Python 數(shù)據(jù)分析包：pandas 基礎(chǔ)

劉對對 2017-01-01

展開全文

pandas 是基于 Numpy 構(gòu)建的含有更高級數(shù)據(jù)結(jié)構(gòu)和工具的數(shù)據(jù)分析包

類似于 Numpy 的核心是 ndarray，pandas 也是圍繞著 Series 和 DataFrame 兩個核心數(shù)據(jù)結(jié)構(gòu)展開的。Series 和 DataFrame 分別對應(yīng)于一維的序列和二維的表結(jié)構(gòu)。pandas 約定俗成的導(dǎo)入方法如下：

from pandas import Series,DataFrameimport pandas as pd

Series

Series 可以看做一個定長的有序字典。基本任意的一維數(shù)據(jù)都可以用來構(gòu)造 Series 對象：

>>> s = Series([1,2,3.0,'abc'])>>> s0 11 22 33 abcdtype: object

雖然 dtype:object 可以包含多種基本數(shù)據(jù)類型，但總感覺會影響性能的樣子，最好還是保持單純的 dtype。

Series 對象包含兩個主要的屬性：index 和 values，分別為上例中左右兩列。因為傳給構(gòu)造器的是一個列表，所以 index 的值是從 0 起遞增的整數(shù)，如果傳入的是一個類字典的鍵值對結(jié)構(gòu)，就會生成 index-value 對應(yīng)的 Series；或者在初始化的時候以關(guān)鍵字參數(shù)顯式指定一個 index 對象：

>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y'])>>> sa 1b 3x 5y 7dtype: int64>>> s.indexIndex(['a', 'b', 'x', 'y'], dtype='object')>>> s.valuesarray([1, 3, 5, 7], dtype=int64)

Series 對象的元素會嚴(yán)格依照給出的 index 構(gòu)建，這意味著：如果 data 參數(shù)是有鍵值對的，那么只有 index 中含有的鍵會被使用；以及如果 data 中缺少響應(yīng)的鍵，即使給出 NaN 值，這個鍵也會被添加。

注意 Series 的 index 和 values 的元素之間雖然存在對應(yīng)關(guān)系，但這與字典的映射不同。index 和 values 實際仍為互相獨立的 ndarray 數(shù)組，因此 Series 對象的性能完全 ok。

Series 這種使用鍵值對的數(shù)據(jù)結(jié)構(gòu)最大的好處在于，Series 間進(jìn)行算術(shù)運(yùn)算時，index 會自動對齊。

另外，Series 對象和它的 index 都含有一個 name 屬性：

>>> s.name = 'a_series'>>> s.index.name = 'the_index'>>> sthe_indexa 1b 3x 5y 7Name: a_series, dtype: int64

DataFrame

DataFrame 是一個表格型的數(shù)據(jù)結(jié)構(gòu)，它含有一組有序的列（類似于 index），每列可以是不同的值類型（不像 ndarray 只能有一個 dtype）?；旧峡梢园?DataFrame 看成是共享同一個 index 的 Series 的集合。

DataFrame 的構(gòu)造方法與 Series 類似，只不過可以同時接受多條一維數(shù)據(jù)源，每一條都會成為單獨的一列：

>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'], 'year':[2000,2001,2002,2001,2002], 'pop':[1.5,1.7,3.6,2.4,2.9]}>>> df = DataFrame(data)>>> df pop state year0 1.5 Ohino 20001 1.7 Ohino 20012 3.6 Ohino 20023 2.4 Nevada 20014 2.9 Nevada 2002[5 rows x 3 columns]

雖然參數(shù) data 看起來是個字典，但字典的鍵并非充當(dāng) DataFrame 的 index 的角色，而是 Series 的 “name” 屬性。這里生成的 index 仍是 “01234”。

較完整的 DataFrame 構(gòu)造器參數(shù)為：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：

>>> df = DataFrame(data,index=['one','two','three','four','five'], columns=['year','state','pop','debt'])>>> df year state pop debtone 2000 Ohino 1.5 NaNtwo 2001 Ohino 1.7 NaNthree 2002 Ohino 3.6 NaNfour 2001 Nevada 2.4 NaNfive 2002 Nevada 2.9 NaN[5 rows x 4 columns]

同樣缺失值由 NaN 補(bǔ)上?？匆幌?index、columns 和索引的類型：

>>> df.indexIndex(['one', 'two', 'three', 'four', 'five'], dtype='object')>>> df.columnsIndex(['year', 'state', 'pop', 'debt'], dtype='object')>>> type(df['debt'])<class 'pandas.core.series.Series'>

DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。

對象屬性

重新索引

Series 對象的重新索引通過其 .reindex(index=None,**kwargs) 方法實現(xiàn)。**kwargs 中常用的參數(shù)有倆：method=None,fill_value=np.NaN：

ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c'])>>> a = ['a','b','c','d','e']>>> ser.reindex(a)a -5.3b 7.2c 3.6d 4.5e NaNdtype: float64>>> ser.reindex(a,fill_value=0)a -5.3b 7.2c 3.6d 4.5e 0.0dtype: float64>>> ser.reindex(a,method='ffill')a -5.3b 7.2c 3.6d 4.5e 4.5dtype: float64>>> ser.reindex(a,fill_value=0,method='ffill')a -5.3b 7.2c 3.6d 4.5e 4.5dtype: float64

.reindex() 方法會返回一個新對象，其 index 嚴(yán)格遵循給出的參數(shù)，method:{'backfill', 'bfill', 'pad', 'ffill', None} 參數(shù)用于指定插值（填充）方式，當(dāng)沒有給出時，自動用 fill_value 填充，默認(rèn)為 NaN（ffill = pad，bfill = back fill，分別指插值時向前還是向后取值）

DataFrame 對象的重新索引方法為：.reindex(index=None,columns=None,**kwargs)。僅比 Series 多了一個可選的 columns 參數(shù)，用于給列索引。用法與上例類似，只不過插值方法 method 參數(shù)只能應(yīng)用于行，即軸 0。

>>> state = ['Texas','Utha','California']>>> df.reindex(columns=state,method='ffill') Texas Utha Californiaa 1 NaN 2c 4 NaN 5 d 7 NaN 8[3 rows x 3 columns]>>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill') Texas Utha Californiaa 1 NaN 2b 1 NaN 2c 4 NaN 5d 7 NaN 8[4 rows x 3 columns]

不過 fill_value 依然對有效。聰明的小伙伴可能已經(jīng)想到了，可不可以通過 df.T.reindex(index,method='**').T 這樣的方式來實現(xiàn)在列上的插值呢，答案是可行的。另外要注意，使用 reindex(index,method='**') 的時候，index 必須是單調(diào)的，否則就會引發(fā)一個 ValueError: Must be monotonic for forward fill，比如上例中的最后一次調(diào)用，如果使用 index=['a','b','d','c'] 的話就不行。

刪除指定軸上的項

即刪除 Series 的元素或 DataFrame 的某一行（列）的意思，通過對象的 .drop(labels, axis=0) 方法：

>>> serd 4.5b 7.2a -5.3c 3.6dtype: float64>>> df Ohio Texas Californiaa 0 1 2c 3 4 5d 6 7 8[3 rows x 3 columns]>>> ser.drop('c')d 4.5b 7.2a -5.3dtype: float64>>> df.drop('a') Ohio Texas Californiac 3 4 5d 6 7 8[2 rows x 3 columns]>>> df.drop(['Ohio','Texas'],axis=1) Californiaa 2c 5d 8[3 rows x 1 columns]

.drop() 返回的是一個新對象，元對象不會被改變。

索引和切片

就像 Numpy，pandas 也支持通過 obj[::] 的方式進(jìn)行索引和切片，以及通過布爾型數(shù)組進(jìn)行過濾。

不過須要注意，因為 pandas 對象的 index 不限于整數(shù)，所以當(dāng)使用非整數(shù)作為切片索引時，它是末端包含的。

>>> fooa 4.5b 7.2c -5.3d 3.6dtype: float64>>> bar0 4.51 7.22 -5.33 3.6dtype: float64>>> foo[:2]a 4.5b 7.2dtype: float64>>> bar[:2]0 4.51 7.2dtype: float64>>> foo[:'c']a 4.5b 7.2c -5.3dtype: float64

這里 foo 和 bar 只有 index 不同——bar 的 index 是整數(shù)序列?？梢姰?dāng)使用整數(shù)索引切片時，結(jié)果與 Python 列表或 Numpy 的默認(rèn)狀況相同；換成 'c' 這樣的字符串索引時，結(jié)果就包含了這個邊界元素。

另外一個特別之處在于 DataFrame 對象的索引方式，因為他有兩個軸向（雙重索引）。

可以這么理解：DataFrame 對象的標(biāo)準(zhǔn)切片語法為：.ix[::,::]。ix 對象可以接受兩套切片，分別為行（axis=0）和列（axis=1）的方向：

>>> df Ohio Texas Californiaa 0 1 2c 3 4 5d 6 7 8[3 rows x 3 columns]>>> df.ix[:2,:2] Ohio Texasa 0 1c 3 4[2 rows x 2 columns]>>> df.ix['a','Ohio']0

而不使用 ix ，直接切的情況就特殊了：

索引時，選取的是列
切片時，選取的是行

這看起來有點不合邏輯，但作者解釋說 “這種語法設(shè)定來源于實踐”，我們信他。

>>> df['Ohio']a 0c 3d 6Name: Ohio, dtype: int32>>> df[:'c'] Ohio Texas Californiaa 0 1 2c 3 4 5[2 rows x 3 columns]>>> df[:2] Ohio Texas Californiaa 0 1 2c 3 4 5[2 rows x 3 columns]

使用布爾型數(shù)組的情況，注意行與列的不同切法（列切法的 : 不能省）：

>>> df['Texas']>=4a Falsec Trued TrueName: Texas, dtype: bool>>> df[df['Texas']>=4] Ohio Texas Californiac 3 4 5d 6 7 8[2 rows x 3 columns]>>> df.ix[:,df.ix['c']>=4] Texas Californiaa 1 2c 4 5d 7 8[3 rows x 2 columns]

算術(shù)運(yùn)算和數(shù)據(jù)對齊

pandas 最重要的一個功能是，它可以對不同索引的對象進(jìn)行算術(shù)運(yùn)算。在將對象相加時，結(jié)果的索引取索引對的并集。自動的數(shù)據(jù)對齊在不重疊的索引處引入空值，默認(rèn)為 NaN。

>>> foo = Series({'a':1,'b':2})>>> fooa 1b 2dtype: int64>>> bar = Series({'b':3,'d':4})>>> barb 3d 4dtype: int64>>> foo + bara NaNb 5d NaNdtype: float64

DataFrame 的對齊操作會同時發(fā)生在行和列上。

當(dāng)不希望在運(yùn)算結(jié)果中出現(xiàn) NA 值時，可以使用前面 reindex 中提到過 fill_value 參數(shù)，不過為了傳遞這個參數(shù)，就需要使用對象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算術(shù)方法還有：sub(), div(), mul()。

Series 和 DataFrame 之間的算術(shù)運(yùn)算涉及廣播，暫時先不講。

函數(shù)應(yīng)用和映射

Numpy 的 ufuncs（元素級數(shù)組方法）也可用于操作 pandas 對象。

當(dāng)希望將函數(shù)應(yīng)用到 DataFrame 對象的某一行或列時，可以使用 .apply(func, axis=0, args=(), **kwds) 方法。

f = lambda x:x.max()-x.min()>>> df Ohio Texas Californiaa 0 1 2c 3 4 5d 6 7 8[3 rows x 3 columns]>>> df.apply(f)Ohio 6Texas 6California 6dtype: int64>>> df.apply(f,axis=1)a 2c 2d 2dtype: int64

排序和排名

Series 的 sort_index(ascending=True) 方法可以對 index 進(jìn)行排序操作，ascending 參數(shù)用于控制升序或降序，默認(rèn)為升序。

若要按值對 Series 進(jìn)行排序，當(dāng)使用 .order() 方法，任何缺失值默認(rèn)都會被放到 Series 的末尾。

在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一個軸向的選擇參數(shù)與一個 by 參數(shù)，by 參數(shù)的作用是針對某一（些）列進(jìn)行排序（不能對行使用 by 參數(shù)）：

>>> df.sort_index(by='Ohio') Ohio Texas Californiaa 0 1 2c 3 4 5d 6 7 8[3 rows x 3 columns]>>> df.sort_index(by=['California','Texas']) Ohio Texas Californiaa 0 1 2c 3 4 5d 6 7 8[3 rows x 3 columns]>>> df.sort_index(axis=1) California Ohio Texasa 2 0 1c 5 3 4d 8 6 7[3 rows x 3 columns]

排名（Series.rank(method='average', ascending=True)）的作用與排序的不同之處在于，他會把對象的 values 替換成名次（從 1 到 n）。這時唯一的問題在于如何處理平級項，方法里的 method 參數(shù)就是起這個作用的，他有四個值可選：average, min, max, first。

>>> ser=Series([3,2,0,3],index=list('abcd'))>>> sera 3b 2c 0d 3dtype: int64>>> ser.rank()a 3.5b 2.0c 1.0d 3.5dtype: float64>>> ser.rank(method='min')a 3b 2c 1d 3dtype: float64>>> ser.rank(method='max')a 4b 2c 1d 4dtype: float64>>> ser.rank(method='first')a 3b 2c 1d 4dtype: float64

注意在 ser[0]=ser[3] 這對平級項上，不同 method 參數(shù)表現(xiàn)出的不同名次。

DataFrame 的 .rank(axis=0, method='average', ascending=True) 方法多了個 axis 參數(shù)，可選擇按行或列分別進(jìn)行排名，暫時好像沒有針對全部元素的排名方法。

統(tǒng)計方法

pandas 對象有一些統(tǒng)計方法。它們大部分都屬于約簡和匯總統(tǒng)計，用于從 Series 中提取單個值，或從 DataFrame 的行或列中提取一個 Series。

比如 DataFrame.mean(axis=0,skipna=True) 方法，當(dāng)數(shù)據(jù)集中存在 NA 值時，這些值會被簡單跳過，除非整個切片（行或列）全是 NA，如果不想這樣，則可以通過 skipna=False 來禁用此功能：

>>> df one twoa 1.40 NaNb 7.10 -4.5c NaN NaNd 0.75 -1.3[4 rows x 2 columns]>>> df.mean()one 3.083333two -2.900000dtype: float64>>> df.mean(axis=1)a 1.400b 1.300c NaNd -0.275dtype: float64>>> df.mean(axis=1,skipna=False)a NaNb 1.300c NaNd -0.275dtype: float64

其他常用的統(tǒng)計方法有：

########################	******************************************
count	非 NA 值的數(shù)量
describe	針對 Series 或 DF 的列計算匯總統(tǒng)計
min , max	最小值和最大值
argmin , argmax	最小值和最大值的索引位置（整數(shù)）
idxmin , idxmax	最小值和最大值的索引值
quantile	樣本分位數(shù)（0 到 1）
sum	求和
mean	均值
median	中位數(shù)
mad	根據(jù)均值計算平均絕對離差
var	方差
std	標(biāo)準(zhǔn)差
skew	樣本值的偏度（三階矩）
kurt	樣本值的峰度（四階矩）
cumsum	樣本值的累計和
cummin , cummax	樣本值的累計最大值和累計最小值
cumprod	樣本值的累計積
diff	計算一階差分（對時間序列很有用）
pct_change	計算百分?jǐn)?shù)變化

處理缺失數(shù)據(jù)

pandas 中 NA 的主要表現(xiàn)為 np.nan，另外 Python 內(nèi)建的 None 也會被當(dāng)做 NA 處理。

處理 NA 的方法有四種：dropna , fillna , isnull , notnull 。

is(not)null

這一對方法對對象做元素級應(yīng)用，然后返回一個布爾型數(shù)組，一般可用于布爾型索引。

dropna

對于一個 Series，dropna 返回一個僅含非空數(shù)據(jù)和索引值的 Series。

問題在于對 DataFrame 的處理方式，因為一旦 drop 的話，至少要丟掉一行（列）。這里的解決方式與前面類似，還是通過一個額外的參數(shù)：dropna(axis=0, how='any', thresh=None) ，how 參數(shù)可選的值為 any 或者 all。all 僅在切片元素全為 NA 時才拋棄該行(列)。另外一個有趣的參數(shù)是 thresh，該參數(shù)的類型為整數(shù)，它的作用是，比如 thresh=3，會在一行中至少有 3 個非 NA 值時將其保留。

fillna

fillna(value=None, method=None, axis=0) 中的 value 參數(shù)除了基本類型外，還可以使用字典，這樣可以實現(xiàn)對不同的列填充不同的值。method 的用法與前面 .reindex() 方法相同，這里不再贅述。

inplace 參數(shù)

前面有個點一直沒講，結(jié)果整篇示例寫下來發(fā)現(xiàn)還挺重要的。就是 Series 和 DataFrame 對象的方法中，凡是會對數(shù)組作出修改并返回一個新數(shù)組的，往往都有一個 replace=False 的可選參數(shù)。如果手動設(shè)定為 True，那么原數(shù)組就可以被替換。