Python 数据处理库 pandas 入门教程

官方账号 2018-05-1008:50:05Python评论199字数 10049阅读33分29秒阅读模式

pandas是一个Python语言软件包,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。文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

入门介绍

pandas适合于许多不同类型的数据,包括:文章源自玩技e族-https://www.playezu.com/12427.html

  • 具有异构类型列的表格数据,例如SQL表格或Excel数据文章源自玩技e族-https://www.playezu.com/12427.html

  • 有序和无序(不一定是固定频率)时间序列数据。文章源自玩技e族-https://www.playezu.com/12427.html

  • 具有行列标签的任意矩阵数据(均匀类型或不同类型)文章源自玩技e族-https://www.playezu.com/12427.html

  • 任何其他形式的观测/统计数据集。文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

关于如何获取pandas请参阅官网上的说明:pandas Installation。文章源自玩技e族-https://www.playezu.com/12427.html

通常情况下,我们可以通过pip来执行安装:文章源自玩技e族-https://www.playezu.com/12427.html

sudo pip3 install pandas文章源自玩技e族-https://www.playezu.com/12427.html

或者通过conda 来安装pandas:文章源自玩技e族-https://www.playezu.com/12427.html

conda install pandas文章源自玩技e族-https://www.playezu.com/12427.html

目前(2018年2月)pandas的最新版本是v0.22.0(发布时间:2017年12月29日)。文章源自玩技e族-https://www.playezu.com/12427.html

我已经将本文的源码测试数据放到Github上: pandas_tutorial ,读者可以前往获取。文章源自玩技e族-https://www.playezu.com/12427.html

另外,pandas常常和NumPy一起使用,本文中的源码中也会用到NumPy。文章源自玩技e族-https://www.playezu.com/12427.html

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 教程文章源自玩技e族-https://www.playezu.com/12427.html

心数据结构

pandas最核心的就是SeriesDataFrame两个数据结构。文章源自玩技e族-https://www.playezu.com/12427.html

这两种类型的数据结构对比如下:文章源自玩技e族-https://www.playezu.com/12427.html

名称维度说明
Series1维带有标签的同构类型数组
DataFrame2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。文章源自玩技e族-https://www.playezu.com/12427.html

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(el)-da(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。文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

import pandas as pd文章源自玩技e族-https://www.playezu.com/12427.html

import numpy as np文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

series1 = pd.Series([1, 2, 3, 4])文章源自玩技e族-https://www.playezu.com/12427.html

print("series1:n{}n".format(series1))文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

series1:文章源自玩技e族-https://www.playezu.com/12427.html

0    1文章源自玩技e族-https://www.playezu.com/12427.html

1    2文章源自玩技e族-https://www.playezu.com/12427.html

2    3文章源自玩技e族-https://www.playezu.com/12427.html

3    4文章源自玩技e族-https://www.playezu.com/12427.html

dtypeint64文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

这段输出说明如下:文章源自玩技e族-https://www.playezu.com/12427.html

  • 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。文章源自玩技e族-https://www.playezu.com/12427.html

  • 数据在第二列输出,第一列是数据的索引,在pandas中称之为Index文章源自玩技e族-https://www.playezu.com/12427.html

我们可以分别打印出Series中的数据和索引:文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

print("series1.values: {}n".format(series1.values))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

print("series1.index: {}n".format(series1.index))文章源自玩技e族-https://www.playezu.com/12427.html

这两行代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

series1.values[1 2 3 4]文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

series1.indexRangeIndex(start=0, stop=4, step=1)文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

series2 = pd.Series([1, 2, 3, 4, 5, 6, 7],文章源自玩技e族-https://www.playezu.com/12427.html

    index=["C", "D", "E", "F", "G", "A", "B"])文章源自玩技e族-https://www.playezu.com/12427.html

print("series2:n{}n".format(series2))文章源自玩技e族-https://www.playezu.com/12427.html

print("E is {}n".format(series2["E"]))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

series2:文章源自玩技e族-https://www.playezu.com/12427.html

C    1文章源自玩技e族-https://www.playezu.com/12427.html

D    2文章源自玩技e族-https://www.playezu.com/12427.html

E    3文章源自玩技e族-https://www.playezu.com/12427.html

F    4文章源自玩技e族-https://www.playezu.com/12427.html

G    5文章源自玩技e族-https://www.playezu.com/12427.html

A    6文章源自玩技e族-https://www.playezu.com/12427.html

B    7文章源自玩技e族-https://www.playezu.com/12427.html

dtypeint64文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

E is 3文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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4×4的矩阵,以此来创建一个DataFrame,像这样:文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df1 = pd.DataFrame(np.arange(16).reshape(4,4))文章源自玩技e族-https://www.playezu.com/12427.html

print("df1:n{}n".format(df1))文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df1:文章源自玩技e族-https://www.playezu.com/12427.html

    0   1   2   3文章源自玩技e族-https://www.playezu.com/12427.html

0   0   1   2   3文章源自玩技e族-https://www.playezu.com/12427.html

1   4   5   6   7文章源自玩技e族-https://www.playezu.com/12427.html

2   8   9  10  11文章源自玩技e族-https://www.playezu.com/12427.html

3  12  13  14  15文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

我们可以在创建DataFrame的时候指定列名和索引,像这样:文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df2 = pd.DataFrame(np.arange(16).reshape(4,4),文章源自玩技e族-https://www.playezu.com/12427.html

    columns=["column1", "column2", "column3", "column4"],文章源自玩技e族-https://www.playezu.com/12427.html

    index=["a", "b", "c", "d"])文章源自玩技e族-https://www.playezu.com/12427.html

print("df2:n{}n".format(df2))文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df2:文章源自玩技e族-https://www.playezu.com/12427.html

   column1  column2  column3  column4文章源自玩技e族-https://www.playezu.com/12427.html

a        0        1        2        3文章源自玩技e族-https://www.playezu.com/12427.html

b        4        5        6        7文章源自玩技e族-https://www.playezu.com/12427.html

c        8        9       10       11文章源自玩技e族-https://www.playezu.com/12427.html

d       12       13       14       15文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

我们也可以直接指定列数据来创建DataFrame:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df3 = pd.DataFrame({"note" : ["C", "D", "E", "F", "G", "A", "B"],文章源自玩技e族-https://www.playezu.com/12427.html

    "weekday"["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})文章源自玩技e族-https://www.playezu.com/12427.html

print("df3:n{}n".format(df3))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df3:文章源自玩技e族-https://www.playezu.com/12427.html

  note weekday文章源自玩技e族-https://www.playezu.com/12427.html

0    C     Mon文章源自玩技e族-https://www.playezu.com/12427.html

1    D     Tue文章源自玩技e族-https://www.playezu.com/12427.html

2    E     Wed文章源自玩技e族-https://www.playezu.com/12427.html

3    F     Thu文章源自玩技e族-https://www.playezu.com/12427.html

4    G     Fri文章源自玩技e族-https://www.playezu.com/12427.html

5    A     Sat文章源自玩技e族-https://www.playezu.com/12427.html

6    B     Sun文章源自玩技e族-https://www.playezu.com/12427.html

请注意:文章源自玩技e族-https://www.playezu.com/12427.html

  • DataFrame的不同列可以是不同的数据类型文章源自玩技e族-https://www.playezu.com/12427.html

  • 如果以Series数组来创建DataFrame,每个Series将成为一行,而不是一列文章源自玩技e族-https://www.playezu.com/12427.html

例如:文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"],文章源自玩技e族-https://www.playezu.com/12427.html

    index=[1, 2, 3, 4, 5, 6, 7])文章源自玩技e族-https://www.playezu.com/12427.html

weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],文章源自玩技e族-https://www.playezu.com/12427.html

    index=[1, 2, 3, 4, 5, 6, 7])文章源自玩技e族-https://www.playezu.com/12427.html

df4 = pd.DataFrame([noteSeries, weekdaySeries])文章源自玩技e族-https://www.playezu.com/12427.html

print("df4:n{}n".format(df4))文章源自玩技e族-https://www.playezu.com/12427.html

df4的输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df4:文章源自玩技e族-https://www.playezu.com/12427.html

     1    2    3    4    5    6    7文章源自玩技e族-https://www.playezu.com/12427.html

0    C    D    E    F    G    A    B文章源自玩技e族-https://www.playezu.com/12427.html

1  Mon  Tue  Wed  Thu  Fri  Sat  Sun文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

我们可以通过下面的形式给DataFrame添加或者删除列数据:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df3["No."] = pd.Series([1, 2, 3, 4, 5, 6, 7])文章源自玩技e族-https://www.playezu.com/12427.html

print("df3:n{}n".format(df3))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

del df3["weekday"]文章源自玩技e族-https://www.playezu.com/12427.html

print("df3:n{}n".format(df3))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

df3:文章源自玩技e族-https://www.playezu.com/12427.html

  note weekday  No.文章源自玩技e族-https://www.playezu.com/12427.html

0    C     Mon    1文章源自玩技e族-https://www.playezu.com/12427.html

1    D     Tue    2文章源自玩技e族-https://www.playezu.com/12427.html

2    E     Wed    3文章源自玩技e族-https://www.playezu.com/12427.html

3    F     Thu    4文章源自玩技e族-https://www.playezu.com/12427.html

4    G     Fri    5文章源自玩技e族-https://www.playezu.com/12427.html

5    A     Sat    6文章源自玩技e族-https://www.playezu.com/12427.html

6    B     Sun    7文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df3:文章源自玩技e族-https://www.playezu.com/12427.html

  note  No.文章源自玩技e族-https://www.playezu.com/12427.html

0    C    1文章源自玩技e族-https://www.playezu.com/12427.html

1    D    2文章源自玩技e族-https://www.playezu.com/12427.html

2    E    3文章源自玩技e族-https://www.playezu.com/12427.html

3    F    4文章源自玩技e族-https://www.playezu.com/12427.html

4    G    5文章源自玩技e族-https://www.playezu.com/12427.html

5    A    6文章源自玩技e族-https://www.playezu.com/12427.html

6    B    7文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

print("df3.columnsn{}n".format(df3.columns))文章源自玩技e族-https://www.playezu.com/12427.html

print("df3.indexn{}n".format(df3.index))文章源自玩技e族-https://www.playezu.com/12427.html

这两行代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df3.columns文章源自玩技e族-https://www.playezu.com/12427.html

Index(['note', 'No.'], dtype='object')文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df3.index文章源自玩技e族-https://www.playezu.com/12427.html

RangeIndex(start=0, stop=7, step=1)文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

请注意:文章源自玩技e族-https://www.playezu.com/12427.html

  • Index并非集合,因此其中可以包含重复的数据文章源自玩技e族-https://www.playezu.com/12427.html

  • 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文章源自玩技e族-https://www.playezu.com/12427.html

DataFrame提供了下面两个操作符来访问其中的数据:文章源自玩技e族-https://www.playezu.com/12427.html

  • loc:通过行和列的索引来访问数据文章源自玩技e族-https://www.playezu.com/12427.html

  • iloc:通过行和列的下标来访问数据文章源自玩技e族-https://www.playezu.com/12427.html

例如这样:文章源自玩技e族-https://www.playezu.com/12427.html

# data_structure.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

print("Note C, D is:n{}n".format(df3.loc[[0, 1], "note"]))文章源自玩技e族-https://www.playezu.com/12427.html

print("Note C, D is:n{}n".format(df3.iloc[[0, 1], 0]))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

这两行代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

Note C, D is:文章源自玩技e族-https://www.playezu.com/12427.html

0    C文章源自玩技e族-https://www.playezu.com/12427.html

1    D文章源自玩技e族-https://www.playezu.com/12427.html

Namenote, dtypeobject文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

Note C, D is:文章源自玩技e族-https://www.playezu.com/12427.html

0    C文章源自玩技e族-https://www.playezu.com/12427.html

1    D文章源自玩技e族-https://www.playezu.com/12427.html

Namenote, dtypeobject文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

  • read_csv文章源自玩技e族-https://www.playezu.com/12427.html

  • read_table文章源自玩技e族-https://www.playezu.com/12427.html

  • read_fwf文章源自玩技e族-https://www.playezu.com/12427.html

  • read_clipboard文章源自玩技e族-https://www.playezu.com/12427.html

  • read_excel文章源自玩技e族-https://www.playezu.com/12427.html

  • read_hdf文章源自玩技e族-https://www.playezu.com/12427.html

  • read_html文章源自玩技e族-https://www.playezu.com/12427.html

  • read_json文章源自玩技e族-https://www.playezu.com/12427.html

  • read_msgpack文章源自玩技e族-https://www.playezu.com/12427.html

  • read_pickle文章源自玩技e族-https://www.playezu.com/12427.html

  • read_sas文章源自玩技e族-https://www.playezu.com/12427.html

  • read_sql文章源自玩技e族-https://www.playezu.com/12427.html

  • read_stata文章源自玩技e族-https://www.playezu.com/12427.html

  • read_feather文章源自玩技e族-https://www.playezu.com/12427.html

读取Excel文件

注:要读取Excel文件,还需要安装另外一个库:xlrd文章源自玩技e族-https://www.playezu.com/12427.html

通过pip可以这样完成安装:文章源自玩技e族-https://www.playezu.com/12427.html

sudo pip3 install xlrd文章源自玩技e族-https://www.playezu.com/12427.html

安装完之后可以通过pip查看这个库的信息:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

$  pip3 show xlrd文章源自玩技e族-https://www.playezu.com/12427.html

Namexlrd文章源自玩技e族-https://www.playezu.com/12427.html

Version1.1.0文章源自玩技e族-https://www.playezu.com/12427.html

SummaryLibrary for developers to extract data from Microsoft Excel (tm) spreadsheet files文章源自玩技e族-https://www.playezu.com/12427.html

Home-pagehttp://www.python-excel.org/文章源自玩技e族-https://www.playezu.com/12427.html

AuthorJohn Machin文章源自玩技e族-https://www.playezu.com/12427.html

Author-emailsjmachin@lexicon.net文章源自玩技e族-https://www.playezu.com/12427.html

LicenseBSD文章源自玩技e族-https://www.playezu.com/12427.html

Location: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages文章源自玩技e族-https://www.playezu.com/12427.html

Requires:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

接下来我们看一个读取Excel的简单的例子文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# file_operation.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

import pandas as pd文章源自玩技e族-https://www.playezu.com/12427.html

import numpy as np文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df1 = pd.read_excel("data/test.xlsx")文章源自玩技e族-https://www.playezu.com/12427.html

print("df1:n{}n".format(df1))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

这个Excel的内容如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df1:文章源自玩技e族-https://www.playezu.com/12427.html

   C  Mon文章源自玩技e族-https://www.playezu.com/12427.html

0  D  Tue文章源自玩技e族-https://www.playezu.com/12427.html

1  E  Wed文章源自玩技e族-https://www.playezu.com/12427.html

2  F  Thu文章源自玩技e族-https://www.playezu.com/12427.html

3  G  Fri文章源自玩技e族-https://www.playezu.com/12427.html

4  A  Sat文章源自玩技e族-https://www.playezu.com/12427.html

5  B  Sun文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

读取CSV文件

下面,我们再来看读取CSV文件的例子。文章源自玩技e族-https://www.playezu.com/12427.html

第一个CSV文件内容如下文章源自玩技e族-https://www.playezu.com/12427.html

$ cat test1.csv文章源自玩技e族-https://www.playezu.com/12427.html

C,Mon文章源自玩技e族-https://www.playezu.com/12427.html

D,Tue文章源自玩技e族-https://www.playezu.com/12427.html

E,Wed文章源自玩技e族-https://www.playezu.com/12427.html

F,Thu文章源自玩技e族-https://www.playezu.com/12427.html

G,Fri文章源自玩技e族-https://www.playezu.com/12427.html

A,Sat文章源自玩技e族-https://www.playezu.com/12427.html

读取的方式也很简单:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# file_operation.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df2 = pd.read_csv("data/test1.csv")文章源自玩技e族-https://www.playezu.com/12427.html

print("df2:n{}n".format(df2))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

我们再来看第2个例子,这个文件的内容如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

$ cat test2.csv文章源自玩技e族-https://www.playezu.com/12427.html

C|Mon文章源自玩技e族-https://www.playezu.com/12427.html

D|Tue文章源自玩技e族-https://www.playezu.com/12427.html

E|Wed文章源自玩技e族-https://www.playezu.com/12427.html

F|Thu文章源自玩技e族-https://www.playezu.com/12427.html

G|Fri文章源自玩技e族-https://www.playezu.com/12427.html

A|Sat文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# file_operation.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df3 = pd.read_csv("data/test2.csv", sep="|")文章源自玩技e族-https://www.playezu.com/12427.html

print("df3:n{}n".format(df3))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

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:pandas.read_csv文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

# process_na.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

import pandas as pd文章源自玩技e族-https://www.playezu.com/12427.html

import numpy as np文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],文章源自玩技e族-https://www.playezu.com/12427.html

                  [5.0, np.nan, np.nan, 8.0],文章源自玩技e族-https://www.playezu.com/12427.html

                  [9.0, np.nan, np.nan, 12.0],文章源自玩技e族-https://www.playezu.com/12427.html

                  [13.0, np.nan, 15.0, 16.0]])文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

print("df:n{}n".format(df));文章源自玩技e族-https://www.playezu.com/12427.html

print("df:n{}n".format(pd.isna(df)));****文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df:文章源自玩技e族-https://www.playezu.com/12427.html

      0   1     2     3文章源自玩技e族-https://www.playezu.com/12427.html

0   1.0 NaN   3.0   4.0文章源自玩技e族-https://www.playezu.com/12427.html

1   5.0 NaN   NaN   8.0文章源自玩技e族-https://www.playezu.com/12427.html

2   9.0 NaN   NaN  12.0文章源自玩技e族-https://www.playezu.com/12427.html

3  13.0 NaN  15.0  16.0文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df:文章源自玩技e族-https://www.playezu.com/12427.html

       0     1      2      3文章源自玩技e族-https://www.playezu.com/12427.html

0  False  True  False  False文章源自玩技e族-https://www.playezu.com/12427.html

1  False  True   True  False文章源自玩技e族-https://www.playezu.com/12427.html

2  False  True   True  False文章源自玩技e族-https://www.playezu.com/12427.html

3  False  True  False  False文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

忽略无效值

我们可以通过pandas.DataFrame.dropna函数抛弃无效值:文章源自玩技e族-https://www.playezu.com/12427.html

# process_na.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

print("df.dropna():n{}n".format(df.dropna()));文章源自玩技e族-https://www.playezu.com/12427.html

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文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

df.dropna():文章源自玩技e族-https://www.playezu.com/12427.html

Empty DataFrame文章源自玩技e族-https://www.playezu.com/12427.html

Columns[0, 1, 2, 3]文章源自玩技e族-https://www.playezu.com/12427.html

Index[]文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

我们也可以选择抛弃整列都是无效值的那一列:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# process_na.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

print("df.dropna(axis=1, how='all'):n{}n".format(df.dropna(axis=1, how='all')));文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

注:axis=1表示列的轴。how可以取值’any’或者’all’,默认是前者。文章源自玩技e族-https://www.playezu.com/12427.html

这行代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

df.dropna(axis=1, how='all'):文章源自玩技e族-https://www.playezu.com/12427.html

      0     2     3文章源自玩技e族-https://www.playezu.com/12427.html

0   1.0   3.0   4.0文章源自玩技e族-https://www.playezu.com/12427.html

1   5.0   NaN   8.0文章源自玩技e族-https://www.playezu.com/12427.html

2   9.0   NaN  12.0文章源自玩技e族-https://www.playezu.com/12427.html

3  13.0  15.0  16.0文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

# process_na.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

print("df.fillna(1):n{}n".format(df.fillna(1)));文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df.fillna(1):文章源自玩技e族-https://www.playezu.com/12427.html

      0    1     2     3文章源自玩技e族-https://www.playezu.com/12427.html

0   1.0  1.0   3.0   4.0文章源自玩技e族-https://www.playezu.com/12427.html

1   5.0  1.0   1.0   8.0文章源自玩技e族-https://www.playezu.com/12427.html

2   9.0  1.0   1.0  12.0文章源自玩技e族-https://www.playezu.com/12427.html

3  13.0  1.0  15.0  16.0文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# process_na.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df.rename(index={0'index1', 1'index2', 2'index3', 3'index4'},文章源自玩技e族-https://www.playezu.com/12427.html

          columns={0'col1', 1'col2', 2'col3', 3'col4'},文章源自玩技e族-https://www.playezu.com/12427.html

          inplace=True);文章源自玩技e族-https://www.playezu.com/12427.html

df.fillna(value={'col2'2}, inplace=True)文章源自玩技e族-https://www.playezu.com/12427.html

df.fillna(value={'col3'7}, inplace=True)文章源自玩技e族-https://www.playezu.com/12427.html

print("df:n{}n".format(df));文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

这段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

df:文章源自玩技e族-https://www.playezu.com/12427.html

        col1  col2  col3  col4文章源自玩技e族-https://www.playezu.com/12427.html

index1   1.0   2.0   3.0   4.0文章源自玩技e族-https://www.playezu.com/12427.html

index2   5.0   2.0   7.0   8.0文章源自玩技e族-https://www.playezu.com/12427.html

index3   9.0   2.0   7.0  12.0文章源自玩技e族-https://www.playezu.com/12427.html

index4  13.0   2.0  15.0  16.0文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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。文章源自玩技e族-https://www.playezu.com/12427.html

Seriesstr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。文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

# process_string.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

import pandas as pd文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

s1 = pd.Series([' 1', '2 ', ' 3 ', '4', '5']);文章源自玩技e族-https://www.playezu.com/12427.html

print("s1.str.rstrip():n{}n".format(s1.str.lstrip()))文章源自玩技e族-https://www.playezu.com/12427.html

print("s1.str.strip():n{}n".format(s1.str.strip()))文章源自玩技e族-https://www.playezu.com/12427.html

print("s1.str.isdigit():n{}n".format(s1.str.isdigit()))文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

s1.str.rstrip():文章源自玩技e族-https://www.playezu.com/12427.html

0     1文章源自玩技e族-https://www.playezu.com/12427.html

1    2文章源自玩技e族-https://www.playezu.com/12427.html

2    3文章源自玩技e族-https://www.playezu.com/12427.html

3     4文章源自玩技e族-https://www.playezu.com/12427.html

4     5文章源自玩技e族-https://www.playezu.com/12427.html

dtypeobject文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

s1.str.strip():文章源自玩技e族-https://www.playezu.com/12427.html

0    1文章源自玩技e族-https://www.playezu.com/12427.html

1    2文章源自玩技e族-https://www.playezu.com/12427.html

2    3文章源自玩技e族-https://www.playezu.com/12427.html

3    4文章源自玩技e族-https://www.playezu.com/12427.html

4    5文章源自玩技e族-https://www.playezu.com/12427.html

dtypeobject文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

s1.str.isdigit():文章源自玩技e族-https://www.playezu.com/12427.html

0    False文章源自玩技e族-https://www.playezu.com/12427.html

1    False文章源自玩技e族-https://www.playezu.com/12427.html

2    False文章源自玩技e族-https://www.playezu.com/12427.html

3     True文章源自玩技e族-https://www.playezu.com/12427.html

4     True文章源自玩技e族-https://www.playezu.com/12427.html

dtypebool文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

# process_string.py文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

s2 = pd.Series(['Stairway to Heaven', 'Eruption', 'Freebird',文章源自玩技e族-https://www.playezu.com/12427.html

                    'Comfortably Numb', 'All Along the Watchtower'])文章源自玩技e族-https://www.playezu.com/12427.html

print("s2.str.lower():n{}n".format(s2.str.lower()))文章源自玩技e族-https://www.playezu.com/12427.html

print("s2.str.upper():n{}n".format(s2.str.upper()))文章源自玩技e族-https://www.playezu.com/12427.html

print("s2.str.len():n{}n".format(s2.str.len()))文章源自玩技e族-https://www.playezu.com/12427.html


该段代码输出如下:文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

s2.str.lower():文章源自玩技e族-https://www.playezu.com/12427.html

0          stairway to heaven文章源自玩技e族-https://www.playezu.com/12427.html

1                    eruption文章源自玩技e族-https://www.playezu.com/12427.html

2                    freebird文章源自玩技e族-https://www.playezu.com/12427.html

3            comfortably numb文章源自玩技e族-https://www.playezu.com/12427.html

4    all along the watchtower文章源自玩技e族-https://www.playezu.com/12427.html

dtypeobject文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

s2.str.upper():文章源自玩技e族-https://www.playezu.com/12427.html

0          STAIRWAY TO HEAVEN文章源自玩技e族-https://www.playezu.com/12427.html

1                    ERUPTION文章源自玩技e族-https://www.playezu.com/12427.html

2                    FREEBIRD文章源自玩技e族-https://www.playezu.com/12427.html

3            COMFORTABLY NUMB文章源自玩技e族-https://www.playezu.com/12427.html

4    ALL ALONG THE WATCHTOWER文章源自玩技e族-https://www.playezu.com/12427.html

dtypeobject文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

s2.str.len():文章源自玩技e族-https://www.playezu.com/12427.html

0    18文章源自玩技e族-https://www.playezu.com/12427.html

1     8文章源自玩技e族-https://www.playezu.com/12427.html

2     8文章源自玩技e族-https://www.playezu.com/12427.html

3    16文章源自玩技e族-https://www.playezu.com/12427.html

4    24文章源自玩技e族-https://www.playezu.com/12427.html

dtypeint64文章源自玩技e族-https://www.playezu.com/12427.html

 文章源自玩技e族-https://www.playezu.com/12427.html

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。对于文章源自玩技e族-https://www.playezu.com/12427.html

  • MultiIndex/Advanced Indexing文章源自玩技e族-https://www.playezu.com/12427.html

  • Merge, join, concatenate文章源自玩技e族-https://www.playezu.com/12427.html

  • Computational tools文章源自玩技e族-https://www.playezu.com/12427.html

之类的高级功能,以后有机会我们再来一起学习。文章源自玩技e族-https://www.playezu.com/12427.html

读者也可以根据下面的链接获取更多的知识。文章源自玩技e族-https://www.playezu.com/12427.html

参考资料与推荐读物

  • pandas官方网站文章源自玩技e族-https://www.playezu.com/12427.html

  • Python for Data Analysis文章源自玩技e族-https://www.playezu.com/12427.html

  • Pandas Tutorial: Data analysis with Python: Part 1文章源自玩技e族-https://www.playezu.com/12427.html

文章源自玩技e族-https://www.playezu.com/12427.html
注意:本文法律责任由该文章作者承担,侵权请联系2523030730▷诈骗举报◁▷新闻不符◁▷我要投稿◁
  • 我们QQ群
  • QQ扫一扫
  • weinxin
  • 微信公众号
  • 公众号扫一扫
  • weinxin
匿名

发表评论

匿名网友

确定