前置机器学习(四):一文掌握Pandas用法

Pandas提供快速,灵活和富于表现力的数据结构,是强大的数据分析Python库。

本文收录于机器学习前置教程系列

一、Series和DataFrame

Pandas建立在NumPy之上,更多NumPy相关的知识点可以参考我之前写的文章前置机器学习(三):30分钟掌握常用NumPy用法
Pandas特别适合处理表格数据,如SQL表格、EXCEL表格。有序或无序的时间序列。具有行和列标签的任意矩阵数据。

打开Jupyter Notebook,导入numpy和pandas开始我们的教程:

import numpy as np
import pandas as pd

1. pandas.Series

Series是带有索引的一维ndarray数组。索引值可不唯一,但必须是可哈希的。

pd.Series([1, 3, 5, np.nan, 6, 8])

输出:

0    1.0
1    3.0
2    5.0
3    NaN
4    6.0
5    8.0
dtype: float64

我们可以看到默认索引值为0、1、2、3、4、5这样的数字。添加index属性,指定其为’c’,’a’,’i’,’yong’,’j’,’i’。

pd.Series([1, 3, 5, np.nan, 6, 8], index=['c','a','i','yong','j','i'])

输出如下,我们可以看到index是可重复的。

c       1.0
a       3.0
i       5.0
yong    NaN
j       6.0
i       8.0
dtype: float64

2. pandas.DataFrame

DataFrame是带有行和列的表格结构。可以理解为多个Series对象的字典结构。

pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), index=['i','ii','iii'], columns=['A', 'B', 'C'])

输出表格如下,其中index对应它的行,columns对应它的列。

  A B C
i 1 2 3
ii 4 5 6
iii 7 8 9

二、Pandas常见用法

1. 访问数据

准备数据,随机生成6行4列的二维数组,行标签为从20210101到20210106的日期,列标签为A、B、C、D。

import numpy as np
import pandas as pd
np.random.seed(20201212)
df = pd.DataFrame(np.random.randn(6, 4), index=pd.date_range('20210101', periods=6), columns=list('ABCD'))
df

展示表格如下:

  A B C D
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-03 0.325415 -0.602236 -0.134508 1.28121
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804
2021-01-05 0.348708 1.27175 0.626011 -0.253845
2021-01-06 -0.816064 1.30197 0.656281 -1.2718

1.1 head()和tail()

查看表格前几行:

df.head(2)

展示表格如下:

  A B C D
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-02 0.696541 0.136352 -1.64592 -0.69841

查看表格后几行:

df.tail(3)

展示表格如下:

  A B C D
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804
2021-01-05 0.348708 1.27175 0.626011 -0.253845
2021-01-06 -0.816064 1.30197 0.656281 -1.2718

1.2 describe()

describe方法用于生成DataFrame的描述统计信息。可以很方便的查看数据集的分布情况。注意,这里的统计分布不包含NaN值。

df.describe()

展示如下:

  A B C D
count 6 6 6 6
mean 0.0825402 0.0497552 -0.181309 0.22896
std 0.551412 1.07834 0.933155 1.13114
min -0.816064 -1.40384 -1.64592 -1.2718
25% -0.18 -0.553043 -0.737194 -0.587269
50% 0.298188 -0.134555 0.106933 0.287363
75% 0.342885 0.987901 0.556601 1.16805
max 0.696541 1.30197 0.656281 1.48804

我们首先回顾一下我们掌握的数学公式。

平均数(mean)

\[\bar x = \frac{\sum_{i=1}^{n}{x_i}}{n}\]

方差(variance):

\[s^2 = \frac{\sum_{i=1}^{n}{(x_i -\bar x)^2}}{n}\]

标准差(std):

\[s = \sqrt{\frac{\sum_{i=1}^{n}{(x_i -\bar x)^2}}{n}}\]

我们解释一下pandas的describe统计信息各属性的意义。我们仅以 A 列为例。

  • count表示计数。A列有6个数据不为空。
  • mean表示平均值。A列所有不为空的数据平均值为0.0825402。
  • std表示标准差。A列的标准差为0.551412。
  • min表示最小值。A列最小值为-0.816064。即,0%的数据比-0.816064小。
  • 25%表示四分之一分位数。A列的四分之一分位数为-0.18。即,25%的数据比-0.18小。
  • 50%表示二分之一分位数。A列的四分之一分位数为0.298188。即,50%的数据比0.298188小。
  • 75%表示四分之三分位数。A列的四分之三分位数为0.342885。即,75%的数据比0.342885小。
  • max表示最大值。A列的最大值为0.696541。即,100%的数据比0.696541小。

1.3 T

T一般表示Transpose的缩写,即转置。行列转换。

df.T

展示表格如下:

  2021-01-01 2021-01-02 2021-01-03 2021-01-04 2021-01-05 2021-01-06
A 0.270961 0.696541 0.325415 -0.33032 0.348708 -0.816064
B -0.405463 0.136352 -0.602236 -1.40384 1.27175 1.30197
C 0.348373 -1.64592 -0.134508 -0.93809 0.626011 0.656281
D 0.828572 -0.69841 1.28121 1.48804 -0.253845 -1.2718

1.4 sort_values()

指定某一列进行排序,如下代码根据C列进行正序排序。

df.sort_values(by='C')

展示表格如下:

  A B C D
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804
2021-01-03 0.325415 -0.602236 -0.134508 1.28121
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-05 0.348708 1.27175 0.626011 -0.253845
2021-01-06 -0.816064 1.30197 0.656281 -1.2718

1.5 nlargest()

选择某列最大的n行数据。如:df.nlargest(2,'A')表示,返回A列最大的2行数据。

df.nlargest(2,'A')

展示表格如下:

  A B C D
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-05 0.348708 1.27175 0.626011 -0.253845

1.6 sample()

sample方法表示查看随机的样例数据。

df.sample(5)表示返回随机5行数据。

df.sample(5)

参数frac表示fraction,分数的意思。frac=0.01即返回1%的随机数据作为样例展示。

df.sample(frac=0.01)

2. 选择数据

2.1 根据标签选择

我们输入df['A']命令选取A列。

df['A']

输出A列数据,同时也是一个Series对象:

2021-01-01    0.270961
2021-01-02    0.696541
2021-01-03    0.325415
2021-01-04   -0.330320
2021-01-05    0.348708
2021-01-06   -0.816064
Name: A, dtype: float64

df[0:3]该代码与df.head(3)同理。但df[0:3]是NumPy的数组选择方式,这说明了Pandas对于NumPy具有良好的支持。

df[0:3]

展示表格如下: | | A | B | C | D | |:———–|———:|———-:|———-:|———-:| | 2021-01-01 | 0.270961 | -0.405463 | 0.348373 | 0.828572 | | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | | 2021-01-03 | 0.325415 | -0.602236 | -0.134508 | 1.28121 |

通过loc方法指定行列标签。

df.loc['2021-01-01':'2021-01-02', ['A', 'B']]

展示表格如下:

  A B
2021-01-01 0.270961 -0.405463
2021-01-02 0.696541 0.136352

2.2 根据位置选择

ilocloc不同。loc指定具体的标签,而iloc指定标签的索引位置。df.iloc[3:5, 0:3]表示选取索引为3、4的行,索引为0、1、2的列。即,第4、5行,第1、2、3列。 注意,索引序号从0开始。冒号表示区间,左右两侧分别表示开始和结束。如3:5表示左开右闭区间[3,5),即不包含5自身。

df.iloc[3:5, 0:3]
  A B C
2021-01-04 -0.33032 -1.40384 -0.93809
2021-01-05 0.348708 1.27175 0.626011
df.iloc[:, 1:3]
  B C
2021-01-01 -0.405463 0.348373
2021-01-02 0.136352 -1.64592
2021-01-03 -0.602236 -0.134508
2021-01-04 -1.40384 -0.93809
2021-01-05 1.27175 0.626011
2021-01-06 1.30197 0.656281

2.3 布尔索引

DataFrame可根据条件进行筛选,当条件判断True时,返回。当条件判断为False时,过滤掉。

我们设置一个过滤器用来判断A列是否大于0。

filter = df['A'] > 0
filter

输出结果如下,可以看到2021-01-042021-01-06的行为False。

2021-01-01     True
2021-01-02     True
2021-01-03     True
2021-01-04    False
2021-01-05     True
2021-01-06    False
Name: A, dtype: bool

我们通过过滤器查看数据集。

df[filter]
# df[df['A'] > 0]

查看表格我们可以发现,2021-01-042021-01-06的行被过滤掉了。

  A B C D
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-03 0.325415 -0.602236 -0.134508 1.28121
2021-01-05 0.348708 1.27175 0.626011 -0.253845

3. 处理缺失值

准备数据。

df2 = df.copy()
df2.loc[:3, 'E'] = 1.0
f_series = {'2021-01-02': 1.0,'2021-01-03': 2.0,'2021-01-04': 3.0,'2021-01-05': 4.0,'2021-01-06': 5.0}
df2['F'] = pd.Series(f_series)
df2

展示表格如下:

  A B C D F E
2021-01-01 0.270961 -0.405463 0.348373 0.828572 nan 1
2021-01-02 0.696541 0.136352 -1.64592 -0.69841 1 1
2021-01-03 0.325415 -0.602236 -0.134508 1.28121 2 1
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804 3 nan
2021-01-05 0.348708 1.27175 0.626011 -0.253845 4 nan
2021-01-06 -0.816064 1.30197 0.656281 -1.2718 5 nan

3.1 dropna()

使用dropna方法清空NaN值。注意:dropa方法返回新的DataFrame,并不会改变原有的DataFrame。

df2.dropna(how='any')

以上代码表示,当行数据有任意的数值为空时,删除。

  A B C D F E
2021-01-02 0.696541 0.136352 -1.64592 -0.69841 1 1
2021-01-03 0.325415 -0.602236 -0.134508 1.28121 2 1

3.2 fillna()

使用filna命令填补NaN值。

df2.fillna(df2.mean())

以上代码表示,使用每一列的平均值来填补空缺。同样地,fillna并不会更新原有的DataFrame,如需更新原有DataFrame使用代码df2 = df2.fillna(df2.mean())

展示表格如下:

  A B C D F E
2021-01-01 0.270961 -0.405463 0.348373 0.828572 3 1
2021-01-02 0.696541 0.136352 -1.64592 -0.69841 1 1
2021-01-03 0.325415 -0.602236 -0.134508 1.28121 2 1
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804 3 1
2021-01-05 0.348708 1.27175 0.626011 -0.253845 4 1
2021-01-06 -0.816064 1.30197 0.656281 -1.2718 5 1

4. 操作方法

4.1 agg()

agg是Aggregate的缩写,意为聚合。

常用聚合方法如下:

  • mean(): Compute mean of groups
  • sum(): Compute sum of group values
  • size(): Compute group sizes
  • count(): Compute count of group
  • std(): Standard deviation of groups
  • var(): Compute variance of groups
  • sem(): Standard error of the mean of groups
  • describe(): Generates descriptive statistics
  • first(): Compute first of group values
  • last(): Compute last of group values
  • nth() : Take nth value, or a subset if n is a list
  • min(): Compute min of group values
  • max(): Compute max of group values
df.mean()

返回各列平均值

A    0.082540
B    0.049755
C   -0.181309
D    0.228960
dtype: float64

可通过加参数axis查看行平均值。

df.mean(axis=1)

输出:

2021-01-01    0.260611
2021-01-02   -0.377860
2021-01-03    0.217470
2021-01-04   -0.296053
2021-01-05    0.498156
2021-01-06   -0.032404
dtype: float64

如果我们想查看某一列的多项聚合统计怎么办?
这时我们可以调用agg方法:

df.agg(['std','mean'])['A']

返回结果显示标准差std和均值mean:


std     0.551412
mean    0.082540
Name: A, dtype: float64

对于不同的列应用不同的聚合函数:

df.agg({'A':['max','mean'],'B':['mean','std','var']})

返回结果如下:

  A B
max 0.696541 nan
mean 0.0825402 0.0497552
std nan 1.07834
var nan 1.16281

4.2 apply()

apply()是对方法的调用。 如df.apply(np.sum)表示每一列调用np.sum方法,返回每一列的数值和。

df.apply(np.sum)

输出结果为:

A    0.495241
B    0.298531
C   -1.087857
D    1.373762
dtype: float64

apply方法支持lambda表达式。

df.apply(lambda n: n*2)
  A B C D
2021-01-01 0.541923 -0.810925 0.696747 1.65714
2021-01-02 1.39308 0.272704 -3.29185 -1.39682
2021-01-03 0.65083 -1.20447 -0.269016 2.56242
2021-01-04 -0.66064 -2.80768 -1.87618 2.97607
2021-01-05 0.697417 2.5435 1.25202 -0.50769
2021-01-06 -1.63213 2.60393 1.31256 -2.5436

4.3 value_counts()

value_counts方法查看各行、列的数值重复统计。 我们重新生成一些整数数据,来保证有一定的数据重复。

np.random.seed(101)
df3 = pd.DataFrame(np.random.randint(0,9,size = (6,4)),columns=list('ABCD'))
df3
  A B C D
0 1 6 7 8
1 4 8 5 0
2 5 8 1 3
3 8 3 3 2
4 8 3 7 0
5 7 8 4 3

调用value_counts()方法。

df3['A'].value_counts()

查看输出我们可以看到 A列的数字8有两个,其他数字的数量为1。

8    2
7    1
5    1
4    1
1    1
Name: A, dtype: int64

4.4 str

Pandas内置字符串处理方法。

names = pd.Series(['andrew','bobo','claire','david','4'])
names.str.upper()

通过以上代码我们将Series中的字符串全部设置为大写。

0    ANDREW
1      BOBO
2    CLAIRE
3     DAVID
4         4
dtype: object

首字母大写:

names.str.capitalize()

输出为:

0    Andrew
1      Bobo
2    Claire
3     David
4         4
dtype: object

判断是否为数字:

names.str.isdigit()

输出为:

0    False
1    False
2    False
3    False
4     True
dtype: bool

字符串分割:

tech_finance = ['GOOG,APPL,AMZN','JPM,BAC,GS']
tickers = pd.Series(tech_finance)
tickers.str.split(',').str[0:2]

以逗号分割字符串,结果为:

0    [GOOG, APPL]
1      [JPM, BAC]
dtype: object

5. 合并

5.1 concat()

concat用来将数据集串联起来。我们先准备数据。

data_one = {'Col1': ['A0', 'A1', 'A2', 'A3'],'Col2': ['B0', 'B1', 'B2', 'B3']}
data_two = {'Col1': ['C0', 'C1', 'C2', 'C3'], 'Col2': ['D0', 'D1', 'D2', 'D3']}
one = pd.DataFrame(data_one)
two = pd.DataFrame(data_two)

使用concat方法将两个数据集串联起来。

pt(pd.concat([one,two]))

得到表格: | | Col1 | Col2 | |—:|:——-|:——-| | 0 | A0 | B0 | | 1 | A1 | B1 | | 2 | A2 | B2 | | 3 | A3 | B3 | | 0 | C0 | D0 | | 1 | C1 | D1 | | 2 | C2 | D2 | | 3 | C3 | D3 |

5.2 merge()

merge相当于SQL操作中的join方法,用于将两个数据集通过某种关系连接起来

registrations = pd.DataFrame({'reg_id':[1,2,3,4],'name':['Andrew','Bobo','Claire','David']})
logins = pd.DataFrame({'log_id':[1,2,3,4],'name':['Xavier','Andrew','Yolanda','Bobo']})

我们根据name来连接两个张表,连接方式为outer

pd.merge(left=registrations, right=logins, how='outer',on='name')

返回结果为:

  reg_id name log_id
0 1 Andrew 2
1 2 Bobo 4
2 3 Claire nan
3 4 David nan
4 nan Xavier 1
5 nan Yolanda 3

我们注意,how : {‘left’, ‘right’, ‘outer’, ‘inner’} 有4种连接方式。表示是否选取左右两侧表的nan值。如left表示保留左侧表中所有数据,当遇到右侧表数据为nan值时,不显示右侧的数据。 简单来说,把left表和right表看作两个集合。

  • left表示取左表全部集合+两表交集
  • right表示取右表全部集合+两表交集
  • outer表示取两表并集
  • inner表示取两表交集

6. 分组GroupBy

Pandas中的分组功能非常类似于SQL语句SELECT Column1, Column2, mean(Column3), sum(Column4)FROM SomeTableGROUP BY Column1, Column2。即使没有接触过SQL也没有关系,分组就相当于把表格数据按照某一列进行拆分、统计、合并的过程。

准备数据。

np.random.seed(20201212)
df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],
                   'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
                   'C': np.random.randn(8),
                   'D': np.random.randn(8)})
df

可以看到,我们的A列和B列有很多重复数据。这时我们可以根据foo/bar或者one/two进行分组。

  A B C D
0 foo one 0.270961 0.325415
1 bar one -0.405463 -0.602236
2 foo two 0.348373 -0.134508
3 bar three 0.828572 1.28121
4 foo two 0.696541 -0.33032
5 bar two 0.136352 -1.40384
6 foo one -1.64592 -0.93809
7 foo three -0.69841 1.48804

6.1 单列分组

我们应用groupby方法将上方表格中的数据进行分组。

df.groupby('A')

执行上方代码可以看到,groupby方法返回的是一个类型为DataFrameGroupBy的对象。我们无法直接查看,需要应用聚合函数。参考本文4.1节。

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000014C6742E248>

我们应用聚合函数sum试试。

df.groupby('A').sum()

展示表格如下:

A C D
bar 0.559461 -0.724868
foo -1.02846 0.410533

6.2 多列分组

groupby方法支持将多个列作为参数传入。

df.groupby(['A', 'B']).sum()

分组后显示结果如下:

A B C D
bar one -0.405463 -0.602236
  one -0.405463 -0.602236
  three 0.828572 1.28121
  two 0.136352 -1.40384
foo one -1.37496 -0.612675
  three -0.69841 1.48804
  two 1.04491 -0.464828

6.3 应用多聚合方法

我们应用agg(),将聚合方法数组作为参数传入方法。下方代码根据A分类且只统计C列的数值。

df.groupby('A')['C'].agg([np.sum, np.mean, np.std])

可以看到bar组与foo组各聚合函数的结果如下:

A sum mean std
bar 0.559461 0.186487 0.618543
foo -1.02846 -0.205692 0.957242

6.4 不同列进行不同聚合统计

下方代码对C、D列分别进行不同的聚合统计,对C列进行求和,对D列进行标准差统计。

df.groupby('A').agg({'C': 'sum', 'D': lambda x: np.std(x, ddof=1)})

输出如下:

A C D
bar 0.559461 1.37837
foo -1.02846 0.907422

6.5 更多

更多关于Pandas的goupby方法请参考官网:https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html

三、Pandas 进阶用法

1. reshape

reshape表示重塑表格。对于复杂表格,我们需要将其转换成适合我们理解的样子,比如根据某些属性分组后进行单独统计。

1.1 stack() 和 unstack()

stack方法将表格分为索引和数据两个部分。索引各列保留,数据堆叠放置。

准备数据。

tuples = list(zip(*[['bar', 'bar', 'baz', 'baz','foo', 'foo', 'qux', 'qux'],
                    ['one', 'two', 'one', 'two','one', 'two', 'one', 'two']]))
index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])

根据上方代码,我们创建了一个复合索引。

MultiIndex([('bar', 'one'),
            ('bar', 'two'),
            ('baz', 'one'),
            ('baz', 'two'),
            ('foo', 'one'),
            ('foo', 'two'),
            ('qux', 'one'),
            ('qux', 'two')],
           names=['first', 'second'])

我们创建一个具备复合索引的DataFrame。

np.random.seed(20201212)
df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=['A', 'B'])
df

输出如下:

A B C D
bar one 0.270961 -0.405463
  two 0.348373 0.828572
baz one 0.696541 0.136352
  two -1.64592 -0.69841
foo one 0.325415 -0.602236
  two -0.134508 1.28121
qux one -0.33032 -1.40384
  two -0.93809 1.48804

我们执行stack方法。

stacked = df.stack()
stacked

输出堆叠(压缩)后的表格如下。注意:你使用Jupyter Notebook/Lab进行的输出可能和如下结果不太一样。下方输出的各位为了方便在Markdown中显示有一定的调整。

first  second   
bar    one     A    0.942502
bar    one     B    0.060742
bar    two     A    1.340975
bar    two     B   -1.712152
baz    one     A    1.899275
baz    one     B    1.237799
baz    two     A   -1.589069
baz    two     B    1.288342
foo    one     A   -0.326792
foo    one     B    1.576351
foo    two     A    1.526528
foo    two     B    1.410695
qux    one     A    0.420718
qux    one     B   -0.288002
qux    two     A    0.361586
qux    two     B    0.177352
dtype: float64

我们执行unstack将数据进行展开。

stacked.unstack()

输出原表格。

A B C D
bar one 0.270961 -0.405463
  two 0.348373 0.828572
baz one 0.696541 0.136352
  two -1.64592 -0.69841
foo one 0.325415 -0.602236
  two -0.134508 1.28121
qux one -0.33032 -1.40384
  two -0.93809 1.48804

我们加入参数level

stacked.unstack(level=0)
#stacked.unstack(level=1)

level=0时得到如下输出,大家可以试试level=1时输出什么。

second first bar baz foo qux
one A 0.942502 1.89927 -0.326792 0.420718
one B 0.060742 1.2378 1.57635 -0.288002
two A 1.34097 -1.58907 1.52653 0.361586
two B -1.71215 1.28834 1.4107 0.177352

1.2 pivot_table()

pivot_table表示透视表,是一种对数据动态排布并且分类汇总的表格格式。

我们生成无索引列的DataFrame。

np.random.seed(99)
df = pd.DataFrame({'A': ['one', 'one', 'two', 'three'] * 3,
                    'B': ['A', 'B', 'C'] * 4,
                    'C': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
                    'D': np.random.randn(12),
                    'E': np.random.randn(12)})
df

展示表格如下:

  A B C D E
0 one A foo -0.142359 0.0235001
1 one B foo 2.05722 0.456201
2 two C foo 0.283262 0.270493
3 three A bar 1.32981 -1.43501
4 one B bar -0.154622 0.882817
5 one C bar -0.0690309 -0.580082
6 two A foo 0.75518 -0.501565
7 three B foo 0.825647 0.590953
8 one C foo -0.113069 -0.731616
9 one A bar -2.36784 0.261755
10 two B bar -0.167049 -0.855796
11 three C bar 0.685398 -0.187526

通过观察数据,我们可以显然得出A、B、C列的具备一定属性含义。我们执行pivot_table方法。

pd.pivot_table(df, values=['D','E'], index=['A', 'B'], columns=['C'])

上方代码的意思为,将D、E列作为数据列,A、B作为复合行索引,C的数据值作为列索引。

  (‘D’, ‘bar’) (‘D’, ‘foo’) (‘E’, ‘bar’) (‘E’, ‘foo’)
(‘one’, ‘A’) -2.36784 -0.142359 0.261755 0.0235001
(‘one’, ‘B’) -0.154622 2.05722 0.882817 0.456201
(‘one’, ‘C’) -0.0690309 -0.113069 -0.580082 -0.731616
(‘three’, ‘A’) 1.32981 nan -1.43501 nan
(‘three’, ‘B’) nan 0.825647 nan 0.590953
(‘three’, ‘C’) 0.685398 nan -0.187526 nan
(‘two’, ‘A’) nan 0.75518 nan -0.501565
(‘two’, ‘B’) -0.167049 nan -0.855796 nan
(‘two’, ‘C’) nan 0.283262 nan 0.270493

2. 时间序列

date_range是Pandas自带的生成日期间隔的方法。我们执行下方代码:

rng = pd.date_range('1/1/2021', periods=100, freq='S')
pd.Series(np.random.randint(0, 500, len(rng)), index=rng)

date_range方法从2021年1月1日0秒开始,以1秒作为时间间隔执行100次时间段的划分。输出结果如下:

2021-01-01 00:00:00    475
2021-01-01 00:00:01    145
2021-01-01 00:00:02     13
2021-01-01 00:00:03    240
2021-01-01 00:00:04    183
                      ...
2021-01-01 00:01:35    413
2021-01-01 00:01:36    330
2021-01-01 00:01:37    272
2021-01-01 00:01:38    304
2021-01-01 00:01:39    151
Freq: S, Length: 100, dtype: int32

我们将freq的参数值从S(second)改为M(Month)试试看。

rng = pd.date_range('1/1/2021', periods=100, freq='M')
pd.Series(np.random.randint(0, 500, len(rng)), index=rng)

输出:

2021-01-31    311
2021-02-28    256
2021-03-31    327
2021-04-30    151
2021-05-31    484
             ...
2028-12-31    170
2029-01-31    492
2029-02-28    205
2029-03-31     90
2029-04-30    446
Freq: M, Length: 100, dtype: int32

我们设置可以以季度作为频率进行日期生成。

prng = pd.period_range('2018Q1', '2020Q4', freq='Q-NOV')
pd.Series(np.random.randn(len(prng)), prng)

输出2018第一季度到2020第四季度间的全部季度。

2018Q1    0.833025
2018Q2   -0.509514
2018Q3   -0.735542
2018Q4   -0.224403
2019Q1   -0.119709
2019Q2   -1.379413
2019Q3    0.871741
2019Q4    0.877493
2020Q1    0.577611
2020Q2   -0.365737
2020Q3   -0.473404
2020Q4    0.529800
Freq: Q-NOV, dtype: float64

3. 分类

Pandas有一种特殊的数据类型叫做”目录”,即dtype=”category”,我们根据将某些列设置为目录来进行分类。

准备数据。

df = pd.DataFrame({"id": [1, 2, 3, 4, 5, 6], "raw_grade": ['a', 'b', 'b', 'a', 'a', 'e']})
df
  id raw_grade
0 1 a
1 2 b
2 3 b
3 4 a
4 5 a
5 6 e

我们添加一个新列grade并将它的数据类型设置为category

df["grade"] = df["raw_grade"].astype("category")
df["grade"]

我们可以看到grade列只有3种值a,b,e。

0    a
1    b
2    b
3    a
4    a
5    e
Name: grade, dtype: category
Categories (3, object): ['a', 'b', 'e']

我们按顺序替换a、b、e为very good、good、very bad。

df["grade"].cat.categories = ["very good", "good", "very bad"]

此时的表格为:

  id raw_grade grade
0 1 a very good
1 2 b good
2 3 b good
3 4 a very good
4 5 a very good
5 6 e very bad

我们对表格进行排序:

df.sort_values(by="grade", ascending=False)
  id raw_grade grade
5 6 e very bad
1 2 b good
2 3 b good
0 1 a very good
3 4 a very good
4 5 a very good

查看各类别的数量:

df.groupby("grade").size()

以上代码输出为:

grade
very good    3
good         2
very bad     1
dtype: int64

4. IO

Pandas支持直接从文件中读写数据,如CSV、JSON、EXCEL等文件格式。Pandas支持的文件格式如下。

Format Type Data Description Reader Writer
text CSV read_csv to_csv
text Fixed-Width Text File read_fwf  
text JSON read_json to_json
text HTML read_html to_html
text Local clipboard read_clipboard to_clipboard
  MS Excel read_excel to_excel
binary OpenDocument read_excel  
binary HDF5 Format read_hdf to_hdf
binary Feather Format read_feather to_feather
binary Parquet Format read_parquet to_parquet
binary ORC Format read_orc  
binary Msgpack read_msgpack to_msgpack
binary Stata read_stata to_stata
binary SAS read_sas  
binary SPSS read_spss  
binary Python Pickle Format read_pickle to_pickle
SQL SQL read_sql to_sql
SQL Google BigQuery read_gbq to_gbq

我们仅以CSV文件为例作为讲解。其他格式请参考上方表格。

我们从CSV文件导入数据。大家不用特别在意下方网址的域名地址

df = pd.read_csv("http://blog.caiyongji.com/assets/housing.csv")

查看前5行数据:

df.head(5)
  longitude latitude housing_median_age total_rooms total_bedrooms population households median_income median_house_value ocean_proximity
0 -122.23 37.88 41 880 129 322 126 8.3252 452600 NEAR BAY
1 -122.22 37.86 21 7099 1106 2401 1138 8.3014 358500 NEAR BAY
2 -122.24 37.85 52 1467 190 496 177 7.2574 352100 NEAR BAY
3 -122.25 37.85 52 1274 235 558 219 5.6431 341300 NEAR BAY
4 -122.25 37.85 52 1627 280 565 259 3.8462 342200 NEAR BAY

5. 绘图

Pandas支持matplotlib,matplotlib是功能强大的Python可视化工具。本节仅对Pandas支持的绘图方法进行简单介绍,我们将会在下一篇文章中进行matplotlib的详细介绍。为了不错过更新,欢迎大家关注我。

np.random.seed(999)
df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])

我们直接调用plot方法进行展示。 这里有两个需要注意的地方:

  1. 该plot方法是通过Pandas调用的plot方法,而非matplotlib。
  2. 我们知道Python语言是无需分号进行结束语句的。此处的分号表示执行绘图渲染后直接显示图像。
df.plot();

image

df.plot.bar();

image

df.plot.bar(stacked=True);

image

四、更多

我们下篇将讲解matplotlib的相关知识点,欢迎关注机器学习前置教程系列,或我的个人博客http://blog.caiyongji.com/同步更新。