Pandas简介
pandas
是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具,很多机器学习框架都支持将
pandas
数据结构作为输入。 虽然全方位介绍
pandas
API 会占据很长篇幅,但它的核心概念非常简单,我们会在下文中进行说明。有关更完整的参考,请访问
pandas 文档网站
,其中包含丰富的文档和教程资源。
基本概念
以下行导入了
pandas
API 并输出了相应的 API 版本:
import pandas as pd
pd.__version__
pandas 中的主要数据结构被实现为以下两类:
DataFrame
,您可以将它想象成一个关系型数据表格,其中包含多个行和已命名的列。Series
,它是单一列。DataFrame
中包含一个或多个Series
,每个Series
均有一个名称。
数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。
创建Series
的一种方法是构建
Series
对象。例如:
pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
您可以将映射
string
列名称的
dict
传递到它们各自的
Series
,从而创建
DataFrame
对象。如果
Series
在长度上不一致,系统会用特殊的
NA/NaN
值填充缺失的值。例如:
city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])
pd.DataFrame({ 'City name': city_names, 'Population': population })
但是在大多数情况下,您需要将整个文件加载到
DataFrame
中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。
california_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",")
california_housing_dataframe.describe()
上面的示例使用
DataFrame.describe
来显示关于
DataFrame
的有趣统计信息。另一个实用函数是
DataFrame.head
,它显示
DataFrame
的前几个记录:
california_housing_dataframe.head()
pandas 的另一个强大功能是绘制图表。例如,借助
DataFrame.hist
,您可以快速了解一个列中值的分布:
california_housing_dataframe.hist('housing_median_age')
访问数据
您可以使用熟悉的 Python dict/list 指令访问
DataFrame
数据:
cities = pd.DataFrame({ 'City name': city_names, 'Population': population })
print type(cities['City name'])
cities['City name']
print type(cities['City name'][1])
cities['City name'][1]
print type(cities[0:2])
cities[0:2]
操控数据
您可以向Series
应用 Python 的基本运算指令。例如:
population / 1000.
import numpy as np
np.log(population)
对于更复杂的单列转换,您可以使用 Series.apply
。像 Python 映射函数一样,Series.apply
将以参数形式接受 lambda 函数,而该函数会应用于每个值。
下面的示例创建了一个指明 population
是否超过 100 万的新 Series
:
population.apply(lambda val: val > 1000000)
DataFrames
的修改方式也非常简单。例如,以下代码向现有
DataFrame
添加了两个
Series
:
cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
cities
索引
Series
和 DataFrame
对象也定义了 index
属性,该属性会向每个 Series
项或 DataFrame
行赋一个标识符值。
默认情况下,在构造时,pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的;也就是说,它们不会因为数据重新排序而发生改变。
city_names.index
cities.index
调用
DataFrame.reindex
以手动重新排列各行的顺序。例如,以下方式与按城市名称排序具有相同的效果:
cities.reindex([2, 0, 1])
重建索引是一种随机排列
DataFrame
的绝佳方式。在下面的示例中,我们会取用类似数组的索引,然后将其传递至 NumPy 的
random.permutation
函数,该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用
reindex
,会导致
DataFrame
行以同样的方式随机排列。
cities.reindex(np.random.permutation(cities.index))
有关详情,请参阅
索引文档
。