Pandas简单入门（转）

本篇文章转自 https://colab.research.google.com/notebooks/mlcc/intro_to_pandas.ipynb?hl=zh-cn#scrollTo=zCOn8ftSyddH

是Google的Machine Learning课程中关于Pandas的入门教程，感觉讲的很简单很实用，直接搬运过来

学习目标：

大致了解 pandas 库的 DataFrame 和 Series 数据结构
存取和处理 DataFrame 和 Series 中的数据
将 CSV 数据导入 pandas 库的 DataFrame
对 DataFrame 重建索引来随机打乱数据

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'])

pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
0    San Francisco
1         San Jose
2       Sacramento
dtype: object

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 })

City name    Population
0    San Francisco    852469
1    San Jose    1015785
2    Sacramento    485199 
          

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。请运行以下单元格以加载数据，并创建特征定义：

california_housing_dataframe=pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",")
california_housing_dataframe.describe()

longitude    latitude    housing_median_age    total_rooms    total_bedrooms    population    households    median_income    median_house_value
count    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000
mean    -119.562108    35.625225    28.589353    2643.664412    539.410824    1429.573941    501.221941    3.883578    207300.912353
std    2.005166    2.137340    12.586937    2179.947071    421.499452    1147.852959    384.520841    1.908157    115983.764387
min    -124.350000    32.540000    1.000000    2.000000    1.000000    3.000000    1.000000    0.499900    14999.000000
25%    -121.790000    33.930000    18.000000    1462.000000    297.000000    790.000000    282.000000    2.566375    119400.000000
50%    -118.490000    34.250000    29.000000    2127.000000    434.000000    1167.000000    409.000000    3.544600    180400.000000
75%    -118.000000    37.720000    37.000000    3151.250000    648.250000    1721.000000    605.250000    4.767000    265000.000000
max    -114.310000    41.950000    52.000000    37937.000000    6445.000000    35682.000000    6082.000000    15.000100    500001.000000

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()

longitude    latitude    housing_median_age    total_rooms    total_bedrooms    population    households    median_income    median_house_value
  -114.31    34.19    15.0    5612.0    1283.0    1015.0    472.0    1.4936    66900.0
  -114.47    34.40    19.0    7650.0    1901.0    1129.0    463.0    1.8200    80100.0
  -114.56    33.69    17.0    720.0    174.0    333.0    117.0    1.6509    85700.0
  -114.57    33.64    14.0    1501.0    337.0    515.0    226.0    3.1917    73400.0
  -114.57    33.57    20.0    1454.0    326.0    624.0    262.0    1.9250    65500.0 
          

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'] 
             <class 'pandas.core.series.Series'>
 
            
 
             0    San Francisco
1         San Jose
2       Sacramento
Name: City name, dtype: object 
            
 
           print type(cities['City name'][1])
cities['City name'][1]

<type 'str'>

'San Jose' 
          
 
           print type(cities[0:2])
cities[0:2]
<class 'pandas.core.frame.DataFrame'>
City name    Population    Area square miles    Population density
0    San Francisco    852469    46.87    18187.945381
1    San Jose    1015785    176.53    5754.177760 
          

此外，pandas 针对高级索引和选择提供了极其丰富的 API（数量过多，此处无法逐一列出）。

操控数据

您可以向 Series 应用 Python 的基本运算指令。例如：

 
           population / 1000

0 852.469 
1 1015.785 
2 485.199 
dtype: float64 
          

NumPy 是一种用于进行科学计算的常用工具包。pandas Series 可用作大多数 NumPy 函数的参数：

 
           import numpy as np
np.log(population)

0    13.655892
1    13.831172
2    13.092314
dtype: float64 
          

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)

0    False
1     True
2    False
dtype: bool 
          

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

City name    Population    Area square miles    Population density
0    San Francisco    852469    46.87    18187.945381
1    San Jose    1015785    176.53    5754.177760
2    Sacramento    485199    97.92    4955.055147 
           

练习 1

通过添加一个新的布尔值列（当且仅当以下两项均为 True 时为 True）修改 cities 表格：

城市以圣人命名。
城市面积大于 50 平方英里。

注意：布尔值 Series 是使用“按位”而非传统布尔值“运算符”组合的。例如，执行逻辑与时，应使用 &，而不是 and。

提示："San" 在西班牙语中意为 "saint"。

cities['bool new'] = (cities['City name'].apply(lambda name: name.startswith('San')) & cities['Area square miles'] > 50 )
cities

　　City name    Population    Area square miles    Population density    bool ly
0  San Francisco    852469    　　　　46.87    　　　　18187.945381  　　　　  False    
1  San Jose   　　  1015785   　　　　 176.53  　　　　 5754.177760   　　　　  False
2  Sacramento    　 485199   　　　　 97.92   　　　　 4955.055147   　　　　   False

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。

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])

　　City name    Population    Area square miles    Population density   bool new
2  Sacramento     485199           97.92              4955.055147    　　 False
0  San Francisco  852469           46.87              18187.945381       False
1  San Jose       1015785          176.53             5754.177760        False 
         

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。尝试多次运行以下单元格！

 
           cities.reindex(np.random.permutation(cities.index))

　　  City name    Population    Area square miles    Population density    bool ly
1    San Jose       1015785  　　  176.53　　　　　　　　   5754.177760         False
0    San Francisco  852469    　　 46.87   　　　　　　　　 18187.945381        False
2    Sacramento     485199    　　 97.92    　　　　　　　　4955.055147         False 
          

如果您的 reindex 输入数组包含原始 DataFrame 索引值中没有的值，reindex 会为此类“丢失的”索引添加新行，并在所有对应列中填充 NaN 值：

这种行为是可取的，因为索引通常是从实际数据中提取的字符串（请参阅 pandas reindex 文档，查看索引值是浏览器名称的示例）。

在这种情况下，如果允许出现“丢失的”索引，您将可以轻松使用外部列表重建索引，因为您不必担心会将输入清理掉。