54]: a 22.0 b 30.0 c 31.0 d 44.0 e NaN f 96.0 g NaN dtype: float64 In [55]: s5/s6 Out[55]: a 0.833333 b 1.000000 c 1.818182 d 2.142857 e NaN f 5.000000 g NaN dtype: float64 由于s5中没有对应的g索引，s6中没有对应的e索引，所以数据的运算会产生两个缺失值NaN。注意，这里的算术结果就实现了两个序列索引的自动对齐，而非简单的将两个序列加总或相除。对于数据框的对齐，不仅仅是行索引的自动对齐，同时也会自动对齐列索引（变量名）。 数据框中同样有索引，而且数据框是二维数组的推广，所以数据框不仅有行索引，而且还存在列索引，关于数据框中的索引相比于序列的应用要强大的多，这部分内容将放在下面的数据查询中讲解。 三、利用pandas查询数据 这里的查询数据相当于R语言里的subset功能，可以通过布尔索引有针对的选取原数据的子集、指定行、指定列等。我们先导入一个student数据集： In [56]: student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv') 查询数据的前5行或末尾5行： In [57]: student.head() Out[57]: Name Sex Age Height Weight 0 Alfred M 14 69.0 112.5 1 Alice F 13 56.5 84.0 2 Barbara F 13 65.3 98.0 3 Carol F 14 62.8 102.5 4 Henry M 14 63.5 102.5 In [58]: student.tail() Out[58]: Name Sex Age Height Weight 14 Philip M 16 72.0 150.0 15 Robert M 12 64.8 128.0 16 Ronald M 15 67.0 133.0 17 Thomas M 11 57.5 85.0 18 William M 15 66.5 112.0 查询指定的行： In [59]: student.ix[[0,2,4,5,7]] #这里的ix索引标签函数必须是中括号[] Out[59]: Name Sex Age Height Weight 0 Alfred M 14 69.0 112.5 2 Barbara F 13 65.3 98.0 4 Henry M 14 63.5 102.5 5 James M 12 57.3 83.0 7 Janet F 15 62.5 112.5 查询指定的列： In [60]: student[['Name','Height','Weight']].head() #如果多个列的话，必须使用双重中括号 Out[60]: Name Height Weight 0 Alfred 69.0 112.5 1 Alice 56.5 84.0 2 Barbara 65.3 98.0 3 Carol 62.8 102.5 4 Henry 63.5 102.5 也可以通过ix索引标签查询指定的列： In [61]: student.ix[:,['Name','Height','Weight']].head() Out[61]: Name Height Weight 0 Alfred 69.0 112.5 1 Alice 56.5 84.0 2 Barbara 65.3 98.0 3 Carol 62.8 102.5 4 Henry 63.5 102.5 查询指定的行和列： In [62]: student.ix[[0,2,4,5,7],['Name','Height','Weight']].head() Out[62]: Name Height Weight 0 Alfred 69.0 112.5 2 Barbara 65.3 98.0 4 Henry 63.5 102.5 5 James 57.3 83.0 7 Janet 62.5 112.5 这里简单说明一下ix的用法：df.ix[行索引,列索引] 1）ix后面必须是中括号 2）多个行索引或列索引必须用中括号括起来 3）如果选择所有行索引或列索引，则用英文状态下的冒号:表示 以上是从行或列的角度查询数据的子集，现在我们来看看如何通过布尔索引实现数据的子集查询。 查询所有女生的信息： In [63]: student[student['Sex']=='F'] Out[63]: Name Sex Age Height Weight 1 Alice F 13 56.5 84.0 2 Barbara F 13 65.3 98.0 3 Carol F 14 62.8 102.5 6 Jane F 12 59.8 84.5 7 Janet F 15 62.5 112.5 10 Joyce F 11 51.3 50.5 11 Judy F 14 64.3 90.0 12 Louise F 12 56.3 77.0 13 Mary F 15 66.5 112.0 查询出所有12岁以上的女生信息： In [64]: student[(student['Sex']=='F') & (student['Age']>12)] Out[64]: Name Sex Age Height Weight 1 Alice F 13 56.5 84.0 2 Barbara F 13 65.3 98.0 3 Carol F 14 62.8 102.5 7 Janet F 15 62.5 112.5 11 Judy F 14 64.3 90.0 13 Mary F 15 66.5 112.0 查询出所有12岁以上的女生姓名、身高和体重： In [66]: student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']] Out[66]: Name Height Weight 1 Alice 56.5 84.0 2 Barbara 65.3 98.0 3 Carol 62.8 102.5 7 Janet 62.5 112.5 11 Judy 64.3 90.0 13 Mary 66.5 112.0 上面的查询逻辑其实非常的简单，需要注意的是，如果是多个条件的查询，必须在&（且）或者|（或）的两端条件用括号括起来。 四、统计分析 pandas模块为我们提供了非常多的描述性统计分析的指标函数，如总和、均值、最小值、最大值等，我们来具体看看这些函数： 首先随机生成三组数据 In [67]: np.random.seed(1234) In [68]: d1 = pd.Series(2*np.random.normal(size = 100)+3) In [69]: d2 = np.random.f(2,4,size = 100) In [70]: d3 = np.random.randint(1,100,size = 100) In [71]: d1.count() #非空元素计算 Out[71]: 100 In [72]: d1.min() #最小值 Out[72]: -4.1270333212494705 In [73]: d1.max() #最大值 Out[73]: 7.7819210309260658 In [74]: d1.idxmin() #最小值的位置，类似于R中的which.min函数 Out[74]: 81 In [75]: d1.idxmax() #最大值的位置，类似于R中的which.max函数 Out[75]: 39 In [76]: d1.quantile(0.1) #10%分位数 Out[76]: 0.68701846440699277 In [77]: d1.sum() #求和 Out[77]: 307.0224566250874 In [78]: d1.mean() #均值 Out[78]: 3.070224566250874 In [79]: d1.median() #中位数 Out[79]: 3.204555266776845 In [80]: d1.mode() #众数 Out[80]: Series([], dtype: float64) In [81]: d1.var() #方差 Out[81]: 4.005609378535085 In [82]: d1.std() #标准差 Out[82]: 2.0014018533355777 In [83]: d1.mad() #平均绝对偏差 Out[83]: 1.5112880411556109 In [84]: d1.skew() #偏度 Out[84]: -0.64947807604842933 In [85]: d1.kurt() #峰度 Out[85]: 1.2201094052398012 In [86]: d1.describe() #一次性输出多个描述性统计指标 Out[86]: count 100.000000 mean 3.070225 std 2.001402 min -4.127033 25% 2.040101 50% 3.204555 75% 4.434788 max 7.781921 dtype: float64 必须注意的是，describe方法只能针对序列或数据框，一维数组是没有这个方法的。 这里自定义一个函数，将这些统计描述指标全部汇总到一起： In [87]: def stats(x): ...: return pd.Series([x.count(),x.min(),x.idxmin(), ...: x.quantile(.25),x.median(), ...: x.quantile(.75),x.mean(), ...: x.max(),x.idxmax(), ...: x.mad(),x.var(), ...: x.std(),x.skew(),x.kurt()], ...: index = ['Count','Min','Whicn_Min', ...: 'Q1','Median','Q3','Mean', ...: 'Max','Which_Max','Mad', ...: 'Var','Std','Skew','Kurt']) In [88]: stats(d1) Out[88]: Count 100.000000 Min -4.127033 Whicn_Min 81.000000 Q1 2.040101 Median 3.204555 Q3 4.434788 Mean 3.070225 Max 7.781921 Which_Max 39.000000 Mad 1.511288 Var 4.005609 Std 2.001402 Skew -0.649478 Kurt 1.220109 dtype: float64 在实际的工作中，我们可能需要处理的是一系列的数值型数据框，如何将这个函数应用到数据框中的每一列呢？可以使用apply函数，这个非常类似于R中的apply的应用方法。 将之前创建的d1,d2,d3数据构建数据框： In [89]: df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3']) In [90]: df.head() Out[90]: x1 x2 x3 0 3.942870 1.369531 55.0 1 0.618049 0.943264 68.0 2 5.865414 0.590663 73.0 3 2.374696 0.206548 59.0 4 1.558823 0.223204 60.0 In [91]: df.apply(stats) Out[91]: x1 x2 x3 Count 100.000000 100.000000 100.000000 Min -4.127033 0.014330 3.000000 Whicn_Min 81.000000 72.000000 76.000000 Q1 2.040101 0.249580 25.000000 Median 3.204555 1.000613 54.500000 Q3 4.434788 2.101581 73.000000 Mean 3.070225 2.028608 51.490000 Max 7.781921 18.791565 98.000000 Which_Max 39.000000 53.000000 96.000000 Mad 1.511288 1.922669 24.010800 Var 4.005609 10.206447 780.090808 Std 2.001402 3.194753 27.930106 Skew -0.649478 3.326246 -0.118917 Kurt 1.220109 12.636286 -1.211579 非常完美，就这样很简单的创建了数值型数据的统计性描述。如果是离散型数据呢？就不能用这个统计口径了，我们需要统计离散变量的观测数、唯一值个数、众数水平及个数。你只需要使用describe方法就可以实现这样的统计了。 In [92]: student['Sex'].describe() Out[92]: count 19 unique 2 top M freq 10 Name: Sex, dtype: object 除以上的简单描述性统计之外，还提供了连续变量的相关系数（corr）和协方差矩阵（cov）的求解，这个跟R语言是一致的用法。 In [93]: df.corr() Out[93]: x1 x2 x3 x1 1.000000 0.136085 0.037185 x2 0.136085 1.000000 -0.005688 x3 0.037185 -0.005688 1.000000 关于相关系数的计算可以调用pearson方法或kendell方法或spearman方法，默认使用pearson方法。 In [94]: df.corr('spearman') Out[94]: x1 x2 x3 x1 1.00000 0.178950 0.006590 x2 0.17895 1.000000 -0.033874 x3 0.00659 -0.033874 1.000000 如果只想关注某一个变量与其余变量的相关系数的话，可以使用corrwith,如下方只关心x1与其余变量的相关系数： In [95]: df.corrwith(df['x1']) Out[95]: x1 1.000000 x2 0.136085 x3 0.037185 dtype: float64 数值型数据的协方差矩阵： In [96]: df.cov() Out[96]: x1 x2 x3 x1 4.005609 0.870124 2.078596 x2 0.870124 10.206447 -0.507512 x3 2.078596 -0.507512 780.090808 -------------------------------------------------------------------------------------------------------- 由于正文部分不能超过20000字符，接下来的部分将在《Python数据分析之pandas学习（二）》中继续讲解。 -------------------------------------------------------------------------------------------------------- 每天进步一点点2015 学习与分享，取长补短，关注小号！ |
|
|
