2，Python常用库之二：Pandas

Pandas是用于数据操纵和分析，建立在Numpy之上的。Pandas为Python带来了两种新的数据结构：Pandas Series和Pandas DataFrame，借助这两种数据结构，我们能够轻松直观地处理带标签数据和关系数据。

Pandas功能：

允许为行和列设定标签
可以针对时间序列数据计算滚动统计学指标
轻松处理NaN值
能够将不同的数据集合并在一起
与Numpy和Matplotlib集成

Pandas Series

Pandas series 是像数组一样的一维对象，可以存储很多类型的数据。Pandas series 和 Numpy array之间的主要区别之一是你可以为Pandas series 中的每个元素分配索引标签；另一个区别是Pandas series 可以同时存储不同类型的数据。

创建 Pandas Series

pd.Series(data, index)

1 groceries = pd.Series(data=[30, 6, 'yes', 'No'], index=['eggs', 'apples', 'milk', 'bread'])
2 ser = pd.Series(data=[[0, 1, 2, 3], [1, 3, 5, 7], [2, 4, 6, 8]], index=(['a', 'b', 'c']))

查看 Pandas Series 属性

print(groceries.size) 　　# 数量

print(groceries.shape)　　# 形状

print(groceries.ndim) 　　# 维度

print(groceries.index)　　# 索引列表

print(groceries.values)　# 元素列表

查看是否存在某个索引标签：in

1 print('book' in groceries)

访问 Pandas Series 中元素切片和索引

Pandas Series 提供了两个属性 .loc 和 .iloc

.loc 表明我们使用的是标签索引访问

.iloc 表明我们使用的是数字索引访问

  # 标签索引
  print(groceries['eggs'])
  print(groceries[['eggs', 'milk']])
 # 数字索引
  print(groceries[1])
  print(groceries[[1, 2]])
  print(groceries[-1])
 # 明确标签索引
 print(groceries.loc['milk'])
 print(groceries.loc[['eggs', 'apples']])
 # 明确数字索引
 print(groceries.iloc[0])
 print(groceries.iloc[[0, 1]])
 可以使用groceries.head(),tail()分别查看前n个和后n个值
 groceries.unique进行去重操作

修改和删除 Pandas Series 中元素

直接标签访问，值修改就可

1 groceries['eggs'] = 2
2 print(groceries)

删除：drop(参数 1：lable，标签；参数 2：inplace=True/False，是/否修改原 Series)

1 print(ser.drop(['b']))
2 print(ser.drop(['a', 'b'], inplace=True))

Pandas Series 中元素执行算术运算

Pandas Series执行元素级算术运算：加、减、乘、除

fruits = pd.Series(data=[10, 6, 3], index=['apples', 'oranges', 'bananas'])
# 所有数字进行运算
print(fruits + 2)
print(fruits - 2)
print(fruits * 2)
print(fruits / 2)
# 所有元素应用Numpy中的数学函数
print(np.exp(fruits))
print(np.sqrt(fruits))
print(np.power(fruits, 2))
# 部分元素进行运算
print(fruits[0] - 2)
print(fruits['apples'] + 2)
print(fruits.loc['oranges'] * 2)
print(np.power(fruits.iloc[0], 2))

Pandas DataFrame

DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引，也有列索引。

行索引：index
列索引：columns
值：values

创建 Pandas DataFrame

第一步：创建 Pandas Series 字典

第二步：将字典传递给 pd.DataFrame

1 items = {'Bob': pd.Series(data=[245, 25, 55], index=['bike', 'pants', 'watch']),
2          'Alice': pd.Series(data=[40, 110, 500, 45], index=['book', 'glasses', 'bike', 'pants'])}
3 shopping_carts = pd.DataFrame(items)
4 print(shopping_carts)

通过关键字 columns 和 index 选择要将哪些数据放入 DataFrame 中

1 shopping_cart = pd.DataFrame(items, index=['bike', 'pants'], columns=['Bob'])
2 print(shopping_cart)

访问、添加、删除 DataFrame

访问整列：dataframe[['column1', 'column2']]

1 # 读取列
2 print(shopping_carts[['Bob', 'Alice']])

访问整行：dataframe.loc[['row1', 'row2']]

 # 读取行
 print(shopping_carts.loc[['bike']])

访问某行某列：dataframe['column']['row']，先提供行标签，将出错。

 # 读取某一列某一行
 print(shopping_carts['Bob']['bike'])

【注意】直接用中括号时：

索引表示的是列索引
切片表示的是行切片

shopping_carts.iloc[[0,1]]　#读取数据的第一行第二列的那个数据
shopping_carts[0:2] 　　　　#读取第一二行的数据

shopping_carts.iloc[:,0:1] #读取数据的所有行和第一列

添加整列（末尾添加列），空值用 None

 # 添加列
 shopping_carts['Mike'] = [10, 30, 10, 90, None]

添加整行（末尾添加行），把新添加行创建为 dataframe，通过 append() 添加

 # 添加行
 new_items = [{'Alice': 30, 'Bob': 20,  'Mark': 35, 'Mike': 50}]
 new_store = pd.DataFrame(new_items, index=['store3'])
 shopping_carts = shopping_carts.append(new_store)

只能删除整列：pop('lable')

 # 删除整列
 shopping_carts.pop('Jey')

删除行或者列：drop(['lable1', 'lable2'], axis=0/1)　　0表示行，1表示列

 # 删除行
 shopping_carts = shopping_carts.drop(['store3', 'watch'], axis=0)

更改行和列标签

rename()

 # 更改列标签
 shopping_carts = shopping_carts.rename(columns={'Bob': 'Jey'})
 # 更改行标签
 shopping_carts = shopping_carts.rename(index={'bike': 'hats'})

处理 NaN

统计 NaN 数量：isnull().sum().sum

# 数值转化为 True 或者 False
print(store_items.isnull())
# 每一列的 NaN 的数量
print(store_items.isnull().sum())
# NaN 总数
print(store_items.isnull().sum().sum())

统计非 NaN 数量：count(axis=0/1)

# 每一行非 NaN 的数量，通过列统计
print(store_items.count(axis=1))
# 每一列非 NaN 的数量，通过行统计
print(store_items.count(axis=0))

删除具有NaN值的行和列：dropna(axis=0/1, inplace=True/False)　　inplace默认False，原始DataFrame不会改变；inplace为True，在原始DataFrame删除行或者列

# 删除包含NaN值的任何行
store_items.dropna(axis=0)
# 删除包含NaN值的任何列
store_items.dropna(axis=1, inplace=True)

将 NaN 替换合适的值：fillna()

 # 将所有 NaN 替换为 0
 store_items.fillna(value=0)
 # 前向填充：将 NaN 值替换为 DataFrame 中的上个值，axis决定列或行中的上个值
 store_items.fillna(method='ffill', axis=1)
 # 后向填充：将 NaN 值替换为 DataFrame 中的下个值，axis决定列或行中的下个值
 store_items.fillna(method='backfill', axis=0)

pandas的拼接操作

级联：pd.concat, pd.append
合并：pd.merge, pd.join

级联

1，匹配级联：

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
df1 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','b','c'],columns=['A','B','C'])
df2 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','d','c'],columns=['A','d','C'])
pd.concat((df1,df1),axis=0,join='inner')

2，不匹配级联

不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致，横向级联时行索引不一致

有2种连接方式：

外连接：补NaN（默认模式）

内连接：只连接匹配的项

pd.concat((df1,df2),axis=1,join='outer')

pd.merge()合并

merge与concat的区别在于，merge需要依据某一共同的列来进行合并

使用pd.merge()合并时，会自动根据两者相同column名称的那一列，作为key来进行合并。

注意每一列元素的顺序不要求一致

参数：

how：out取并集 inner取交集

on：当有多列相同的时候，可以使用on来指定使用那一列进行合并，on的值为一个列表

1) 一对一合并

df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
                'group':['Accounting','Engineering','Engineering'],
                })
df1

df2 = DataFrame({'employee':['Lisa','Bob','Jake'],
                'hire_date':[2004,2008,2012],
                })
df2

pd.merge(df1,df2,how='outer')

2) 多对一合并

df3 = DataFrame({
    'employee':['Lisa','Jake'],
    'group':['Accounting','Engineering'],
    'hire_date':[2004,2016]})
df3

df4 = DataFrame({'group':['Accounting','Engineering','Engineering'],
                       'supervisor':['Carly','Guido','Steve']
                })
df4

pd.merge(df3,df4)

3) 多对多合并

df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
                 'group':['Accounting','Engineering','Engineering']})
df1

df5 = DataFrame({'group':['Engineering','Engineering','HR'],
                'supervisor':['Carly','Guido','Steve']
                })
df5

pd.merge(df1,df5,how='outer')

4) key的规范化

当列冲突时，即有多个列名称相同时，需要使用on=来指定哪一个列作为key，配合suffixes指定冲突列名

df1 = DataFrame({'employee':['Jack',"Summer","Steve"],
                 'group':['Accounting','Finance','Marketing']})

df2 = DataFrame({'employee':['Jack','Bob',"Jake"],
                 'hire_date':[2003,2009,2012],
                'group':['Accounting','sell','ceo']})

display(df1,df2)

当两张表没有可进行连接的列时，可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列

加载数据

csv 格式文件，每一行都是用逗号隔开：read_csv()

1 # 读取 csv 文件，第一行作为列标签
2 data = pd.read_csv('data.csv')
3 print(data)
4 print(data.shape)
5 print(type(data))

读取前 N 行数据：head(N)

 # 读取头 3 行数据
 print(data.head(3))

读取最后 N 行数据：tail(N)

 # 读取后 5 行数据
 print(data.tail(5))

检查是否有任何列包含 NaN 值：isnull().any() / notnull().all() 　　类型 bool

 # 检查任何列是否有 NaN 值，返回值：bool
  print(data.isnull().any())

# 检查任何行是否不存在 NaN 值，返回值：bool
  data.notnull().all(axis=1)

数据集的统计信息：describe()

1 # 获取 DataFrame 每列的统计信息：count，mean，std，min，25%，50%，75%，max
2 # 25%：四分之一位数；50%：中位数；75%：四分之三位数
3 print(data.describe())
4 # 通过统计学函数查看某个统计信息
5 print(data.max())
6 print(data.median())

数据相关性：不同列的数据是否有关联，1 表明关联性很高，0 表明数据不相关。corr()

1 # 数据相关性
2 print(data.corr())

数据分组：groupby(['lable1', 'lable2'])

1 # 按年份分组，统计总薪资
2 data.groupby(['Year'])['Salary'].sum()
3 # 按年份分组，统计平均薪资
4 data.groupby(['Year'])['Salary'].mean()
5 # 按年份，部门分组，统计总薪资
6 data.groupby(['Year', 'Department'])['Salary'].sum()

简单练习

df = DataFrame(data=np.random.randint(10,50,size=(8,8)))
df

df.iloc[1,2] = None 
df.iloc[2,2] = None 
df.iloc[6,2] = None 
df.iloc[6,7] = None 
df

df.loc[df.isnull().any(axis=1)]  # 获取所有存在空值的行

df.loc[df.notnull().all(axis=1)]    # 检测所有都不为空的行

df.dropna(axis=0)  # 删除存在所有存在空值的行