Python 数据处理库 pandas
核心数据结构
pandas最核心的就是Series
和DataFrame
两个数据结构。
名称 | 维度 | 说明 |
---|---|---|
Series | 1维 | 带有标签的同构类型数组 |
DataFrame | 2维 | 表格结构,带有标签,大小可变,且可以包含异构的数据列 |
DataFrame可以看做是Series的容器,即:一个DataFrame中可以包含若干个Series。
series
由于Series是一堆结构的数据,我们可以直接通过数组来创建这种数据,像这样:
import pandas as pd
import numpy as np series1 = pd.Series([1, 2, 3, 4])
print("series1:\n{}\n".format(series1)) # series1:
# 0 1
# 1 2
# 2 3
# 3 4
# dtype: int64
- 输出的最后一行是Series中数据的类型,这里的数据都是int64类型的。
- 数据在第二列输出,第一列是数据的索引
我们分别打印出Series中的数据和索引
print("series1.values: {}\n".format(series1.values)) print("series1.index: {}\n".format(series1.index)) # series1.values: [1 2 3 4]
# series1.index: RangeIndex(start=0, stop=4, step=1)
我们可以指定索引的类型,例如字符串
series2 = pd.Series([1, 2, 3, 4, 5, 6, 7],
index=["C", "D", "E", "F", "G", "A", "B"])
print("series2:\n{}\n".format(series2))
print("E is {}\n".format(series2["E"])) # series2:
# C 1
# D 2
# E 3
# F 4
# G 5
# A 6
# B 7
# dtype: int64 # E is 3
DataFrame
通过Numpy接口来创建一个4x4的矩阵,以此来创建DataFrame
import pandas as pd
import numpy as np df1 = pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1)) # df1:
# 0 1 2 3
# 0 0 1 2 3
# 1 4 5 6 7
# 2 8 9 10 11
# 3 12 13 14 15
默认的索引和列名都是[0,N-1]的形式,同样我们可以指定列名和索引,
import pandas as pd
import numpy as np df2 = pd.DataFrame(np.arange(16).reshape(4,4),
columns=["column1", "column2", "column3", "column4"],
index=["a", "b", "c", "d"])
print("df2:\n{}\n".format(df2)) # df2:
# column1 column2 column3 column4
# a 0 1 2 3
# b 4 5 6 7
# c 8 9 10 11
# d 12 13 14 15
我们也可以指定结构来创建DataFrame
import pandas as pd
import numpy as np df3 = pd.DataFrame({"note" : ["C", "D", "E", "F", "G", "A", "B"],
"weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})
print("df3:\n{}\n".format(df3)) # df3:
# note weekday
# 0 C Mon
# 1 D Tue
# 2 E Wed
# 3 F Thu
# 4 G Fri
# 5 A Sat
# 6 B Sun
注意:
DataFrame的不同列可以是不同的数据类型
如果以Series数组来创建DataFrame,每个Series将成为一行,而不是一列
import pandas as pd
import numpy as np noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"],
index=[1, 2, 3, 4, 5, 6, 7])
weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
index=[1, 2, 3, 4, 5, 6, 7])
df4 = pd.DataFrame([noteSeries, weekdaySeries])
print("df4:\n{}\n".format(df4)) # df4:
# 1 2 3 4 5 6 7
# 0 C D E F G A B
# 1 Mon Tue Wed Thu Fri Sat Sun
我们还可以“添加”或“删除”列数据
import pandas as pd
import numpy as np df3 = pd.DataFrame({"note" : ["C", "D", "E", "F", "G", "A", "B"],
"weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})
df3["No."] = pd.Series([1, 2, 3, 4, 5, 6, 7])
print("df3:\n{}\n".format(df3)) del df3["weekday"]
print("df3:\n{}\n".format(df3)) # df3:
# note weekday No.
# 0 C Mon 1
# 1 D Tue 2
# 2 E Wed 3
# 3 F Thu 4
# 4 G Fri 5
# 5 A Sat 6
# 6 B Sun 7 # df3:
# note No.
# 0 C 1
# 1 D 2
# 2 E 3
# 3 F 4
# 4 G 5
# 5 A 6
# 6 B 7
index对象与数据访问
同样可以通过索引来获取DataFrame的行和列
print("df3.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\n".format(df3.index)) # df3.columns
# Index(['note', 'No.'], dtype='object') # df3.index
# RangeIndex(start=0, stop=7, step=1)
注意:
Index并非集合,因此其中可以包含重复的数据
Index对象的值是不可以改变,因此可以通过它安全的访问数据
DataFrane提供了下面两个操作符来访问其中的数据
loc
:通过行和列的索引来访问数据iloc
:通过行和列的下标来访问数据
print("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"]))
print("Note C, D is:\n{}\n".format(df3.iloc[[0, 1], 0])) # Note C, D is:
# 0 C
# 1 D
# Name: note, dtype: object # Note C, D is:
# 0 C
# 1 D
# Name: note, dtype: object
第一行代码访问了行索引为0和1,列索引为“note”的元素,第二行代码访问了行下标为0和1对于df3来说,行索引和行下标刚好是一样的,所以这里都是0和1,但它们却是不同的含义),列下标为0的元素。
文件操作
读取Excel文件
注:要读取Excel文件,还需要安装另外一个库;xlrd
pip install xlrd
import pandas as pd
import numpy as np df1 = pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1)) # df1:
# C Mon
# 0 D Tue
# 1 E Wed
# 2 F Thu
# 3 G Fri
# 4 A Sat
# 5 B Sun
读取csv文件
C,Mon
D,Tue
E,Wed
F,Thu
G,Fri
A,Sat
第一个CSV文件内容
C|Mon
D|Tue
E|Wed
F|Thu
G|Fri
A|Sat
第二个CSV文件的内容
读取CSV文件
import pandas as pd
import numpy as np
df2 = pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))
# df3 = pd.read_csv("data/test2.csv", sep="|")
# print("df3:\n{}\n".format(df3))
我们可以发现,第二个CSV文件并不是通过逗号分隔的,我们通常指定分隔符的方式来读取这个文件。
read_csv
支持非常多的参数用来调整读取的参数
参数 | 说明 |
---|---|
path | 文件路径 |
sep或者delimiter | 字段分隔符 |
header | 列名的行数,默认是0(第一行) |
index_col | 列号或名称用作结果中的行索引 |
names | 结果的列名称列表 |
skiprows | 从起始位置跳过的行数 |
na_values | 代替NA 的值序列 |
comment | 以行结尾分隔注释的字符 |
parse_dates | 尝试将数据解析为datetime 。默认为False |
keep_date_col | 如果将列连接到解析日期,保留连接的列。默认为False 。 |
converters | 列的转换器 |
dayfirst | 当解析可以造成歧义的日期时,以内部形式存储。默认为False |
data_parser | 用来解析日期的函数 |
nrows | 从文件开始读取的行数 |
iterator | 返回一个TextParser对象,用于读取部分内容 |
chunksize | 指定读取块的大小 |
skip_footer | 文件末尾需要忽略的行数 |
verbose | 输出各种解析输出的信息 |
encoding | 文件编码 |
squeeze | 如果解析的数据只包含一列,则返回一个Series |
thousands | 千数量的分隔符 |
详细的read_csv函数说明请参见这里:pandas.read_csv
处理无效值
主要有两种处理方法:直接忽略这些无效值;或者将无效值替换成有效值。
我们先创建一个包含无效值的数据结构。然后通过pandas.isna
函数来确认哪些值是无效的:
import pandas as pd
import numpy as np df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
[5.0, np.nan, np.nan, 8.0],
[9.0, np.nan, np.nan, 12.0],
[13.0, np.nan, 15.0, 16.0]]) print("df:\n{}\n".format(df));
print("df:\n{}\n".format(pd.isna(df))) # df:
# 0 1 2 3
# 0 1.0 NaN 3.0 4.0
# 1 5.0 NaN NaN 8.0
# 2 9.0 NaN NaN 12.0
# 3 13.0 NaN 15.0 16.0 # df:
# 0 1 2 3
# 0 False True False False
# 1 False True True False
# 2 False True True False
# 3 False True False False
忽略无效值
我们可以通过pandas.DataFrame.dropna
函数抛弃无效值
import pandas as pd
import numpy as np df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
[5.0, np.nan, np.nan, 8.0],
[9.0, np.nan, np.nan, 12.0],
[13.0, np.nan, 15.0, 16.0]]) print("df.dropna():\n{}\n".format(df.dropna())); # df.dropna():
# Empty DataFrame
# Columns: [0, 1, 2, 3]
# Index: []
对于原先的结构,当无效值全部被抛弃之后,将不再是一个有效的DataFrame,所以才会是以上结果
我们也可以选择抛弃整列都是无效值的那一列:
import pandas as pd
import numpy as np df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
[5.0, np.nan, np.nan, 8.0],
[9.0, np.nan, np.nan, 12.0],
[13.0, np.nan, 15.0, 16.0]]) print("df.dropna(axis=1,how='all'):\n{}\n".format(df.dropna(axis=1, how='all'))); # df.dropna(axis=1, how='all'):
# 0 2 3
# 0 1.0 3.0 4.0
# 1 5.0 NaN 8.0
# 2 9.0 NaN 12.0
# 3 13.0 15.0 16.0
注:axis=1
表示列的轴。how可以取值’any’或者’all’,默认是前者。
替换无效值
我们也可以通过fillna
函数将无效值替换成为有效值
import pandas as pd
import numpy as np df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
[5.0, np.nan, np.nan, 8.0],
[9.0, np.nan, np.nan, 12.0],
[13.0, np.nan, 15.0, 16.0]]) print("df:\n{}\n".format(df)); print("df.fillna(1):\n{}\n".format(df.fillna(1))); # df:
# 0 1 2 3
# 0 1.0 NaN 3.0 4.0
# 1 5.0 NaN NaN 8.0
# 2 9.0 NaN NaN 12.0
# 3 13.0 NaN 15.0 16.0 # df.fillna(1):
# 0 1 2 3
# 0 1.0 1.0 3.0 4.0
# 1 5.0 1.0 1.0 8.0
# 2 9.0 1.0 1.0 12.0
# 3 13.0 1.0 15.0 16.0
将无效值全部替换成同样的数据可能意义不大,因此我们可以指定不同的数据来进行填充。为了便于操作,在填充之前,我们可以先通过rename
方法修改行和列的名称:
import pandas as pd
import numpy as np df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
[5.0, np.nan, np.nan, 8.0],
[9.0, np.nan, np.nan, 12.0],
[13.0, np.nan, 15.0, 16.0]]) print("df:\n{}\n".format(df));
print("df:\n{}\n".format(pd.isna(df))) df.rename(index={0: 'index1', 1: 'index2', 2: 'index3', 3: 'index4'},
columns={0: 'col1', 1: 'col2', 2: 'col3', 3: 'col4'},
inplace=True);
df.fillna(value={'col2': 2}, inplace=True) # 把第2列的空值变成2
df.fillna(value={'col3': 7}, inplace=True) # 把第3列的空值变成7
print("df:\n{}\n".format(df)); # df:
# 0 1 2 3
# 0 1.0 NaN 3.0 4.0
# 1 5.0 NaN NaN 8.0
# 2 9.0 NaN NaN 12.0
# 3 13.0 NaN 15.0 16.0 # df:
# 0 1 2 3
# 0 False True False False
# 1 False True True False
# 2 False True True False
# 3 False True False False # df:
# col1 col2 col3 col4
# index1 1.0 2.0 3.0 4.0
# index2 5.0 2.0 7.0 8.0
# index3 9.0 2.0 7.0 12.0
# index4 13.0 2.0 15.0 16.0
处理字符串
Series
的str
字段包含了一系列的函数用来处理字符串。并且,这些函数会自动处理无效值。
import pandas as pd s1 = pd.Series(['', '2 ', ' 3 ', '', '']);
print("s1.str.rstrip():\n{}\n".format(s1.str.lstrip()))
print("s1.str.strip():\n{}\n".format(s1.str.strip()))
print("s1.str.isdigit():\n{}\n".format(s1.str.isdigit())) # s1.str.rstrip():
# 0 1
# 1 2
# 2 3
# 3 4
# 4 5
# dtype: object # s1.str.strip():
# 0 1
# 1 2
# 2 3
# 3 4
# 4 5
# dtype: object # s1.str.isdigit():
# 0 False
# 1 False
# 2 False
# 3 True
# 4 True
# dtype: bool
我们还能对字符串进行大写、小写、以及字符串长度的处理。
import pandas as pd s2 = pd.Series(['Stairway to Heaven', 'Eruption', 'Freebird',
'Comfortably Numb', 'All Along the Watchtower'])
print("s2.str.lower():\n{}\n".format(s2.str.lower()))
print("s2.str.upper():\n{}\n".format(s2.str.upper()))
print("s2.str.len():\n{}\n".format(s2.str.len())) # s2.str.lower():
# 0 stairway to heaven
# 1 eruption
# 2 freebird
# 3 comfortably numb
# 4 all along the watchtower
# dtype: object # s2.str.upper():
# 0 STAIRWAY TO HEAVEN
# 1 ERUPTION
# 2 FREEBIRD
# 3 COMFORTABLY NUMB
# 4 ALL ALONG THE WATCHTOWER
# dtype: object # s2.str.len():
# 0 18
# 1 8
# 2 8
# 3 16
# 4 24
# dtype: int64
参考文献
https://paul.pub/pandas-tutorial/
最新文章
- Linux系统中用DNW向ARM开发板下载程序
- 转载一篇React native的props的用法
- 最小生成树 prime poj1287
- Make Notepad++ auto close HTML/XML tags after the slash(the Dreamweaver way)
- win7(X64)+VS2013+OpenCV3.1环境配置
- 【CodeForces 651B】Beautiful Paintings 排序+贪心
- CommandLine 和 Options
- 24种设计模式--命令模式【Command Pattern】
- Shell上传文件到ftp
- 运用 BoxLayout 进行 Swing 控件布局
- Java 生成本文文件的时候,Dos格式转成Unix格式
- Access denied for user: &;#39;root@localhost&;#39; (Using password: YES)
- 实时 Django 终于来了 —— Django Channels 入门指南
- webpack 图片的打包
- Python后台开发Django( 模板 与 值匹配 )
- [Swift]LeetCode155. 最小栈 | Min Stack
- 【原创】canvas裁剪上传图片异步提交
- supervisor来自动化部署,集成git
- 安装ubuntu18.04.1
- HDU 4540 线性DP
热门文章
- Android -- 图片处理, 画画板,缩放,旋转,平移,镜面,倒影,图片合成,颜色处理
- Docker和k8s的区别与介绍
- Struts2基本使用(二)--配置文件简述
- memcache+php实现页面访问的加速
- 基于spec评论——王者荣耀交流协会的PSP DAILY作品
- I.MX6 PWM buzzer driver hacking with Demo test
- Linux的发行版之间的联系和区别
- Codeforces 1009C: Annoying Present
- 《DSP using MATLAB》示例Example 9.9
- mongodb启用Profiling定位问题