pandas教程1:pandas数据结构入门

时间:2022-08-13 07:31:46

pandas是一个用于进行python科学计算的常用库,包含高级的数据结构和精巧的工具,使得在Python中处理数据非常快速和简单。pandas建造在NumPy之上,它使得以NumPy为中心的应用很容易使用。

pandas为数据提供了一些解决方案:

  • 支持自动或明确的数据对齐的带有标签轴的数据结构。这可以防止由数据不对齐引起的常见错误,并可以处理不同来源的不同索引数据。
  • 整合的时间序列功能。
  • 以相同的数据结构来处理时间序列和非时间序列。
  • 支持传递元数据(坐标轴标签)的算术运算和缩减。
  • 灵活处理丢失数据。
  • 在常用的基于数据的数据库(例如基于SQL)中的合并和其它关系操作。

对pandas使用下面的导入惯例:

In [1]: from pandas import Series, DataFrame
In [2]: import pandas as pd

1. pandas数据结构入门

为了开始使用pandas,你需要熟悉它的两个重要的数据结构: Series 和 DataFrame 。虽然它们不是每一个问题的通用解决方案,但提供了一个坚实的,易于使用的大多数应用程序的基础。

1.1. Series

Series是一个一维的类似的数组对象,包含一个数组的数据(任何NumPy的数据类型)和一个与数组关联的数据标签,被叫做 索引 。最简单的Series是由一个数组的数据构成:

In [3]: obj = Series([4, 7, -5, 3])
In [4]: obj
Out[4]:
0 4
1 7
2 -5
3 3
dtype: int64

通常,需要创建一个带有索引来确定没一个数据点的Series:

In [5]: obj2 = Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])
In [6]: obj2
Out[6]:
d 4
b 7
a -5
c 3
dtype: int64
In [7]: obj2.index
Out[7]: Index(['d', 'b', 'a', 'c'], dtype='object')

与正规的NumPy数组相比,你可以使用索引里的值来选择一个单一值或一个值集:

In [8]: obj2['a']
Out[8]: -5
In [9]: obj2['d'] = 6
In [10]: obj2[['c', 'a', 'd']]
Out[10]:
c 3
a -5
d 6
dtype: int64

NumPy数组操作,例如通过一个布尔数组过滤,纯量乘法,或使用数学函数,将会保持索引和值间的关联:

In [11]: obj2
Out[11]:
d 6
b 7
a -5
c 3
dtype: int64 In [12]: obj2[obj2 > 0]
Out[12]:
d 6
b 7
c 3
dtype: int64 In [13]: obj2 * 2
Out[13]:
d 12
b 14
a -10
c 6
dtype: int64 In [19]: np.exp(obj2)
Out[19]:
d 403.428793
b 1096.633158
a 0.006738
c 20.085537
dtype: float64

另一种思考的方式是,Series是一个定长的,有序的字典,因为它把索引和值映射起来了。它可以适用于许多期望一个字典的函数:

In [20]: 'b' in obj2
Out[20]: True In [21]: 'e' in obj2
Out[21]: False

如果你有一些数据在一个Python字典中,你可以通过传递字典来从这些数据创建一个Series:

In [22]: sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
In [23]: obj3 = Series(sdata)
In [24]: obj3
Out[24]:
Ohio 35000
Oregon 16000
Texas 71000
Utah 5000
dtype: int64

只传递一个字典的时候,结果Series中的索引将是排序后的字典的键。

In [25]: states = ['California', 'Ohio', 'Oregon', 'Texas']
In [26]: obj4 = Series(sdata, index=states)
In [27]: obj4
Out[27]:
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64

在这种情况下, sdata 中的3个值被放在了合适的位置,但因为没有发现对应于 ‘California’ 的值,就出现了 NaN (不是一个数),这在pandas中被用来标记数据缺失或 NA 值。我使用“missing”或“NA”来表示数度丢失。在pandas中用函数 isnull 和 notnull 来检测数据丢失:

In [28]: pd.isnull(obj4)
Out[28]:
California True
Ohio False
Oregon False
Texas False
dtype: bool In [29]: pd.notnull(obj4)
Out[29]:
California False
Ohio True
Oregon True
Texas True
dtype: bool

在许多应用中Series的一个重要功能是在算术用算中它会自动对齐不同索引的数据:

In [30]: obj3
Out[30]:
Ohio 35000
Oregon 16000
Texas 71000
Utah 5000
dtype: int64 In [31]: obj4
Out[31]:
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64

Series对象本身和它的索引都有一个 name 属性,它和pandas的其它一些关键功能整合在一起:

In [32]: obj4.name = 'population'
In [33]: obj4.index.name = 'state'
In [34]: obj4
Out[34]:
state
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
Name: population, dtype: float64

Series的索引可以通过赋值就地更改:

In [35]: obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan']
In [36]: obj
Out[36]:
Bob 4
Steve 7
Jeff -5
Ryan 3
dtype: int64

1.2. DataFrame

一个Datarame表示一个表格,类似电子表格的数据结构,包含一个经过排序的列表集,它们每一个都可以有不同的类型值(数字,字符串,布尔等等)。Datarame有行和列的索引;它可以被看作是一个Series的字典(每个Series共享一个索引)。与其它你以前使用过的(如 R 的 data.frame )类似Datarame的结构相比,在DataFrame里的面向行和面向列的操作大致是对称的。在底层,数据是作为一个或多个二维数组存储的,而不是列表,字典,或其它一维的数组集合。

因为DataFrame在内部把数据存储为一个二维数组的格式,因此你可以采用分层索引以表格格式来表示高维的数据。

有很多方法来构建一个DataFrame,但最常用的一个是用一个相等长度列表的字典或NumPy数组:

In [37]: data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
...: 'year': [2000, 2001, 2002, 2001, 2002],
...: 'pop': [1.5, 1.7, 3.6, 2.4, 2.9]} In [38]: DataFrame(data)
Out[38]:
pop state year
0 1.5 Ohio 2000
1 1.7 Ohio 2001
2 3.6 Ohio 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002

如果你设定了一个列的顺序,DataFrame的列将会精确的按照你所传递的顺序排列:

In [39]: DataFrame(data, columns=['year', 'state', 'pop'])
Out[39]:
year state pop
0 2000 Ohio 1.5
1 2001 Ohio 1.7
2 2002 Ohio 3.6
3 2001 Nevada 2.4
4 2002 Nevada 2.9

和Series一样,如果你传递了一个行,但不包括在 data 中,在结果中它会表示为NA值:

In [40]: frame2 = DataFrame(data, columns=['year', 'state', 'pop', 'debt'],
...: index=['one', 'two', 'three', 'four', 'five']) In [41]: frame2
Out[41]:
year state pop debt
one 2000 Ohio 1.5 NaN
two 2001 Ohio 1.7 NaN
three 2002 Ohio 3.6 NaN
four 2001 Nevada 2.4 NaN
five 2002 Nevada 2.9 NaN In [42]: frame2.columns
Out[42]: Index(['year', 'state', 'pop', 'debt'], dtype='object')

和Series一样,在DataFrame中的一列可以通过字典记法或属性来检索:

In [43]: frame2['state']
Out[43]:
one Ohio
two Ohio
three Ohio
four Nevada
five Nevada
Name: state, dtype: object In [44]: frame2.year
Out[44]:
one 2000
two 2001
three 2002
four 2001
five 2002
Name: year, dtype: int64

注意,返回的Series包含和DataFrame相同的索引,并且它们的 name 属性也被正确的设置了。

行也可以使用一些方法通过位置或名字来检索,例如 ix 索引成员(field):

In [45]: frame2.ix['three']
Out[45]:
year 2002
state Ohio
pop 3.6
debt NaN
Name: three, dtype: object

列可以通过赋值来修改。例如,空的 ‘debt’ 列可以通过一个纯量或一个数组来赋值:

In [46]: frame2['debt'] = 16.5

In [47]: frame2
Out[47]:
year state pop debt
one 2000 Ohio 1.5 16.5
two 2001 Ohio 1.7 16.5
three 2002 Ohio 3.6 16.5
four 2001 Nevada 2.4 16.5
five 2002 Nevada 2.9 16.5 In [49]: frame2['debt'] = np.arange(5.) In [50]: frame2
Out[50]:
year state pop debt
one 2000 Ohio 1.5 0.0
two 2001 Ohio 1.7 1.0
three 2002 Ohio 3.6 2.0
four 2001 Nevada 2.4 3.0
five 2002 Nevada 2.9 4.0

通过列表或数组给一列赋值时,所赋的值的长度必须和DataFrame的长度相匹配。如果你使用Series来赋值,它会代替在DataFrame中精确匹配的索引的值,并在说有的空洞插入丢失数据:

In [51]: val = Series([-1.2, -1.5, -1.7], index=['two', 'four', 'five'])

In [52]: frame2['debt'] = val

In [53]: frame2
Out[53]:
year state pop debt
one 2000 Ohio 1.5 NaN
two 2001 Ohio 1.7 -1.2
three 2002 Ohio 3.6 NaN
four 2001 Nevada 2.4 -1.5
five 2002 Nevada 2.9 -1.7

给一个不存在的列赋值,将会创建一个新的列。 像字典一样 del 关键字将会删除列:

In [54]: frame2['eastern'] = frame2.state = 'Ohio'

In [55]: frame2
Out[55]:
year state pop debt eastern
one 2000 Ohio 1.5 NaN Ohio
two 2001 Ohio 1.7 -1.2 Ohio
three 2002 Ohio 3.6 NaN Ohio
four 2001 Ohio 2.4 -1.5 Ohio
five 2002 Ohio 2.9 -1.7 Ohio In [56]: del frame2['eastern'] In [57]: frame2.columns
Out[57]: Index(['year', 'state', 'pop', 'debt'], dtype='object')

索引DataFrame时返回的列是底层数据的一个视窗,而不是一个拷贝。因此,任何在Series上的就地修改都会影响DataFrame。列可以使用Series的 copy 函数来显式的拷贝。

另一种通用的数据形式是一个嵌套的字典的字典格式:

In [58]: pop = {'Nevada': {2001: 2.4, 2002: 2.9},
...: 'Ohio': {2000: 1.5, 2001: 1.7, 2002: 3.6}}

如果被传递到DataFrame,它的外部键会被解释为列索引,内部键会被解释为行索引:

In [59]: frame3 = DataFrame(pop)

In [60]: frame3
Out[60]:
Nevada Ohio
2000 NaN 1.5
2001 2.4 1.7
2002 2.9 3.6

当然,你总是可以对结果转置:

In [61]: frame3.T
Out[61]:
2000 2001 2002
Nevada NaN 2.4 2.9
Ohio 1.5 1.7 3.6

内部字典的键被结合并排序来形成结果的索引。如果指定了一个特定的索引,就不是这样的了:

In [63]: DataFrame(pop, index=[2001, 2002, 2003])
Out[63]:
Nevada Ohio
2001 2.4 1.7
2002 2.9 3.6
2003 NaN NaN

Series的字典也以相同的方式来处理:

In [64]: pdata = {'Ohio': frame3['Ohio'][:-1],
...: 'Nevada': frame3['Nevada'][:2]} In [65]: DataFrame(pdata)
Out[65]:
Nevada Ohio
2000 NaN 1.5
2001 2.4 1.7

如果一个DataFrame的 index 和 columns 有它们的 name ,也会被显示出来:

In [66]: frame3.index.name = 'year';frame3.columns.name = 'state'

In [67]: frame3
Out[67]:
state Nevada Ohio
year
2000 NaN 1.5
2001 2.4 1.7
2002 2.9 3.6

像Series一样, values 属性返回一个包含在DataFrame中的数据的二维ndarray:

In [68]: frame3.values
Out[68]:
array([[ nan, 1.5],
[ 2.4, 1.7],
[ 2.9, 3.6]])

如果DataFrame的列有不同的dtypes,返回值数组将会给所有的列选择一个合适的dtyps:

In [69]: frame2.values
Out[69]:
array([[2000, 'Ohio', 1.5, nan],
[2001, 'Ohio', 1.7, -1.2],
[2002, 'Ohio', 3.6, nan],
[2001, 'Ohio', 2.4, -1.5],
[2002, 'Ohio', 2.9, -1.7]], dtype=object)

可能的传递到DataFrame的构造器

二维ndarray 一个数据矩阵,有可选的行标和列标
数组,列表或元组的字典 每一个序列成为DataFrame中的一列。所有的序列必须有相同的长度。
NumPy的结构/记录数组 和“数组字典”一样处理
Series的字典 每一个值成为一列。如果没有明显的传递索引,将结合每一个Series的索引来形成结果的行索引。
字典的字典 每一个内部的字典成为一列。和“Series的字典”一样,结合键值来形成行索引。
字典或Series的列表 每一项成为DataFrame中的一列。结合字典键或Series索引形成DataFrame的列标。
列表或元组的列表 和“二维ndarray”一样处理
另一个DataFrame DataFrame的索引将被使用,除非传递另外一个
NumPy伪装数组(MaskedArray) 除了蒙蔽值在DataFrame中成为NA/丢失数据之外,其它的和“二维ndarray”一样

1.3. 索引对象

pandas的索引对象用来保存坐标轴标签和其它元数据(如坐标轴名或名称)。构建一个Series或DataFrame时任何数组或其它序列标签在内部转化为索引:

In [70]: obj = Series(range(3), index=['a', 'b', 'c'])

In [71]: index = obj.index

In [72]: index
Out[72]: Index(['a', 'b', 'c'], dtype='object') In [73]: index[1:]
Out[73]: Index(['b', 'c'], dtype='object')

索引对象是不可变的,因此不能由用户改变:

In [74]: index[1] = 'd'
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-74-676fdeb26a68> in <module>()
----> 1 index[1] = 'd' c:\users\wang\appdata\local\programs\python\python36\lib\site-packages\pandas\indexes\base.py in __setitem__(self, key, value)
1402
1403 def __setitem__(self, key, value):
-> 1404 raise TypeError("Index does not support mutable operations")
1405
1406 def __getitem__(self, key): TypeError: Index does not support mutable operations

索引对象的不可变性非常重要,这样它可以在数据结构中结构中安全的共享:

In [76]: index = pd.Index(np.arange(3))

In [77]: obj2 = Series([1.5, 2.5, 0], index=index)

In [78]: obj2.index is index
Out[78]: True

通过一些开发努力,索引可以被子类化,来实现特定坐标轴索引功能。

多数用户不必要知道许多索引对象的知识,但是它们仍然是pandas数据模型的重要部分。

pandas中的主要索引对象

索引 说明
Index 最通用的索引对象,使用Python对象的NumPy数组来表示坐标轴标签。
Int64Index 对整形值的特化索引。
MultiIndex “分层”索引对象,表示单个轴的多层次的索引。可以被认为是类似的元组的数组。
DatetimeIndex 存储纳秒时间戳(使用NumPy的datetime64 dtyppe来表示)。
PeriodIndex 对周期数据(时间间隔的)的特化索引。

除了类似于阵列,索引也有类似固定大小集合一样的功能:

In [79]: frame3
Out[79]:
state Nevada Ohio
year
2000 NaN 1.5
2001 2.4 1.7
2002 2.9 3.6 In [80]: 'Ohio' in frame3.columns
Out[80]: True In [81]: 2003 in frame3.index
Out[81]: False

每个索引都有许多关于集合逻辑的方法和属性,且能够解决它所包含的数据的常见问题。

索引方法和属性

方法和属性 解决的问题
append 链接额外的索引对象,产生一个新的索引
diff 计算索引的差集
intersection 计算交集
union 计算并集
isin 计算出一个布尔数组表示每一个值是否包含在所传递的集合里
delete 计算删除位置i的元素的索引
drop 计算删除所传递的值后的索引
insert 计算在位置i插入元素后的索引
is_monotonic 返回True,如果每一个元素都比它前面的元素大或相等
is_unique 返回True,如果索引没有重复的值
unique 计算索引的唯一值数组

参考:http://pda.readthedocs.io/en/latest/chp5.html#