Python進階(7) Pandas

0. 前言

• 參考《利用Python進行數據分析》第五章
• 相關源碼
• pandas中數據結構組要分爲Series和DataFrame。

1. Series

1.1. 基本概念

由一組數據（各種Numpy數據類型）以及一組與之相關的數據標籤（即索引）組成。

1.2. 構造對象Series

# 默認索引爲數字，從0開始編號
obj = Series([4, 7, -5, 3]) 

# 指定索引
obj2 = Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])  

# 通過字典構建，key爲索引，value爲值
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
obj3 = Series(sdata)  

# 輸入字典，同時指定索引
# 索引中存在，字典中不存在的，值爲NA
# 索引中不存在，字典中存在的，忽略
states = ['California', 'Ohio', 'Oregon', 'Texas']
obj4 = Series(sdata, index=states)

1.3. 其他

• 對值可以直接進行類似Numpy的操作。
• 多個Series之間的操作，會在算術運算中自動對齊不同的索引的數據。
• 索引：修改索引可以直接通過賦值。如obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan']
• name屬性，與pandas中其他功能有很大聯繫。

2. DataFrame

2.1. 基本概念

• 包含一組有序的列（Series對象），每列可以是不同的數值類型。
• 既包含行索引又包含列索引。
• 常用屬性：
  • T
  • axes：查看行索引與列索引
  • info()：基本信息

2.2. 構建對象

# 通過字典構建
# key爲列索引，value爲值（可以是列表或numpy對象，要求長度一樣）
# 默認行索引爲數字，從0開始編號
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
        'year': [2000, 2001, 2002, 2001, 2002],
        'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
frame = DataFrame(data)

# 可以指定列索引
# 如果索引不存在，則該行爲NaN
frame2 = DataFrame(data, columns=['year', 'state', 'pop', 'debt'],
                   index=['one', 'two', 'three', 'four', 'five'])
                   
# 通過嵌套字典構建
# 外層字典的key爲列索引，內層字典的key爲行索引
pop = {'Nevada': {2001: 2.4, 2002: 2.9},
       'Ohio': {2000: 1.5, 2001: 1.7, 2002: 3.6}}
frame3 = DataFrame(pop)

# 其他
# 二維ndarray(可添加行、列索引)
# 數組、列表、元組 組成的字典。
# numpy結構化數組
# Series字典
# 嵌套字典
# 字典或Series的列表
# 列表或字典組成的列表
# 另一個DataFrame

2.3. 行

• 查看行索引/行名稱：df.index
• 普通查詢（獲取單行或多行信息）
  • 獲取的結果是行對象，而不是Series。

# 切片獲取，不能使用單個數字
frame[1:4]
# frame[1] # error

# irow + 行號，只能獲取單行
frame.irow(0)

# iloc + 行號，可同時指定列，行列都使用切片編號
# 使用切片時不包含`end`
frame.iloc[1] # 第一行
frame.iloc[:10]
frame.iloc[:, 0] # 第一列
frame.iloc[:10, 5:]

# loc + 索引，可同時指定列，行列都使用索引
# 使用切片時包含`end`
# 類似numpy操作，其中`start:end`是包含`end`的，且取值不一定是整數
frame.loc['row_index']
frame.loc[['row_index1', 'row_index_2']]
frame.loc[:, 'column_index']
frame.loc[:, ['column_index_1', 'column_index_2']]
frame.loc[['row_index1', 'row_index_2'], ['column_index_1', 'column_index_2']]

• 查詢行數： len(df.index), len(df)
• 查詢前/後幾行：df.head(i), df.tail(i)
• 行過濾（根據條件刪除行）

# 單條件過濾，使用df[cond]的形式，cond爲bool類型，用於篩選行
df = df[df.age > 10]
df = df[df['age'] > 10]

# 多條件過濾，使用&來連接多個不同條件
df = df[df.age > 10 & df.salary > 1000.]

• 將行隨機轉換爲幾個子集（切割dataframe）

# 如果只要隨機獲取一定比例的樣本，可以通過 sample
df.sample(frac=0.5)

# 假設要把df轉換爲train/val/test，分別是0.8/0.1/0.1的比例，則
num_train = int(len(df)*0.8)
num_val = int(len(df)*0.1)
num_test = len(df) - num_train - num_val
df = df.sample(frac=1.0) # shuffle
train_df = df[:num_train]
val_df = df[num_train:(num_train+num_val)]
test_df = df[:-num_test]

• 增

# 通過loc指定新的行索引，增加行
# 這種方式可以不管類型，直接賦值
df.loc['new_raw_index'] = 1 # 不管數據類型，行所有的數據都爲1
df.loc['new_raw_index'] = {'a': 1, 'b': 'two'} # 必須指定所有列，否則報錯

# append
# 傳入的必須是Series對象、字典、字典列表
df = df.append({'a': 5}, ignore_index=True)

• 遍歷行

for row in df.iterrows():
    # row 是個元組，包含快兩個數據
    # row[0] 應該是行索引
    # row[1] 是個 Series 對象，可以直接通過 row[1].column_name 來獲取數據
    pass

• 根據行id刪除行：df.drop([0, 5])
• 刪除重複行：df.drop_duplicates([0, 5])，其中選擇的是列名，即 df.columns 中內容

2.4. 列

• 查列索引/列名稱：df.columns
• 查一列或多列

# 通過字典或屬性的方式，獲取列對象（Series）
frame2['year']
frame2.year

# 通過icol獲取單列（Series）
frame.icol(0)

# 獲取多列（DataFrame）
frame[['w']]
frame[['w', 'z']]

• 改
  • 可以通過賦值直接修改列的值。要求是標量，或長度與DataFrame匹配。
• 增
  • 對不存在的列賦值，會創建列。
• 刪
  • 刪除列通過del實現，如del frame2['tes']
  • 通過 drop 實現，如 df.drop([1, 2], axis=1)，其中選擇的是列名，即 df.columns 中內容。
• 列數：df[0].count()

2.5. 其他操作

• 轉置，如frame.T
• 獲取行與列：df.shape
• 替換NAN爲0：df..fillna(0)
• 兩個DataFrame拼接成一個：df.concat([df1, df2])

3. 其他

3.1. 讀取文件

• pandas.read_csv 文檔

# 普通讀取
df = pd.read_csv(FILE_PATH)

# 默認情況下，認爲文件第一行爲Header，即列名
# 如果第一行不是列名，則需要設置 header 爲None，如下所示
df = pd.read_csv(FILE_PATH, header=None)

# 默認情況下，文件中沒有索引（即行名）
# 如果要設置第一列爲行名，可以設置 index_col 
df = pd.read_csv(FILE_PATH, index_col=0)

# 如果第一行不是列名，則需要設置 header 爲None，如下所示
df = pd.read_csv(FILE_PATH, header=None)

# 分塊讀取並且遍歷，chunksize代表每次讀取的行數量
df = pd.read_csv(FILE_PATH, chunksize=1000)
for piece in df:
    # piece 可以作爲 DateFrame 操作
    ...

# 讀取開頭若干行數據，讀取前1000行
df = pd.read_csv(FILE_PATH, nrows=1000)

3.2. 寫文件

train_df.to_csv('/path/to/target.csv', 
                sep=',', # 分隔符
                na_rep='', # 缺失數據補全
                float_format=None, # C語言格式的浮點數格式，如'%10.5'
                columns=None, # 要保存的列，看到舉例使用的是列名
                header=True, # 列名展示，可以是True/False，也可以輸入list來指定列名
                index=True, # 是否打印行名
                encoding='utf8', # 編碼
               )
# 如果在指定了 float_format 後部分整數也有小數部分，可以先將對應列轉換類型，例如
df[['cycle', 'passs', 'ip']]=df[['cycle', 'passs', 'ip']].astype(int64)