我的Pandas学习经历及动手实践

Datawhale干货作者：吴忠强，东北大学，Datawhale成员想入门人工智能或者数据分析，要重视可以快速上手的学习技能：掌握一些基本概念，建立一个知识框架，然后就去实战，在实战中学习新知识，来填充这个框架。我根据之前整理的一些pandas知识，总结了一个pandas的快速入门的知识框架。有了这些知识，然后去通过项目实战，然后再补充。希望能帮助大家快速上手。

Pandas入门知识框架

1. 什么是Pandas？熊猫？

Pandas 可以说是基于 NumPy 构建的含有更高级数据结构和分析能力的工具包， 实现了类似Excel表的功能，可以对二维数据表进行很方便的操作。

在数据分析工作中，Pandas 的使用频率是很高的，一方面是因为 Pandas 提供的基础数据结构 DataFrame 与 json 的契合度很高，转换起来就很方便。另一方面，如果我们日常的数据清理工作不是很复杂的话，你通常用几句 Pandas 代码就可以对数据进行规整。

Pandas的核心数据结构：Series 和 DataFrame 这两个核心数据结构。他们分别代表着一维的序列和二维的表结构。基于这两种数据结构，Pandas 可以对数据进行导入、清洗、处理、统计和输出。

快速掌握Pandas，就要快速学会这两种核心数据结构。

2. 两种核心数据结构2.1 Series

Series 是个定长的字典序列。说是定长是因为在存储的时候，相当于两个 ndarray，这也是和字典结构最大的不同。因为在字典的结构里，元素的个数是不固定的。

Series 有两个基本属性：index 和 values。在 Series 结构中，index 默认是 0,1,2,……递增的整数序列，当然我们也可以自己来指定索引，比如 index=[‘a’, ‘b’, ‘c’, ‘d’]。

importpandasaspdfrompandasimportSeries,DataFramex1=Series([1,2,3,4])x2=Series(data=[1,2,3,4],index=["a","b","c","d"])printx1printx2

上面这个例子中，x1 中的 index 采用的是默认值，x2 中 index 进行了指定。我们也可以采用字典的方式来创建 Series，比如：

d={"a":1,"b":2,"c":3,"d":4}x3=Series(d)printx3

Series的增删改查

创建一个Series

In[85]:ps=pd.Series(data=[-3,2,1],index=["a","f","b"],dtype=np.float32)In[86]:psOut[86]:a-3.0f2.0b1.0dtype:float32

增加元素append

In[112]:ps.append(pd.Series(data=[-8.0],index=["f"]))Out[112]:a4.0f2.0b1.0f-8.0dtype:float64

删除元素drop

In[119]:psOut[119]:a4.0f2.0b1.0dtype:float32In[120]:psd=ps.drop("f")In[121]:psdOut[121]:a4.0b1.0dtype:float32

注意不管是 append 操作，还是 drop 操作，都是发生在原数据的副本上，不是原数据上。

修改元素通过标签修改对应数据，如下所示：

In[123]:psnOut[123]:a4.0f2.0b1.0f-8.0dtype:float64In[124]:psn["f"]=10.0In[125]:psnOut[125]:a4.0f10.0b1.0f10.0dtype:float64

Series里面允许标签相同， 且如果相同， 标签都会被修改。

访问元素一种通过默认的整数索引，在 Series 对象未被显示的指定 label 时，都是通过索引访问；另一种方式是通过标签访问。

In[126]:psOut[126]:a4.0f2.0b1.0dtype:float32In[128]:ps[2]#索引访问Out[128]:1.0In[127]:ps["b"]#标签访问Out[127]:1.0

2.2 DataFrame

DataFrame 类型数据结构类似数据库表。它包括了行索引和列索引，我们可以将 DataFrame 看成是由相同索引的 Series 组成的字典类型。

importpandasaspdfrompandasimportSeries,DataFramedata={"Chinese":[66,95,93,90,80],"English":[65,85,92,88,90],"Math":[30,98,96,77,90]}df1=DataFrame(data)df2=DataFrame(data,index=["ZhangFei","GuanYu","ZhaoYun","HuangZhong","DianWei"],columns=["English","Math","Chinese"])printdf1printdf2

在后面的案例中，我一般会用 df, df1, df2 这些作为 DataFrame 数据类型的变量名，我们以例子中的 df2 为例，列索引是[‘English’, ‘Math’, ‘Chinese’]，行索引是[‘ZhangFei’, ‘GuanYu’, ‘ZhaoYun’, ‘HuangZhong’, ‘DianWei’]，所以 df2 的输出是：

EnglishMathChineseZhangFei653066GuanYu859895ZhaoYun929693HuangZhong887790DianWei909080

2.2.1基本操作

（1）数据的导入与输出

Pandas 允许直接从 xlsx，csv 等文件中导入数据，也可以输出到 xlsx, csv 等文件，非常方便。需要说明的是，在运行的过程可能会存在缺少 xlrd 和 openpyxl 包的情况，到时候如果缺少了，可以在命令行模式下使用“pip install”命令来进行安装。

importpandasaspdfrompandasimportSeries,DataFramescore=DataFrame(pd.read_excel("data.xlsx"))score.to_excel("data1.xlsx")printscore

关于数据导入， pandas提供了强劲的读取支持， 比如读写CSV文件， read_csv()函数有38个参数之多， 这里面有一些很有用， 主要可以分为下面几个维度来梳理：

基本参数

filepathorbuffer: 数据的输入路径， 可以是文件路径， 也可是是URL或者实现read方法的任意对象sep: 数据文件的分隔符， 默认为逗号delim_whitespace: 表示分隔符为空白字符， 可以是一个空格， 两个空格header: 设置导入DataFrame的列名称， 如果names没赋值， header会选取数据文件的第一行作为列名index_col: 表示哪个或者哪些列作为indexusecols: 选取数据文件的哪些列到DataFrame中prefix: 当导入的数据没有header时， 设置此参数会自动加一个前缀

通用解析参数

dtype：读取数据时修改列的类型converters: 实现对列数据的变化操作skip_rows: 过滤行nrows: 设置一次性读入的文件行数，它在读入大文件时很有用，比如 16G 内存的PC无法容纳几百 G 的大文件。skip_blank_lines: 过滤掉空行

时间处理相关参数

parse_dates: 如果导入的某些列为时间类型，但是导入时没有为此参数赋值，导入后就不是时间类型date_parser: 定制某种时间类型

分开读入相关参数：分块读入内存，尤其单机处理大文件时会很有用。

iterator: iterator 取值 boolean，default False，返回一个 TextFileReader 对象，以便逐块处理文件。chunksize: 整型，默认为 None，设置文件块的大小。

格式和压缩相关参数

id name age0 1 gz 101 2 lh 12

-`thousands`: str，default None，千分位分割符，如`,`或者`.`。-`encoding`:指定字符集类型，通常指定为‘utf-8’

compressioncompression 参数取值为 {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}，默认 ‘infer’，直接使用磁盘上的压缩文件。如果使用 infer 参数，则使用 gzip、bz2、zip 或者解压文件名中以 ‘.gz’、‘.bz2’、‘.zip’ 或 ‘xz’ 这些为后缀的文件，否则不解压。如果使用 zip，那么 ZIP 包中必须只包含一个文件。设置为 None 则不解压。手动压缩本文一直使用的 test.csv 为 test.zip 文件，然后打开

In[73]:df=pd.read_csv("test.zip",sep="\s+",compression="zip")In[74]:dfOut[74]:

具体这些参数怎么用， 可以看https://gitbook.cn/gitchat/column/5e37978dec8d9033cf916b5d/topic/5e3bcef3ec8d9033cf92466f

（2）数据清洗

数据清洗是数据准备过程中必不可少的环节，Pandas 也为我们提供了数据清洗的工具，在后面数据清洗的章节中会给你做详细的介绍，这里简单介绍下 Pandas 在数据清洗中的使用方法。

（2.1）删除 DataFrame 中的不必要的列或行

Pandas 提供了一个便捷的方法 drop() 函数来删除我们不想要的列或行

df2=df2.drop(columns=["Chinese"])

想把“张飞”这行删掉。

df2=df2.drop(index=["ZhangFei"])

（2.2）重命名列名 columns，让列表名更容易识别

如果你想对 DataFrame 中的 columns 进行重命名，可以直接使用 rename(columns=new_names, inplace=True) 函数，比如我把列名 Chinese 改成 YuWen，English 改成 YingYu。

df2.rename(columns={"Chinese":"YuWen","English":"Yingyu"},inplace=True)

（2.3）去重复的值

数据采集可能存在重复的行，这时只要使用 drop_duplicates() 就会自动把重复的行去掉

df=df.drop_duplicates()#去除重复行

（2.4）格式问题

更改数据格式这是个比较常用的操作，因为很多时候数据格式不规范，我们可以使用 astype 函数来规范数据格式，比如我们把 Chinese 字段的值改成 str 类型，或者 int64 可以这么写

df2["Chinese"].astype("str")df2["Chinese"].astype(np.int64)

数据间的空格有时候我们先把格式转成了 str 类型，是为了方便对数据进行操作，这时想要删除数据间的空格，我们就可以使用 strip 函数：

#删除左右两边空格df2["Chinese"]=df2["Chinese"].map(str.strip)#删除左边空格df2["Chinese"]=df2["Chinese"].map(str.lstrip)#删除右边空格df2["Chinese"]=df2["Chinese"].map(str.rstrip)

如果数据里有某个特殊的符号，我们想要删除怎么办？同样可以使用 strip 函数，比如 Chinese 字段里有美元符号，我们想把这个删掉，可以这么写：

df2["Chinese"]=df2["Chinese"].str.strip("$")

（2.5）大小写转换

大小写是个比较常见的操作，比如人名、城市名等的统一都可能用到大小写的转换，在 Python 里直接使用 upper(), lower(), title() 函数，方法如下：

#全部大写df2.columns=df2.columns.str.upper()#全部小写df2.columns=df2.columns.str.lower()#首字母大写df2.columns=df2.columns.str.title()

（2.6）查找空值

数据量大的情况下，有些字段存在空值 NaN 的可能，这时就需要使用 Pandas 中的 isnull 函数进行查找。比如，我们输入一个数据表如下：如果我们想看下哪个地方存在空值 NaN，可以针对数据表 df 进行 df.isnull()，结果如下：如果我想知道哪列存在空值，可以使用 df.isnull().any()，结果如下：

2.2.2 使用apply函数对数据进行清洗

apply 函数是 Pandas 中自由度非常高的函数，使用频率也非常高。比如我们想对 name 列的数值都进行大写转化可以用：

df["name"]=df["name"].apply(str.upper)

我们也可以定义个函数，在 apply 中进行使用。比如定义 double_df 函数是将原来的数值 *2 进行返回。然后对 df1 中的“语文”列的数值进行 *2 处理，可以写成：

defdouble_df(x):return2*xdf1[u"语文"]=df1[u"语文"].apply(double_df)

我们也可以定义更复杂的函数，比如对于 DataFrame，我们新增两列，其中’new1’列是“语文”和“英语”成绩之和的 m 倍，"new2’列是“语文”和“英语”成绩之和的 n 倍，我们可以这样写：

defplus(df,n,m):df["new1"]=(df[u"语文"]+df[u"英语"])*mdf["new2"]=(df[u"语文"]+df[u"英语"])*nreturndfdf1=df1.apply(plus,axis=1,args=(2,3,))

2.3 数据统计

在数据清洗后，我们就要对数据进行统计了。Pandas 和 NumPy 一样，都有常用的统计函数，如果遇到空值 NaN，会自动排除。常用的统计函数包括：表格中有一个 describe() 函数，统计函数千千万，describe() 函数最简便。它是个统计大礼包，可以快速让我们对数据有个全面的了解。下面我直接使用 df1.descirbe() 输出结果为：

df1=DataFrame({"name":["ZhangFei","GuanYu","a","b","c"],"data1":range(5)})printdf1.describe()

2.4 数据表合并

有时候我们需要将多个渠道源的多个数据表进行合并，一个 DataFrame 相当于一个数据库的数据表，那么多个 DataFrame 数据表的合并就相当于多个数据库的表合并。比如我要创建两个 DataFrame：

df1=DataFrame({"name":["ZhangFei","GuanYu","a","b","c"],"data1":range(5)})df2=DataFrame({"name":["ZhangFei","GuanYu","A","B","C"],"data2":range(5)})

两个 DataFrame 数据表的合并使用的是 merge() 函数，有下面 5 种形式：

基于指定列进行连接

比如我们可以基于 name 这列进行连接。

df3=pd.merge(df1,df2,on="name")

2. inner内连接inner 内链接是 merge 合并的默认情况，inner 内连接其实也就是键的交集，在这里 df1, df2 相同的键是 name，所以是基于 name 字段做的连接：

df3=pd.merge(df1,df2,how="inner")

3. left左连接左连接是以第一个 DataFrame 为主进行的连接，第二个 DataFrame 作为补充。

df3=pd.merge(df1,df2,how="left")

right右连接

右连接是以第二个 DataFrame 为主进行的连接，第一个 DataFrame 作为补充。

df3=pd.merge(df1,df2,how="right")

5. outer外连接外连接相当于求两个 DataFrame 的并集。

df3=pd.merge(df1,df2,how="outer")

2.5 DataFram的行级遍历

尽管 Pandas 已经尽可能向量化，让使用者尽可能避免 for 循环，但是有时不得已，还得要遍历 DataFrame。Pandas 提供 iterrows、itertuples 两种行级遍历。

使用 iterrows遍历打印所有行，在 IPython 里输入以下行：

defiterrows_time(df):fori,rowindf.iterrows():print(row)

访问每一行某个元素的时候， 可以通过列名直接访问：

使用 itertuples遍历打印每行：

defitertuples_time(df):forntindf.itertuples():print(nt)

这个效率更高， 比上面那个节省6倍多的时间， 所在数据量非常大的时候， 推荐后者。访问每一行某个元素的时候， 需要getattr函数

使用iteritems遍历每一行

这个访问每一行元素的时候， 用的是每一列的数字索引

3. 如何用SQL方式打开Pandas

Pandas 的 DataFrame 数据类型可以让我们像处理数据表一样进行操作，比如数据表的增删改查，都可以用 Pandas 工具来完成。不过也会有很多人记不住这些 Pandas 的命令，相比之下还是用 SQL 语句更熟练，用 SQL 对数据表进行操作是最方便的，它的语句描述形式更接近我们的自然语言。

事实上，在 Python 里可以直接使用 SQL 语句来操作 Pandas。

这里给你介绍个工具：pandasql。

pandasql 中的主要函数是 sqldf，它接收两个参数：一个 SQL 查询语句，还有一组环境变量 globals() 或 locals()。这样我们就可以在 Python 里，直接用 SQL 语句中对 DataFrame 进行操作，举个例子：

importpandasaspdfrompandasimportDataFramefrompandasqlimportsqldf,load_meat,load_birthsdf1=DataFrame({"name":["ZhangFei","GuanYu","a","b","c"],"data1":range(5)})pysqldf=lambdasql:sqldf(sql,globals())sql="select*fromdf1wherename="ZhangFei""printpysqldf(sql)

运行结果

data1name00ZhangFei

上面代码中，定义了：

pysqldf=lambdasql:sqldf(sql,globals())

在这个例子里，输入的参数是 sql，返回的结果是 sqldf 对 sql 的运行结果，当然 sqldf 中也输入了 globals 全局参数，因为在 sql 中有对全局参数 df1 的使用。

参考极客时间《数据分析实战45讲》课程：https://time.geekbang.org/Pandas的基本使用：http://note.youdao.com/noteshare?id=28264a6b8536e4448e0bf3de701cd230&sub=25080C078C444E6E8B0C809C88BD0C76python数据分析实用小抄：https://www.cnblogs.com/nxld/p/6687253.html像Excel一样使用python进行数据分析：https://www.cnblogs.com/nxld/p/6756492.html50道练习带你玩转Pandas：https://mp.weixin.qq.com/s/39yPBJ7DWSMs_aIxtlpXCwAI基础：Pandas简易入门：https://mp.weixin.qq.com/s/uLBJc_iIize8a9B491U7VQPandas常用用法：https://www.freesion.com/article/7330378876/

整理不易，点赞三连↓

关键词： 数据结构 数据清洗 数据分析