Python进阶(7) Pandas

0. 前言

• 参考《利用Python进行数据分析》第五章
• 相关源码
• pandas中数据结构组要分为Series和DataFrame。

1. Series

1.1. 基本概念

由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。

1.2. 构造对象Series

# 默认索引为数字，从0开始编号
obj = Series([4, 7, -5, 3]) 

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

# 通过字典构建，key为索引，value为值
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
obj3 = Series(sdata)  

# 输入字典，同时指定索引
# 索引中存在，字典中不存在的，值为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

• 对值可以直接进行类似Numpy的操作。
• 多个Series之间的操作，会在算术运算中自动对齐不同的索引的数据。
• 索引：修改索引可以直接通过赋值。如obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan']
• name属性，与pandas中其他功能有很大联系。

2. DataFrame

2.1. 基本概念

• 包含一组有序的列（Series对象），每列可以是不同的数值类型。
• 既包含行索引又包含列索引。
• 常用属性：
  • T
  • axes：查看行索引与列索引
  • info()：基本信息

2.2. 构建对象

# 通过字典构建
# key为列索引，value为值（可以是列表或numpy对象，要求长度一样）
# 默认行索引为数字，从0开始编号
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，则该行为NaN
frame2 = DataFrame(data, columns=['year', 'state', 'pop', 'debt'],
                   index=['one', 'two', 'three', 'four', 'five'])
                   
# 通过嵌套字典构建
# 外层字典的key为列索引，内层字典的key为行索引
pop = {'Nevada': {2001: 2.4, 2002: 2.9},
       'Ohio': {2000: 1.5, 2001: 1.7, 2002: 3.6}}
frame3 = DataFrame(pop)

# 其他
# 二维ndarray(可添加行、列索引)
# 数组、列表、元组 组成的字典。
# numpy结构化数组
# Series字典
# 嵌套字典
# 字典或Series的列表
# 列表或字典组成的列表
# 另一个DataFrame

2.3. 行

• 查看行索引/行名称：df.index
• 普通查询（获取单行或多行信息）
  • 获取的结果是行对象，而不是Series。

# 切片获取，不能使用单个数字
frame[1:4]
# frame[1] # error

# irow + 行号，只能获取单行
frame.irow(0)

# iloc + 行号，可同时指定列，行列都使用切片编号
# 使用切片时不包含`end`
frame.iloc[1] # 第一行
frame.iloc[:10]
frame.iloc[:, 0] # 第一列
frame.iloc[:10, 5:]

# loc + 索引，可同时指定列，行列都使用索引
# 使用切片时包含`end`
# 类似numpy操作，其中`start:end`是包含`end`的，且取值不一定是整数
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']]

• 查询行数： len(df.index), len(df)
• 查询前/后几行：df.head(i), df.tail(i)
• 行过滤（根据条件删除行）

# 单条件过滤，使用df[cond]的形式，cond为bool类型，用于筛选行
df = df[df.age > 10]
df = df[df['age'] > 10]

# 多条件过滤，使用&来连接多个不同条件
df = df[df.age > 10 & df.salary > 1000.]

• 将行随机转换为几个子集（切割dataframe）

# 如果只要随机获取一定比例的样本，可以通过 sample
df.sample(frac=0.5)

# 假设要把df转换为train/val/test，分别是0.8/0.1/0.1的比例，则
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

# 通过loc指定新的行索引，增加行
# 这种方式可以不管类型，直接赋值
df.loc['new_raw_index'] = 1 # 不管数据类型，行所有的数据都为1
df.loc['new_raw_index'] = {'a': 1, 'b': 'two'} # 必须指定所有列，否则报错

# append
# 传入的必须是Series对象、字典、字典列表
df = df.append({'a': 5}, ignore_index=True)

• 遍历行

for row in df.iterrows():
    # row 是个元组，包含快两个数据
    # row[0] 应该是行索引
    # row[1] 是个 Series 对象，可以直接通过 row[1].column_name 来获取数据
    pass

• 根据行id删除行：df.drop([0, 5])
• 删除重复行：df.drop_duplicates([0, 5])，其中选择的是列名，即 df.columns 中内容

2.4. 列

• 查列索引/列名称：df.columns
• 查一列或多列

# 通过字典或属性的方式，获取列对象（Series）
frame2['year']
frame2.year

# 通过icol获取单列（Series）
frame.icol(0)

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

• 改
  • 可以通过赋值直接修改列的值。要求是标量，或长度与DataFrame匹配。
• 增
  • 对不存在的列赋值，会创建列。
• 删
  • 删除列通过del实现，如del frame2['tes']
  • 通过 drop 实现，如 df.drop([1, 2], axis=1)，其中选择的是列名，即 df.columns 中内容。
• 列数：df[0].count()

2.5. 其他操作

• 转置，如frame.T
• 获取行与列：df.shape
• 替换NAN为0：df..fillna(0)
• 两个DataFrame拼接成一个：df.concat([df1, df2])

3. 其他

3.1. 读取文件

• pandas.read_csv 文档

# 普通读取
df = pd.read_csv(FILE_PATH)

# 默认情况下，认为文件第一行为Header，即列名
# 如果第一行不是列名，则需要设置 header 为None，如下所示
df = pd.read_csv(FILE_PATH, header=None)

# 默认情况下，文件中没有索引（即行名）
# 如果要设置第一列为行名，可以设置 index_col 
df = pd.read_csv(FILE_PATH, index_col=0)

# 如果第一行不是列名，则需要设置 header 为None，如下所示
df = pd.read_csv(FILE_PATH, header=None)

# 分块读取并且遍历，chunksize代表每次读取的行数量
df = pd.read_csv(FILE_PATH, chunksize=1000)
for piece in df:
    # piece 可以作为 DateFrame 操作
    ...

# 读取开头若干行数据，读取前1000行
df = pd.read_csv(FILE_PATH, nrows=1000)

3.2. 写文件

train_df.to_csv('/path/to/target.csv', 
                sep=',', # 分隔符
                na_rep='', # 缺失数据补全
                float_format=None, # C语言格式的浮点数格式，如'%10.5'
                columns=None, # 要保存的列，看到举例使用的是列名
                header=True, # 列名展示，可以是True/False，也可以输入list来指定列名
                index=True, # 是否打印行名
                encoding='utf8', # 编码
               )
# 如果在指定了 float_format 后部分整数也有小数部分，可以先将对应列转换类型，例如
df[['cycle', 'passs', 'ip']]=df[['cycle', 'passs', 'ip']].astype(int64)