Python数据分析之pandas学习（一）

Python数据分析之pandas学习（一）

我们接着上次分享给大家的两篇文章：​​Python数据分析之numpy学习（一）​​​和​​Python数据分析之numpy学习（二）​​，继续讨论使用Python中的pandas模块进行数据分。在接下来的两期pandas介绍中将学习到如下8块内容：

1、数据结构简介：DataFrame和Series

2、数据索引index

3、利用pandas查询数据

4、利用pandas的DataFrames进行统计分析

5、利用pandas实现SQL操作

6、利用pandas进行缺失值的处理

7、利用pandas实现Excel的数据透视表功能

8、多层索引的使用

一、数据结构介绍

在pandas中有两类非常重要的数据结构，即序列Series和数据框DataFrame。Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式获取数据，还具有索引的自动对齐功能；DataFrame类似于numpy中的二维数组，同样可以通用numpy数组的函数和方法，而且还具有其他灵活应用，后续会介绍到。

1、Series的创建

序列的创建主要有三种方式：

1）通过一维数组创建序列

In [1]:

In [2]:

In [3]:

Out[3]:

In [4]:

Out[4]:

返回的是数组类型。

In [5]:

In [6]:

Out[6]:

0    0

1    1

2    2

3    3

4    4

5    5

6    6

7    7

8    8

9    9

dtype: int32

In [7]:

Out[7]:

返回的是序列类型。

2）通过字典的方式创建序列

In [8]:

In [9]:

Out[9]:

In [10]:

Out[10]:

返回的是字典类型。

In [11]:

In [12]:

Out[12]:

a    10

b    20

c    30

d    40

e    50

dtype: int64

In [13]:

Out[13]:

返回的是序列类型。

3）通过DataFrame中的某一行或某一列创建序列

这部分内容我们放在后面讲，接下来就开始讲一讲如何构造一个DataFrame。

2、DataFrame的创建

数据框的创建主要有三种方式：

1）通过二维数组创建数据框

In [14]:

In [15]:

Out[15]:

array([[ 0,  1,  2],

[ 3,  4,  5],

[ 6,  7,  8],

[ 9, 10, 11]])

In [16]:

Out[16]:

返回的是数组类型。

In [17]:

In [18]:

Out[18]:

0   1   2

0  0   1   2

1  3   4   5

2  6   7   8

3  9  10  11

In [19]:

Out[19]:

返回的数据框类型。

2）通过字典的方式创建数据框

以下以两种字典来创建数据框，一个是字典列表，一个是嵌套字典。

In [20]:

...:

In [21]:

Out[21]:

{'a': [1, 2, 3, 4],

'b': [5, 6, 7, 8],

'c': [9, 10, 11, 12],

'd': [13, 14, 15, 16]}

In [22]:

Out[22]:

返回的是字典类型。

In [23]:

In [24]:

Out[24]:

a  b   c   d

0  1  5   9  13

1  2  6  10  14

2  3  7  11  15

3  4  8  12  16

In [25]:

Out[25]:

返回的是数据框类型。

In [26]:

...:

...:

In [27]:

Out[27]:

{'one': {'a': 1, 'b': 2, 'c': 3, 'd': 4},

'three': {'a': 9, 'b': 10, 'c': 11, 'd': 12},

'two': {'a': 5, 'b': 6, 'c': 7, 'd': 8}}

In [28]:

Out[28]:

返回的是字典类型。

In [29]:

In [30]:

Out[30]:

one  three  two

a    1      9    5

b    2     10    6

c    3     11    7

d    4     12    8

In [31]:

Out[31]:

返回的是数据框类型。这里需要说明的是，如果使用嵌套字典创建数据框的话，嵌套字典的最外层键会形成数据框的列变量，而内层键则会形成数据框的行索引。

3）通过数据框的方式创建数据框

In [32]:

In [33]:

Out[33]:

one  three

a    1      9

b    2     10

c    3     11

d    4     12

In [34]:

Out[34]:

返回的是数据框类型。

In [35]:

In [36]:

Out[36]:

a    1

b    2

c    3

d    4

Name: one, dtype: int64

In [37]:

Out[37]:

这里就是通过选择数据框中的某一列，返回一个序列的对象。

二、数据索引index

细致的朋友可能会发现一个现象，不论是序列也好，还是数据框也好，对象的最左边总有一个非原始数据对象，这个是什么呢？不错，就是我们接下来要介绍的索引。

在我看来，序列或数据框的索引有两大用处，一个是通过索引值或索引标签获取目标数据，另一个是通过索引，可以使序列或数据框的计算、操作实现自动化对齐，下面我们就来看看这两个功能的应用。

1、通过索引值或索引标签获取数据

In [38]:

In [39]:

Out[39]:

0    1

1    1

2    2

3    3

4    5

5    8

dtype: int32

如果不给序列一个指定的索引值，则序列自动生成一个从0开始的自增索引。可以通过index查看序列的索引：

In [40]:

Out[40]:

现在我们为序列设定一个自定义的索引值：

In [41]:

In [42]:

Out[42]:

a    1

b    1

c    2

d    3

e    5

f    8

dtype: int32

序列有了索引，就可以通过索引值或索引标签进行数据的获取：

In [43]:

Out[43]:

In [44]:

Out[44]:

In [45]:

Out[45]:

b    1

d    3

f    8

dtype: int32

In [46]:

Out[46]:

a    1

b    1

d    3

f    8

dtype: int32

In [47]:

Out[47]:

a    1

b    1

c    2

d    3

dtype: int32

In [48]:

Out[48]:

c    2

d    3

e    5

f    8

dtype: int32

In [49]:

Out[49]:

b    1

c    2

d    3

e    5

dtype: int32

千万注意：如果通过索引标签获取数据的话，末端标签所对应的值是可以返回的！在一维数组中，就无法通过索引标签获取数据，这也是序列不同于一维数组的一个方面。

2、自动化对齐

如果有两个序列，需要对这两个序列进行算术运算，这时索引的存在就体现的它的价值了--自动化对齐。

In [50]:

...:

In [51]:

Out[51]:

a    10

b    15

c    20

d    30

e    55

f    80

dtype: int32

In [52]:

...:

In [53]:

Out[53]:

a    12

c    11

g    13

b    15

d    14

f    16

dtype: int32

In [54]:

Out[54]:

a    22.0

b    30.0

c    31.0

d    44.0

e     NaN

f    96.0

g     NaN

dtype: float64

In [55]:

Out[55]:

a    0.833333

b    1.000000

c    1.818182

d    2.142857

e         NaN

f    5.000000

g         NaN

dtype: float64

由于s5中没有对应的g索引，s6中没有对应的e索引，所以数据的运算会产生两个缺失值NaN。注意，这里的算术结果就实现了两个序列索引的自动对齐，而非简单的将两个序列加总或相除。对于数据框的对齐，不仅仅是行索引的自动对齐，同时也会自动对齐列索引（变量名）。

数据框中同样有索引，而且数据框是二维数组的推广，所以数据框不仅有行索引，而且还存在列索引，关于数据框中的索引相比于序列的应用要强大的多，这部分内容将放在下面的数据查询中讲解。

三、利用pandas查询数据

这里的查询数据相当于R语言里的subset功能，可以通过布尔索引有针对的选取原数据的子集、指定行、指定列等。我们先导入一个student数据集：

In [56]:

查询数据的前5行或末尾5行：

In [57]:

Out[57]:

Name Sex  Age  Height  Weight

0   Alfred   M   14    69.0   112.5

1    Alice   F   13    56.5    84.0

2  Barbara   F   13    65.3    98.0

3    Carol   F   14    62.8   102.5

4    Henry   M   14    63.5   102.5

In [58]:

Out[58]:

Name Sex  Age  Height  Weight

14   Philip   M   16    72.0   150.0

15   Robert   M   12    64.8   128.0

16   Ronald   M   15    67.0   133.0

17   Thomas   M   11    57.5    85.0

18  William   M   15    66.5   112.0

查询指定的行：

In [59]:

Out[59]:

Name Sex  Age  Height  Weight

0   Alfred   M   14    69.0   112.5

2  Barbara   F   13    65.3    98.0

4    Henry   M   14    63.5   102.5

5    James   M   12    57.3    83.0

7    Janet   F   15    62.5   112.5

查询指定的列：

In [60]:

Out[60]:

Name  Height  Weight

0   Alfred    69.0   112.5

1    Alice    56.5    84.0

2  Barbara    65.3    98.0

3    Carol    62.8   102.5

4    Henry    63.5   102.5

也可以通过ix索引标签查询指定的列：

In [61]:

Out[61]:

Name  Height  Weight

0   Alfred    69.0   112.5

1    Alice    56.5    84.0

2  Barbara    65.3    98.0

3    Carol    62.8   102.5

4    Henry    63.5   102.5

查询指定的行和列：

In [62]:

Out[62]:

Name  Height  Weight

0   Alfred    69.0   112.5

2  Barbara    65.3    98.0

4    Henry    63.5   102.5

5    James    57.3    83.0

7    Janet    62.5   112.5

这里简单说明一下ix的用法：df.ix[行索引,列索引]

1）ix后面必须是中括号

2）多个行索引或列索引必须用中括号括起来

3）如果选择所有行索引或列索引，则用英文状态下的冒号:表示

以上是从行或列的角度查询数据的子集，现在我们来看看如何通过布尔索引实现数据的子集查询。

查询所有女生的信息：

In [63]:

Out[63]:

Name Sex  Age  Height  Weight

1     Alice   F   13    56.5    84.0

2   Barbara   F   13    65.3    98.0

3     Carol   F   14    62.8   102.5

6      Jane   F   12    59.8    84.5

7     Janet   F   15    62.5   112.5

10    Joyce   F   11    51.3    50.5

11     Judy   F   14    64.3    90.0

12   Louise   F   12    56.3    77.0

13     Mary   F   15    66.5   112.0

查询出所有12岁以上的女生信息：

In [64]:

Out[64]:

Name Sex  Age  Height  Weight

1     Alice   F   13    56.5    84.0

2   Barbara   F   13    65.3    98.0

3     Carol   F   14    62.8   102.5

7     Janet   F   15    62.5   112.5

11     Judy   F   14    64.3    90.0

13     Mary   F   15    66.5   112.0

查询出所有12岁以上的女生姓名、身高和体重：

In [66]:

Out[66]:

Name  Height  Weight

1     Alice    56.5    84.0

2   Barbara    65.3    98.0

3     Carol    62.8   102.5

7     Janet    62.5   112.5

11     Judy    64.3    90.0

13     Mary    66.5   112.0

上面的查询逻辑其实非常的简单，需要注意的是，如果是多个条件的查询，必须在&（且）或者|（或）的两端条件用括号括起来。

四、统计分析

pandas模块为我们提供了非常多的描述性统计分析的指标函数，如总和、均值、最小值、最大值等，我们来具体看看这些函数：

首先随机生成三组数据

In [67]:

In [68]:

In [69]:

In [70]:

In [71]:

Out[71]:

In [72]:

Out[72]:

In [73]:

Out[73]:

In [74]:

Out[74]:

In [75]:

Out[75]:

In [76]:

Out[76]:

In [77]:

Out[77]:

In [78]:

Out[78]:

In [79]:

Out[79]:

In [80]:

Out[80]:

In [81]:

Out[81]:

In [82]:

Out[82]:

In [83]:

Out[83]:

In [84]:

Out[84]:

In [85]:

Out[85]:

In [86]:

Out[86]:

count    100.000000

mean       3.070225

std        2.001402

min       -4.127033

25%        2.040101

50%        3.204555

75%        4.434788

max        7.781921

dtype: float64

必须注意的是，describe方法只能针对序列或数据框，一维数组是没有这个方法的。

这里自定义一个函数，将这些统计描述指标全部汇总到一起：

In [87]:

...:

...:

...:

...:

...:

...:

...:

...:

...:

...:

In [88]:

Out[88]:

Count        100.000000

Min           -4.127033

Whicn_Min     81.000000

Q1             2.040101

Median         3.204555

Q3             4.434788

Mean           3.070225

Max            7.781921

Which_Max     39.000000

Mad            1.511288

Var            4.005609

Std            2.001402

Skew          -0.649478

Kurt           1.220109

dtype: float64

在实际的工作中，我们可能需要处理的是一系列的数值型数据框，如何将这个函数应用到数据框中的每一列呢？可以使用apply函数，这个非常类似于R中的apply的应用方法。

将之前创建的d1,d2,d3数据构建数据框：

In [89]:

In [90]:

Out[90]:

x1        x2    x3

0  3.942870  1.369531  55.0

1  0.618049  0.943264  68.0

2  5.865414  0.590663  73.0

3  2.374696  0.206548  59.0

4  1.558823  0.223204  60.0

In [91]:

Out[91]:

x1          x2          x3

Count      100.000000  100.000000  100.000000

Min         -4.127033    0.014330    3.000000

Whicn_Min   81.000000   72.000000   76.000000

Q1           2.040101    0.249580   25.000000

Median       3.204555    1.000613   54.500000

Q3           4.434788    2.101581   73.000000

Mean         3.070225    2.028608   51.490000

Max          7.781921   18.791565   98.000000

Which_Max   39.000000   53.000000   96.000000

Mad          1.511288    1.922669   24.010800

Var          4.005609   10.206447  780.090808

Std          2.001402    3.194753   27.930106

Skew        -0.649478    3.326246   -0.118917

Kurt         1.220109   12.636286   -1.211579

非常完美，就这样很简单的创建了数值型数据的统计性描述。如果是离散型数据呢？就不能用这个统计口径了，我们需要统计离散变量的观测数、唯一值个数、众数水平及个数。你只需要使用describe方法就可以实现这样的统计了。

In [92]:

Out[92]:

count     19

unique     2

top        M

freq      10

Name: Sex, dtype: object

除以上的简单描述性统计之外，还提供了连续变量的相关系数（corr）和协方差矩阵（cov）的求解，这个跟R语言是一致的用法。

In [93]:

Out[93]:

x1        x2        x3

x1  1.000000  0.136085  0.037185

x2  0.136085  1.000000 -0.005688

x3  0.037185 -0.005688  1.000000

关于相关系数的计算可以调用pearson方法或kendell方法或spearman方法，默认使用pearson方法。

In [94]:

Out[94]:

x1        x2        x3

x1  1.00000  0.178950  0.006590

x2  0.17895  1.000000 -0.033874

x3  0.00659 -0.033874  1.000000

如果只想关注某一个变量与其余变量的相关系数的话，可以使用corrwith,如下方只关心x1与其余变量的相关系数：

In [95]:

Out[95]:

x1    1.000000

x2    0.136085

x3    0.037185

dtype: float64

数值型数据的协方差矩阵：

In [96]:

Out[96]:

x1         x2          x3

x1  4.005609   0.870124    2.078596

x2  0.870124  10.206447   -0.507512

x3  2.078596  -0.507512  780.090808

--------------------------------------------------------------------------------------------------------

由于正文部分不能超过20000字符，接下来的部分将在《Python数据分析之pandas学习（二）》中继续讲解。

--------------------------------------------------------------------------------------------------------

每天进步一点点2015

学习与分享，取长补短，关注小号！

长按识别二维码 马上关注

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。