5分钟入门pandas

pandas是在数据处理、数据分析以及数据可视化上都有比较多的应用，这篇文章就来介绍一下pandas的入门。劳动节必须得劳动劳动

1. 基础用法

以下代码在jupyter中运行，Python 版本3.6。首先导入 pandas

import pandas as pd

# 为了能在jupyter中展示图表
%matplotlib inline

# 从csv文件读取数据，也可从excel、json文件中读取
# 也可以通过sql从数据库读数据
data = pd.read_csv('order_list.csv')

# 输出几行几列
data.shape

output:
(1000, 3)

可以看到，变量 data 是一个二维表，有1000行，3列。pandas中这种数据类型被称作 DataFrame。

# 查看数据描述
data.describe()

data 中有3列，good_id、good_cnt 和 order_id 分别代表商品id、购买该商品数量和订单id。最左侧是describe函数统计的指标，包括每一列的数量、均值、标准差、最大值、最小值等等。

# 预览数据，条数可设
data.head(3)

# 获取第2行数据
data.loc[2]

output:
good_id       100042
good_cnt           1
order_id    10000002
Name: 2, dtype: int64

# 获取多行数据，数组元素代表行号
data.loc[[1, 2]]

# 获取商品id=100012的所有记录
data[data['good_id']==100012]

# 获取商品id=100012且每笔订单销量=6的所有记录  
data[(data['good_id']==100087) & (data['good_cnt']==6)]

# 获取订单号在[10000000, 10000042]中的记录
data[data['order_id'].isin([10000000, 10000042])]

# 画100012商品，每笔订单销量折线图
data[data['good_id']==100012]['good_cnt'].plot()

# 画100012商品，销量柱状图
data[data['good_id']==100012]['good_cnt'].hist()

# 更新数据，将第1行的good_cnt列改为10
data.loc[1, 'good_cnt'] = 10
data.head(3)

# 将100012商品每笔订单销量都改为20
data.loc[data['good_id']==100012, 'good_cnt'] = 20
data.head(3)

2. 中级用法

# 统计每种商品出现次数
# 即：每种商品的下单次数
data['good_id'].value_counts()
output:
100080    18
100010    16
100073    16
100097    15
100096    15
          ..
100079     5
100077     5
100007     4
100037     4
100033     4
Name: good_id, Length: 100, dtype: int64

# 取出商品销量列，该列中每个值都加1
data['good_cnt'].map(lambda x: x+1)
output:
0      21
1      11
2       2
3       4
4      10
       ..
995     8
996     9
997     6
998     5
999     9
Name: good_cnt, Length: 1000, dtype: int64

这里，map并不改变原有的 data 中的数据，而是返回新的对象。

# 对数据集每列调用给定的函数
data.apply(len)

这里是对每列执行len函数，当然apply中的len函数也可以换成自定义的 lambda 表达式。另外，如果想按行做处理，则在调用apply函数时加上axis=1参数即可。

# 对数据集中所有元素调用给定函数
# 同样不改变原有数据集
data.applymap(lambda x: x*100) 

# 计算每列之间的相关系数
data.corr()

# 画出相关系数矩阵
pd.plotting.scatter_matrix(data, figsize=(12,8))

以左小角为例，它表示商品id（good_id）和订单id（order_id）之间的相关性。由于点比较分散，没有任何规律，因此可以说明这两列在数据值上没有相关性，这也好理解，因为本来它俩就是不同的概念。

相关系数矩阵一般用于机器学习中观察不同特征之间的相关性。

3. 高级用法

实现SQL join操作

# 构造DateFrame，代表订单发生的城市
order_city_df = pd.DataFrame(
    dict(order_id=[10000000, 10000001], 
         city=['上海', '北京'])
)

# 实现join
data.merge(order_city_df, on=['order_id'])

实现SQL group by操作

# 统计每个商品的总销量
data.groupby('good_id')['good_cnt'].sum().reset_index()

遍历 DataFrame 中每行数据

dictionary = {}

for i,row in data.iterrows():
  dictionary[row['good_id']] = row['good_cnt']

pandas的入门就介绍到这里，希望能对你有帮助。对于想继续深入的朋友可以参考pandas官方文档，中英文都有。另外，我们使用pandas一般都是单机来处理，如果数据量比较大，单机运行起来会比较慢。这时候你可能会用到另外一个工具叫 Dask，它的接口兼容 pandas，可以与pandas相互转换，并且可以运行在集群上分布式处理数据。

如需完整代码，在公众号回复关键字 pd 即可

欢迎公众号「渡码」，输出别地儿看不到的干货。