欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

使用pandas进行数据快捷加载

程序员文章站 2022-06-05 22:09:11
...

使用pandas进行数据快捷加载

导读:在已经准备好工具箱的情况下,我们来学习怎样使用pandas对数据进行加载、操作、预处理与打磨。

让我们先从CSV文件和pandas开始。

作者:阿尔贝托·博斯凯蒂,卢卡·马萨罗 

来源:华章计算机(ID:hzbook_jsj)

使用pandas进行数据快捷加载

pandas库提供了最方便、功能完备的函数,能从文件(或URL)加载表格数据。默认情况下,pandas会将数据存储到一个专门的数据结构中,这个数据结构能够实现按行索引、通过自定义的分隔符分隔变量、推断每一列的正确数据类型、转换数据(如果需要的话),以及解析日期、缺失值和出错数据。

我们将从导入pandas包和读取Iris数据集开始:

import pandas as pd
Iris_filename=’datasets-uci-iris.csv’
Iris=pd.read_csv(iris_filename,sep=’_’,decimal=’_’,heade=None,
                 names=[‘sepal_length’,‘sepal_width’
                        ‘petal_length’,‘petal_width’
                        ‘target’])

通过上面的命令,可以指定文件名分隔符(sep)、小数点占位符(decimal)、是否有标题(header)以及变量名称(使用names和列表)。分隔符和小数点占位符的默认设置为sep=',' 和decimal='.',在上面的函数中这些设置显得有些多余。

但是,对于欧洲格式的CSV文件需要明确指出这两个参数,这是因为许多欧洲国家的分隔符和小数点占位符都与默认值不同。

如果数据集不能在线使用,可以按照如下步骤从互联网上下载:

import urllib
  url=”http://aima.cs.berkeley.edu/data/iris.csv”
  set1=urllib.request.Request(ur1)
  iris_p=urllib.request.urlopen(set1)
  iris_other=pd.read_csv(iris_p,sep=',',decimal='.', 
        header=None, names=[‘sepal_length’,‘sepal_width’                                                                                                                 
                            ‘petal_length’,‘petal_width’
                                             ‘target’ ])
  iris_other.head()

由此产生的对象是一个名为iris的pandas数据框(DataFrame)。它不是一个简单的Python列表或字典。为了对其内容有一个粗略的概念,使用如下命令可以输出它的前几行(或最后几行):

iris.head()

输出数据框的前五行,如下所示:

使用pandas进行数据快捷加载

iris.tail()

调用此函数,如果不带任何参数,将输出五行。如果想要输出不同的行数,调用函数时只需要设置想要的行数作为参数,格式如下:

iris.head(2)

上述命令只输出了数据的前两行。现在,为了获得每列的名称,可以使用如下代码获得列名:

iris.columns

输出:

Index([‘sepal_length’,‘sepal_width’             
       ‘petal_length’,‘petal_width’                            
       ‘target’ ],dtype=‘object’ )

这次生成的对象非常有趣,显然它看起来像一个列表,但实际上是一个pandas索引。可以从对象的名称猜测,它表示的是列的名称。例如,要提取“target”列,简单地按如下方式就可以做到:

y=iris[‘target’ ]
   y

输出:

0 Iris-setosa
1 Iris-setosa
2 Iris-setosa
3 Iris-setosa
...
149 Iris-virginica
Name:target,dtype:object

对象y的类型是pandas series,可以把它看成是具有轴标签的一维数组,稍后我们会对它进行深入研究。现在,我们只需要了解,pandas索引(Index)类就像表中列的字典索引一样。需要注意的是,还可以通过索引得到列的列表,如下所示:

x =iris[[ ‘sepal_length’,‘sepal_width’ ]]

x

输出:

[150 rows x 2 columns]

以下是X数据集的前4行数据:

使用pandas进行数据快捷加载

以下是X数据集的后4行数据:

使用pandas进行数据快捷加载

在这个例子中,得到的结果是一个pandas数据框。为什么使用相同的函数却有如此大的差异呢?那么,在前一个例子中,我们想要抽取一列,因此,结果是一维向量(即pandas series)。

在第二个例子中,我们要抽取多列,于是得到了类似矩阵的结果(我们知道矩阵可以映射为pandas的数据框)。新手读者可以简单地通过查看输出结果的标题来发现它们的差异;如果该列有标签,则正在处理的是pandas 数据框。否则,如果结果是一个没有标题的向量,那么这是pandas series

至此,我们已经了解了数据科学过程中一些很常见的步骤。加载完数据集之后,通常会分离特征和目标标签。目标标签通常是序号或文本字符串,指示与每一组特征相关的类别。

然后,接下来的步骤需要弄清楚要处理的问题的规模,因此,你需要知道数据集的大小。通常,对每个观测计为一行,对每一个特征计为一列。

为了获得数据集的维数,只需在pandas数据框和series上使用属性shape,如下面的例子所示:

print (X.shape)
#输出:(150,2)
print (y.shape)
#输出:(150,)

得到的对象是一个包含矩阵或数组大小的元组(tuple),还要注意的是pandas series也遵循相同的格式(比如,只有一个元素的元组)。

本文摘编自《数据科学导论:Python语言》(原书第3版)

延伸阅读《数据科学导论:Python语言》

推荐语:数据科学快速入门指南,全面覆盖进行数据科学分析和开发的所有关键要点。

使用pandas进行数据快捷加载

划重点????

干货直达????

更多精彩????

在公众号对话框输入以下关键词

查看更多优质内容!

PPT | 读书 | 书单 | 硬核 | 干货 讲明白 | 神操作

大数据 | 云计算 | 数据库 | Python | 可视化

AI | 人工智能 | 机器学习 | 深度学习 | NLP

5G | 中台 | 用户画像 1024 | 数学 | 算法 数字孪生

据统计,99%的大咖都完成了这个神操作

????

使用pandas进行数据快捷加载

使用pandas进行数据快捷加载