Python数据分析入门与实践 学习 资源✌✌

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。

入门介绍

pandas适合于许多不同类型的数据，包括：

• 具有异构类型列的表格数据，例如sql表格或excel数据
• 有序和无序（不一定是固定频率）时间序列数据。
• 具有行列标签的任意矩阵数据（均匀类型或不同类型）
• 任何其他形式的观测/统计数据集。

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。

关于如何获取pandas请参阅官网上的说明：pandas installation。

通常情况下，我们可以通过pip来执行安装：

sudo pip3 install pandas

或者通过 来安装pandas：

conda install pandas

目前（2018年2月）pandas的最新版本是（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：

名称	维度	说明
series	1维	带有标签的同构类型数组
dataframe	2维	表格结构，带有标签，大小可变，且可以包含异构的数据列

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$\mathrm{el}$

-da$\mathrm{ta}$

-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4x4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.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\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: [e-mail]
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：

参数	说明
path	文件路径
sep或者delimiter	字段分隔符
header	列名的行数，默认是0（第一行）
index_col	列号或名称用作结果中的行索引
names	结果的列名称列表
skiprows	从起始位置跳过的行数
na_values	代替na的值序列
comment	以行结尾分隔注释的字符
parse_dates	尝试将数据解析为datetime。默认为false
keep_date_col	如果将列连接到解析日期，保留连接的列。默认为false。
converters	列的转换器
dayfirst	当解析可以造成歧义的日期时，以内部形式存储。默认为false
data_parser	用来解析日期的函数
nrows	从文件开始读取的行数
iterator	返回一个textparser对象，用于读取部分内容
chunksize	指定读取块的大小
skip_footer	文件末尾需要忽略的行数
verbose	输出各种解析输出的信息
encoding	文件编码
squeeze	如果解析的数据只包含一列，则返回一个series
thousands	千数量的分隔符

详细的read_csv函数说明请参见这里：

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