数据分析-Pandas基础使用及练习

今天药忘吃喽~ 2022-11-17 14:54 288阅读 0赞

### 文章目录 ###

*   *   *  一、什么是Pandas
         *  二、Pandas基本使用
         *   *  2.1、数据结构使用
             *  2.2、描述性信息
             *  2.3、迭代及排序
             *  2.4、索引重建
             *  2.5、apply函数
             *  2.6、字符串处理
             *  2.7、索引及选择器
             *  2.8、合并连接数据
             *  2.9、分组及聚合
             *  2.10、缺失值处理
             *  2.11、IO工具
         *  三、练习题目

> 最近在看关于机器学习的相关入门知识，在特征工程中使用了Numpy和Pandas提取样本特征和标签，后来了解到Pandas是一款基于Numpy的高级数据分析库，所以想学习下Pandas数据分析基础内容。

### 一、什么是Pandas ###

Pandas是Python 的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。Pandas 的目标是成为 Python 数据分析实践与实战的必备高级工具，其长远目标是成为最强大、最灵活、可以支持任何语言的开源数据分析工具。

Pandas 适用于处理以下类型的数据：

*  与 SQL 或 Excel 表类似的，含异构列的表格数据
 *  有序和无序（非固定频率）的时间序列数据
 *  带行列标签的矩阵数据，包括同构或异构型数据
 *  任意其它形式的观测、统计数据集, 数据转入 Pandas 数据结构时不必事先标记

异构型数据指的是数据的类型、来源不相同，一个数据表格含有不同类型和来源的数据时即为异构的。

Pandas 与 Numpy 的区别及优势：  
Pandas 的主要数据结构是 Series（一维数据）与 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。Pandas 基于 NumPy 开发，可以与其它第三方科学计算支持库完美集成，其优势如下：

*  处理浮点与非浮点数据里的缺失数据，表示为 NaN
 *  大小可变：插入或删除 DataFrame 等多维对象的列
 *  自动、显式数据对齐：显式地将对象与一组标签对齐，也可以忽略标签，在 Series、DataFrame 计算时自动与数据对齐
 *  强大、灵活的分组（group by）功能：拆分-应用-组合数据集，聚合、转换数据
 *  把 Python 和 NumPy 数据结构里不规则、不同索引的数据轻松地转换为 DataFrame 对象
 *  基于智能标签，对大型数据集进行切片、花式索引、子集分解等操作
 *  直观地合并（merge）、连接（join）数据集
 *  灵活地重塑（reshape）、透视（pivot）数据集
 *  轴支持结构化标签：一个刻度支持多个标签
 *  成熟的 IO 工具：读取文本文件（CSV 等支持分隔符的文件）、Excel 文件、数据库等来源的数据，利用超快的 HDF5 格式保存 / 加载数据
 *  时间序列：支持日期范围生成、频率转换、移动窗口统计、移动窗口线性回归、日期位移等时间序列功能

这些功能主要是为了解决其它编程语言、科研环境的痛点。处理数据一般分为几个阶段：数据整理与清洗、数据分析与建模、数据可视化与制表，Pandas 是处理数据的理想工具。

### 二、Pandas基本使用 ###

使用前首先需要导入pandas和numpy库：

import pandas as pd
    import numpy as np

#### 2.1、数据结构使用 ####

Pandas 的数据结构由 Series 和 DataFrame 组成，其中 Series 是一唯结构，DataFrame 是二维结构。使用 Series 可以表达数据行或列、使用 DataFrame 可以表达一个完整的二维数据表格，包含行（indexs）和列（columns）两个维度的描述信息。

*  创建Series

s = pd.Series([1, 2, 3, 4, 5, "", 7, np.nan])
    print(s)
    
    0      1
    1      2
    2      3
    3      4
    4      5
    5       
    6      7
    7    NaN
    dtype: object

dtype指的是该行、该列或该范围内的数据类型

*  通过data、index及colums创建DataFrame

# data为5行3列的正态分布数据
    data = np.random.randn(5, 3)
    # indexs为5行日期范围数据
    indexs = pd.date_range("2021-04-09", periods=5)
    # columns为3列数据名称，分别为ABC
    columns = list("ABC")
    df = pd.DataFrame(data, index=indexs, columns=columns)
    print(df) 
     
                       A         B         C
    2021-04-09 -1.165105 -0.008255  0.783923
    2021-04-10 -1.248891 -0.916712  2.453062
    2021-04-11 -1.214743  0.046706 -1.122817
    2021-04-12  0.200107 -0.750826  1.108358
    2021-04-13  1.271414  0.233218  1.087846

*  通过Series对象创建DataFrame

seriesMap = { "A": pd.Series([1, 2, 3, 4, 5]),
                 "B": pd.Series([4, 5, 6, 7, 8]),
                 "C": pd.Series([7, 8, 9, 10, 11]), }
    df = pd.DataFrame(seriesMap)
    df.index = indexs
    print(df)
    
                 A  B   C
    2021-04-09  1  4   7
    2021-04-10  2  5   8
    2021-04-11  3  6   9
    2021-04-12  4  7  10
    2021-04-13  5  8  11

#### 2.2、描述性信息 ####

使用Pandas可以很方便地查看数据的描述信息，比如查看前几行数据、行（索引）有哪些、列名称有哪些、查看数据整体中位数、平均值、第50%的数据的值等等：

df = pd.DataFrame(np.random.randn(5, 3), index=pd.date_range("2021-04-09", periods=5), columns=list("ABC"))
    print("dataFrame:", df)
    # 查看前两行数据
    c = df.head(2)
    print("head(2):", c)
    # 查看后两行数据
    c = df.tail(2)
    print("tail(2):", c)
    # 查看索引信息
    c = df.index
    print("index:", c)
    # 查看列信息
    c = df.columns
    print("colunms:", c)
    # 查看数据描述信息
    c =df.describe()
    print("describe():\n", c)
    
    dataFrame:
                        A         B         C
    2021-04-09 -0.026689  1.342181 -0.731386
    2021-04-10  1.576142 -0.397611 -0.679097
    2021-04-11 -2.239664  1.275189 -0.900623
    2021-04-12 -2.164263 -0.503823  0.155695
    2021-04-13 -0.404741 -0.513738 -0.760377
    head(2):
                        A         B         C
    2021-04-09 -0.026689  1.342181 -0.731386
    2021-04-10  1.576142 -0.397611 -0.679097
    tail(2):
                        A         B         C
    2021-04-12 -2.164263 -0.503823  0.155695
    2021-04-13 -0.404741 -0.513738 -0.760377
    index:
     DatetimeIndex(['2021-04-09', '2021-04-10', '2021-04-11', '2021-04-12',
                   '2021-04-13'],
                  dtype='datetime64[ns]', freq='D')
    colunms:
     Index(['A', 'B', 'C'], dtype='object')
    describe():
                   A         B         C
    count  5.000000  5.000000  5.000000
    mean  -0.651843  0.240439 -0.583158
    std    1.598779  0.976519  0.421091
    min   -2.239664 -0.513738 -0.900623
    25%   -2.164263 -0.503823 -0.760377
    50%   -0.404741 -0.397611 -0.731386
    75%   -0.026689  1.275189 -0.679097
    max    1.576142  1.342181  0.155695

#### 2.3、迭代及排序 ####

Pandas提供了数据迭代及排序功能，和字典的遍历类似，可以迭代获取到列Series和行Series对象。排序则使用sort\_values方法及sort\_indexs方法。

df = pd.DataFrame(np.random.randn(3, 2), index=pd.date_range("2021-04-09", periods=3), columns=list("AB"))
    print("dataFrame:\n", df)
    # 按列迭代,获取到每列的Series对象
    for name, colSeries in df.items():
        print(name)
        print(colSeries)
    # 按行迭代,获取到每行的Series对象
    for name, rowSeries in df.iterrows():
        print(name)
        print(rowSeries)
        
    dataFrame:
                        A         B
    2021-04-09 -1.479785  0.626420
    2021-04-10  1.528794  0.622432
    2021-04-11 -0.530254  0.931859
    A
    2021-04-09   -1.479785
    2021-04-10    1.528794
    2021-04-11   -0.530254
    Freq: D, Name: A, dtype: float64
    B
    2021-04-09    0.626420
    2021-04-10    0.622432
    2021-04-11    0.931859
    Freq: D, Name: B, dtype: float64
    2021-04-09 00:00:00
    A   -1.479785
    B    0.626420
    Name: 2021-04-09 00:00:00, dtype: float64
    2021-04-10 00:00:00
    A    1.528794
    B    0.622432
    Name: 2021-04-10 00:00:00, dtype: float64
    2021-04-11 00:00:00
    A   -0.530254
    B    0.931859
    Name: 2021-04-11 00:00:00, dtype: float64

注意，不可以在迭代过程之中修改数据，这不会生效，可以使用apply函数来进行迭代数据修改。建议在需要获取行和列数据的场景下，使用选择器loc或iloc来获取指定的数据，而不是通过迭代的方式，因为这种方式效率很低。

#### 2.4、索引重建 ####

索引重建的作用是将原数据按指定的索引顺序进行重建，当重建选择的索引不存在时，则会生成NAN空值。

df = pd.DataFrame(np.random.randn(3, 2), index=pd.date_range("2021-04-09", periods=3), columns=list("AB"))
    print("dataFrame:\n", df)
    print(df.index)
    # 按行进行索引重建
    c = df.reindex(index=pd.DatetimeIndex(['2021-04-11', '2021-04-09', '2021-04-12']))
    print(c)
    # 按列进行索引重建
    c = df.reindex(columns=["B", "C"])
    print(c)
    # 同时按行与列进行索引重建
    c = df.reindex(index=pd.DatetimeIndex(['2021-04-11', '2021-04-09', '2021-04-12']), columns=["B", "C"])
    print(c)
    
    dataFrame:
                        A         B
    2021-04-09 -0.455611  0.451562
    2021-04-10  1.039412 -0.263696
    2021-04-11 -0.235964  1.337724
    DatetimeIndex(['2021-04-09', '2021-04-10', '2021-04-11'], dtype='datetime64[ns]', freq='D')
                       A         B
    2021-04-11 -0.235964  1.337724
    2021-04-09 -0.455611  0.451562
    2021-04-12       NaN       NaN
                       B   C
    2021-04-09  0.451562 NaN
    2021-04-10 -0.263696 NaN
    2021-04-11  1.337724 NaN
                       B   C
    2021-04-11  1.337724 NaN
    2021-04-09  0.451562 NaN
    2021-04-12       NaN NaN

#### 2.5、apply函数 ####

在Pandas中，apply函数经常会被使用到，apply可以沿着DataFrame的横轴或者纵轴进行如统计、数据转化等操作。

pd.set_option('display.max_columns', 8)  # 打印最大列数
    df = pd.DataFrame(np.random.randn(3, 2), index=pd.date_range("2021-04-09", periods=3), columns=list("AB"))
    print("dataFrame:\n", df)
    # 列方向生成平均值
    df.loc["mean1"] = df.apply(np.mean, axis=0)
    # 行方向生成平均值
    df["mean2"] = df.apply(np.mean, axis=1)
    # 列方向生成最大值于最小值之差
    df.loc["max1-min1"] = df.apply(lambda x: x.max() - x.min(), axis=0)
    # 行方向生成最大值于最小值之差
    df["max2-min2"] = df.apply(lambda x: x.max() - x.min(), axis=1)
    # 列方向生成数值累加结果
    df.loc["sum1"] = df.apply(np.sum, axis=0)
    # 行方向生成数值累加结果
    df["sum2"] = df.apply(np.sum, axis=1)
    # 列方向生成第一行与第二行相乘结果
    df.loc["x1"] = df.apply(lambda x: x[0] * x[1], axis=0)
    # 行方向生成第一行与第二行相乘结果
    df["x2"] = df.apply(lambda x: x[0] * x[1], axis=1)
    # 将A列每个小于0的数据都转化为正数
    df["A"] = df["A"].apply(lambda x: -1 * x if x < 0 else x)
    print(df)
    
                                A         B     mean2  max2-min2       sum2  \
    2021-04-09 00:00:00  0.370662  0.910307  0.269823   1.280969   2.090438   
    2021-04-10 00:00:00  1.256207 -0.582235  0.336986   1.838442   2.849401   
    2021-04-11 00:00:00  1.004682 -0.252607  0.376038   1.257288   2.385401   
    mean1                0.630076  0.025155  0.327616   0.604920   1.587767   
    max1-min1            1.626869  1.492542  0.106215   1.520655   4.746281   
    sum1                 4.147172  1.593164  1.416677   6.502275  13.659287   
    x1                   0.465628 -0.530013  0.090927   2.354988   5.956496   
                               x2  
    2021-04-09 00:00:00 -0.337416  
    2021-04-10 00:00:00 -0.731408  
    2021-04-11 00:00:00 -0.253789  
    mean1                0.015850  
    max1-min1            2.428171  
    sum1                 6.607124  
    x1                   0.246789

#### 2.6、字符串处理 ####

Pandas对字符串的处理也有相应的支持，对于Series来说，使用.str 即可获取到字符串对象，并且可以进行相应的操作：

s = pd.Series(["Pandas", "Numpy", "tensorFlow"])
    print("dataFrame:\n", s)
    # 转为小写
    c = s.str.lower()
    print(c)
    # 转为大写
    c = s.str.upper()
    print(c)
    # 判断字符串是否含有Numpy
    c = s.str.contains("Numpy")
    print(c)
    # 将Numpy替换为Java
    c = s.str.replace("Numpy", "Java")
    print(c)
    # 获取首字母
    c = s.str.get(0)
    print(c)
    # 字符串切片
    c = s.str.slice(0, 2)
    print(c)
    # 计算字符出现次数
    c = s.str.count("n")
    print(c)
    # 获取字符串长度
    c = s.str.len()
    print(c)
    
    dataFrame:
     0        Pandas
    1         Numpy
    2    tensorFlow
    dtype: object
    0        pandas
    1         numpy
    2    tensorflow
    dtype: object
    0        PANDAS
    1         NUMPY
    2    TENSORFLOW
    dtype: object
    0    False
    1     True
    2    False
    dtype: bool
    0        Pandas
    1          Java
    2    tensorFlow
    dtype: object
    0    P
    1    N
    2    t
    dtype: object
    0    Pa
    1    Nu
    2    te
    dtype: object
    0    1
    1    0
    2    1
    dtype: int64
    0     6
    1     5
    2    10
    dtype: int64

#### 2.7、索引及选择器 ####

Pandas的DataFrame选择器可以通过行名称范围、列名称范围（loc）或行索引范围、行索引范围（iloc）进行选择，提取出新的DataFrame。

data_frame = pd.DataFrame(np.random.randn(5, 5), index=pd.date_range("20210405", periods=5), columns=list("ABCDE"))
    print("data_frame:\n", data_frame)
    # 获取某列
    print("B columns:\n", data_frame["B"])
    # 获取切片行
    print("slice rows:\n", data_frame[0:2])
    print("slice rows2:\n", data_frame["2021-04-05":"2021-04-08"])
    # 选择多列
    print("columns:\n", data_frame.loc["2021-04-05":"2021-04-08", ["A", "B"]])
    # 获取2021-04-07中B列的值
    print("loc 2021-04-07:B\n", data_frame.loc["2021-04-07", "B"])
    # 按照索引选择
    print("index choose 1, 1:\n", data_frame.iloc[1, 1])
    print("index choose range 1:3, 0:2:\n", data_frame.iloc[1:3, 0:2])
    # 选择全部行，但只需要A列
    print("index choose all, column=A:\n", data_frame.loc[:, ["A"]])
    
    data_frame:
                        A         B         C         D         E
    2021-04-05 -1.433758  1.006381 -1.397154  0.745768 -0.665766
    2021-04-06  1.524297 -0.417659  1.047648 -1.261089 -0.459849
    2021-04-07  0.601041 -0.113164  0.168845 -0.321177 -0.812215
    2021-04-08  0.786380 -1.027715  0.941147 -0.261271  0.849009
    2021-04-09  2.272274  0.041790  1.140555  1.159317  1.847053
    B columns:
     2021-04-05    1.006381
    2021-04-06   -0.417659
    2021-04-07   -0.113164
    2021-04-08   -1.027715
    2021-04-09    0.041790
    Freq: D, Name: B, dtype: float64
    slice rows:
                        A         B         C         D         E
    2021-04-05 -1.433758  1.006381 -1.397154  0.745768 -0.665766
    2021-04-06  1.524297 -0.417659  1.047648 -1.261089 -0.459849
    slice rows2:
                        A         B         C         D         E
    2021-04-05 -1.433758  1.006381 -1.397154  0.745768 -0.665766
    2021-04-06  1.524297 -0.417659  1.047648 -1.261089 -0.459849
    2021-04-07  0.601041 -0.113164  0.168845 -0.321177 -0.812215
    2021-04-08  0.786380 -1.027715  0.941147 -0.261271  0.849009
    columns:
                        A         B
    2021-04-05 -1.433758  1.006381
    2021-04-06  1.524297 -0.417659
    2021-04-07  0.601041 -0.113164
    2021-04-08  0.786380 -1.027715
    loc 2021-04-07:B
     -0.11316367868153508
    index choose 1, 1:
     -0.4176591189836492
    index choose range 1:3, 0:2:
                        A         B
    2021-04-06  1.524297 -0.417659
    2021-04-07  0.601041 -0.113164
    index choose all, column=A:
                        A
    2021-04-05 -1.433758
    2021-04-06  1.524297
    2021-04-07  0.601041
    2021-04-08  0.786380
    2021-04-09  2.272274

#### 2.8、合并连接数据 ####

这篇文章讲得很清楚：  
https://blog.csdn.net/weixin\_38168620/article/details/80663892

Pandas中合并连接数据主要使用merge、join以及concat方法。

*  merge方法类似于SQL中的表连接操作，可选的连接方式也有（左右）外连接、内连接、按索引连接、按指定列连接等。
 *  join和merge一样用于连接多个DataFrame对象，但是一般用于无条件连接，将不规则的数据集拼接。
 *  concat连接可以理解为数据的垂直分表及水平分表后的数据集连接，主要作用是将不同的小数据集追加成大数据集。

#### 2.9、分组及聚合 ####

Pandas提供分组及聚合查询的功能，主要使用groupby函数来分组，agg函数用以做数据的聚合，分组聚合用于解决类似于"按班纬度来统计各班有多少人"这类问题，在数据分析过程中是十分常用的。注意，使用了分组操作后，就需要分组数据进行聚合，分组-聚合操作是同时出现的，但聚合操作可以单独使用。  
关于分组及聚合，这篇文章讲得很好：https://zhuanlan.zhihu.com/p/101284491

*  分组groupby的原理是按照一定的分组条件，将相同条件的数据划分到同一个字典中，然后不同的分组字典重新组成一个完整的DataFrame对象。
 *  聚合agg对不同的分组执行聚合操作，通常有取min、max、sum、mean、median、std、var、count。

#### 2.10、缺失值处理 ####

Pandas作为一款可以读取异构数据的分析库，由于可以一个Series和DataFrame可以容纳多种类型，所以就算数据中存在空值但仍然能被读取到，Series及DataFrame中空值以NaN、NaT表示，其中NaN表示普通数据空值，NaT表示时间类数据空值。  
主要使用以下四类函数来处理及判断空值：

*  df.dropna()：以行或列的纬度删除具备空值的行或列，可以指定空值出现次数
 *  df.fillna()：以行或列的纬度，按一定要求填充空值，比如可以用空值的前一个数据填充空值，或者指定值来填充空值。填充空值主要是为了方便后续对数据进行分析。
 *  df.isna()：判断是否存在空值，以boolean矩阵形式返回。

#### 2.11、IO工具 ####

Pandas的I/O API是一组read函数，常用的有read\_csv() read\_excel 函数等，这类函数可以从指定的文件路径读取到携带文件数据到DataFrame对象:

*  read\_csv()：该方法读取csv类文件，csv指的是“分隔符划分文件”，也就是采用特定分隔符来划分数据的一种文件，通常以.csv/.tsv/.txt 作为文件后缀，假定有以下csv文件(temp.csv)：

S.No Name Age City Salary 
     0 1 Tom 28 Toronto 20000 
     1 2 Lee 32 HongKong 3000 
     2 3 Steven 43 Bay Area 8300 
     3 4 Ram 38 Hyderabad 3900

则读取方式为：

# 指定读取文件路径为temp.csv, 分隔符为\t，索引为S.No，
    # 将Salary字段转化为float64类型
    pandas.read_csv("temp.csv", sep='\t', index_col=["S.No"], dtype={ 'Salary': np.float64}
    
     S.No Name Age City Salary 
     0 1 Tom 28 Toronto 20000.0 
     1 2 Lee 32 HongKong 3000.0 
     2 3 Steven 43 Bay Area 8300.0 
     3 4 Ram 38 Hyderabad 3900.0

### 三、练习题目 ###

看完了基础可以试着按这套练习走一遍，可以加深对Pandas数据分析过程的理解。

[这十套练习，教你如何使用Pandas做数据分析][Pandas]

[Pandas]: https://www.heywhale.com/mw/project/59e77a636d213335f38daec2