Pandas概论

作者|Billy Fetzner
编译|VK
来源|Towards Data Science

我认为，既然你点开了这个页面，你可能有大量的数据需要分析，你可能正在想最好和最有效的方法来解决你数据的一些问题。你问题的答案可以通过Pandas解决。

如何接触Pandas

由于Pandas的流行，它有自己的传统缩写，所以无论何时将Pandas导入python，请使用以下命名：

import pandas as pd

Pandas包的主要用途是数据框

Pandas API将Pandas数据帧定义为：

二维、大小可变、潜在的异构表格数据。数据结构还包含轴（行和列）。算术运算对行标签和列标签进行对齐。可以认为是一个类似于dict的容器，用于存储序列对象。是Pandas主要的数据结构。

基本上，这意味着你有包含在格式中的数据，如下所示。在行和列中找到的数据：

数据帧非常有用，因为它们提供了一种高效的方法来可视化数据，然后按你希望的方式操作数据。

这些行可以很容易地被索引引用，索引是数据帧最左边的数字。索引将是从零开始的编号，除非你指定每一行的名称。列也可以很容易地被列名称（例如“Track name”）或其在数据帧中的位置进行引用。我们将在本文后面详细讨论引用行和列。

创建数据帧

创建Pandas数据帧的方法有几种：

1. 从.csv文件导入数据（或其他文件类型，例如Excel、SQL数据库）

2. 从列表中

3. 从字典里

4. 从numpy数组

5. 其他

通常，你将主要将.csv文件或某种类型的数据源的数据放入Pandas数据框架中，而不是从头开始，因为这将需要非常长的时间来完成，这取决于你拥有的数据量。以下是python字典中的一个快速、简单的示例：

import pandas as pd
dict1 = {'Exercises': ['Running','Walking','Cycling'],
         'Mileage': [250, 1000, 550]}
df = pd.DataFrame(dict1)
df

输出：

字典键（“Exercises”和“Mileage”）成为相应的列标题。字典中的值是本示例中的列表，成为数据帧中的单个数据点。Running是“Exercises”列表中的第一个，250将被列在第二列的第一个。另外，你会注意到，由于我没有为数据帧的索引指定标签，因此它会自动标记为0、1和2。

但是，就像我之前所说的，创建Pandas数据帧的最可能方法是从csv或其他类型的文件中导入，你将导入该文件来分析数据。只需以下内容即可轻松完成：

df = pd.read_csv("file_location.../file_name.csv")

pd.read_csv是一种非常强大和通用的方法，根据你希望如何导入数据，它将非常有用。如果csv文件已经附带了头或索引，则可以在导入时指定。为了充分了解pd.read_csv，我建议你看看这里的PandasAPI：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html?highlight=read_csv

第一件事

现在你已经准备好了这个巨大的数据集，你必须查看它，看看它的外观。作为一个分析这些数据的人，首先必须对数据集熟悉，并真正了解数据集中发生了什么。我喜欢用四种方法来了解我的数据。

1. .head() & .tail()
2. .info()
3. .describe()
4. .sample()

raw_song.head()

它显示数据帧的前5行和每个列，以便你轻松地总结数据的外观。你还可以在方法中指定一定数量的行，以显示更多行。

.tail仅显示最后5行。

raw_song.tail()

从这两个快速方法中，我对列名和数据的外观有了一个大致的了解，这只是从数据集的一个小样本中得到的。这些方法也非常有用，尤其是对于Spotify数据集这样的数据集，处理超过300万行的数据时，你可以轻松地显示数据集并快速了解数据，而且你的计算机也不会花很长时间来显示数据。

.info也很有用，它向我显示了所有列、它们的数据类型以及是否有null数据点。

raw_song.info(verbose=True, null_counts=True)

如果你有完整的整型或浮点型列（即'Position'、'Streams'），那么.describe是一个有用的方法，可以帮助你更好地了解数据集，因为它将显示关于这些列的许多描述性统计信息。

raw_song.describe()

最后，.sample将允许你随机对数据帧进行采样，并查看你所做的任何操作是否错误地更改了数据集中的某些内容，而且当你第一次探索数据集时，也可以很好地了解数据集包含哪些内容

raw_song.sample(10)

在探索和准备数据集进行分析时，我始终使用这些方法。每当我更改列中的数据、更改列名或添加/删除行/列时，我都会通过至少快速运行前面5个方法中的一些来确保所有更改都按我希望的方式进行。

选择行或列

太棒了，现在你知道如何将数据集作为一个整体来看待，但实际上你只想查看几列或几行，然后将其余部分排除在外。

.loc[]和.iloc[]

这两个方法将以不同的方式来实现这一点，这取决于你能够引用特定行或列的方式。

如果知道行或列的标签，请使用.loc[]。

如果知道行或列的索引，请使用.iloc[]。

如果你两者都知道，就选你最喜欢的。

因此，回到Spotify数据集。你可以使用.loc[]或.iloc[]查看列“Track Name”。如果知道列的标签可以使用.loc[]，所以我将使用以下内容：

raw_song.loc[:,'Track Name']

第一个括号后面的冒号指定我引用的行，由于我希望所有行都位于“Track Name”列中，所以我使用“：”。

我将收到与.iloc[]相同的输出，但这次需要指定“Track Name”列的索引：

raw_song.iloc[:,1]

.loc[]和.iloc[]对行的作用相同，但在本例中，因为行的标签和索引都是相同的，所以它们看起来完全相同。

切片

另一种获取DataFrame部分的简单方法是使用[]并在方括号内指定列名。

raw_song[['Artist','Streams']].head()

如果你只使用一列和一组括号，你将得到Pandas Series。

raw_song['Streams']

从数据帧添加行、列

利用我们已经从.loc[]获得的信息，我们可以使用this或.insert将行或列添加到数据帧中。

添加行

如果决定使用.loc[]将行添加到dataframe，则只能将其添加到dataframe的底部。指定dataframe中的任何其他索引，删除当前在该行中的数据，并用要插入的数据替换它。

raw_song.loc[3441197] = [0,'hello','bluemen',1,"https://open.spotify.com/track/notarealtrack", '2017-02-05','ec']

你也可以使用.loc[]将列添加到数据帧中。

raw_song.loc[:,'new_col'] = 0
raw_song.tail()

除了在末尾之外，还有两种方法可以将新列插入数据帧中。

insert方法允许你指定要将列放入数据帧的位置。它接受3个参数、要放置它的索引、新列的名称以及要作为列数据放置的值。

raw_song.insert(2,'new_col',0)
raw_song.tail()

将列添加到dataframe的第二种方法是通过使用[]命名新列并使其与新数据相等，从而使其成为dataframe的一部分。

raw_song['new_col'] = 0
raw_song.tail()

通过这种方式，我无法指定新列的位置，但这是执行该操作的另一种有用方法。

从数据帧中删除行、列

如果你想删除一些行或列，这很简单，只需删除它们。

只需指定要删除的轴（行为0，列为1）和要删除的行或列的名称，就可以开始了！

raw_song.drop(labels='new_col',axis=1)

重命名索引或列

如果要将dataframe的索引更改为dataframe中的其他列，请使用.set_index并在括号中指定列的名称。但是，如果你确切知道要为索引命名的内容，请使用.rename方法。

raw_song.rename(index={0:'first'}).head()

要重命名列，请在.rename方法中指定要重命名的列以及在{}中要为其命名的名称，类似于重命名索引。

raw_song.rename(columns={'Position':'POSITION_RENAMED'}).head()

如何迭代数据帧

很多时候，当你处理数据帧中的数据时，你需要以某种方式更改数据并迭代数据帧中的所有值。最简单的方法是在pandas中内置for循环：

for index, col in raw_song.iterrows():
    # 在此处操作数据

如何将数据帧写入文件

在完成对数据帧的所有操作之后，现在是导出数据帧的时候了，以便可以将其发送到其他地方。与从文件导入数据集类似，现在正好相反。Pandas有多种不同的文件类型，你可以将数据帧写入其中，但最常见的是将其写入csv文件。

pd.to_csv('file_name.csv')

现在你知道Pandas和数据帧的基本知识了。这些是数据分析工具箱中非常强大的工具。

原文链接：https://towardsdatascience.com/an-introduction-to-pandas-29d15a7da6d

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/