作者：佘亮
數(shù)據(jù)處理是數(shù)據(jù)分析的核心部分，通過(guò)爬蟲(chóng)或者實(shí)際生產(chǎn)過(guò)程中初步獲取的數(shù)據(jù)通常具有很多的“垃圾數(shù)據(jù)”，比如重復(fù)數(shù)據(jù)或者值缺失，不連續(xù)數(shù)據(jù)等等。這時(shí)就需要對(duì)數(shù)據(jù)首先進(jìn)行篩選，補(bǔ)全等“清洗”操作。
數(shù)據(jù)處理是數(shù)據(jù)分析的核心部分，通過(guò)爬蟲(chóng)或者實(shí)際生產(chǎn)過(guò)程中初步獲取的數(shù)據(jù)通常具有很多的“垃圾數(shù)據(jù)”，比如重復(fù)數(shù)據(jù)或者值缺失，不連續(xù)數(shù)據(jù)等等。這時(shí)就需要對(duì)數(shù)據(jù)首先進(jìn)行篩選，補(bǔ)全等“清洗”操作。除此之外，“清洗”好的數(shù)據(jù)也需要根據(jù)不同的用途來(lái)進(jìn)行轉(zhuǎn)換，以適應(yīng)分析，預(yù)測(cè)或者可視化的需求。
數(shù)據(jù)的處理的軟件包有很多，在python中主要應(yīng)用Pandas來(lái)進(jìn)行處理。Pandas是一個(gè)十分成熟的數(shù)據(jù)處理包，熟練掌握可以高效并且方便地將數(shù)據(jù)進(jìn)行轉(zhuǎn)換和清洗，本節(jié)主要整理了pandas的一些基本技能和實(shí)用技巧，為勵(lì)志成為數(shù)據(jù)分析師的你鋪路搭橋。
以下是本教程的總體提綱，這篇文章首先對(duì)pandas的基本操作進(jìn)行介紹，其他內(nèi)容敬請(qǐng)期待后續(xù)的文章。另附上我征稿通知的鏈接：數(shù)據(jù)科學(xué) | 『運(yùn)籌OR帷幄』數(shù)據(jù)分析、可視化、爬蟲(chóng)系列教程征稿
一 數(shù)據(jù)分析相關(guān)python包介紹
常用數(shù)據(jù)分析庫(kù)NumPy, Pandas, SciPy, statssmodels, scikit-learn, NLTK的簡(jiǎn)介與安裝
數(shù)據(jù)分析開(kāi)發(fā)環(huán)境搭建
二 數(shù)據(jù)的導(dǎo)入與導(dǎo)出
讀取csv數(shù)據(jù)
讀取mysql數(shù)據(jù)
三 數(shù)據(jù)提取與篩選
常見(jiàn)的數(shù)據(jù)格式與形態(tài)
Python對(duì)不同形式數(shù)據(jù)的讀寫(xiě)
四 數(shù)據(jù)清洗處理
如何對(duì)數(shù)據(jù)進(jìn)行清洗
Pandas基本數(shù)據(jù)結(jié)構(gòu)與功能
Pandas統(tǒng)計(jì)相關(guān)功能
Pandas缺失數(shù)據(jù)處理
Pandas層次化索引
Pandas DataFrame
五 高性能科學(xué)計(jì)算和數(shù)據(jù)分析的基礎(chǔ)包Numpy
NumPy的性能優(yōu)勢(shì)
數(shù)組對(duì)象處理
文件輸入輸出
線性代數(shù)相關(guān)功能
高效操作實(shí)踐
六 統(tǒng)計(jì)分析
線性回歸
邏輯回歸
SVM
K緊鄰算法
神經(jīng)網(wǎng)絡(luò)
機(jī)器學(xué)習(xí)庫(kù)Scikit-Learn與應(yīng)用
使用NLTK進(jìn)行Python文本分析
Python深度學(xué)習(xí)keras入門
Pandas入門
Pandas 是基于 NumPy 的一個(gè)開(kāi)源 Python 庫(kù)，它被廣泛用于數(shù)據(jù)分析，以及數(shù)據(jù)清洗和準(zhǔn)備等工作。數(shù)據(jù)科學(xué)家經(jīng)常和表格形式的數(shù)據(jù)（比如.csv、.tsv、.xlsx）打交道。Pandas可以使用類似SQL的方式非常方便地加載、處理、分析這些表格形式的數(shù)據(jù)。搭配Matplotlib和Seaborn效果更好。
pandas可以滿足以下需求：
具備按軸自動(dòng)或顯式數(shù)據(jù)對(duì)齊功能的數(shù)據(jù)結(jié)構(gòu)。這可以防止許多由于數(shù)據(jù)未對(duì)齊以及來(lái)自不同數(shù)據(jù)源（索引方式不同）的數(shù)據(jù)而導(dǎo)致的常見(jiàn)錯(cuò)誤、集成時(shí)間序列功能、既能處理時(shí)間序列數(shù)據(jù)也能處理非時(shí)間序列數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)、數(shù)學(xué)運(yùn)算和簡(jiǎn)約（比如對(duì)某個(gè)軸求和）可以根據(jù)不同的元數(shù)據(jù)（軸編號(hào)）執(zhí)行、
靈活處理缺失數(shù)據(jù)、
在實(shí)際構(gòu)建任何模型之前，任何機(jī)器學(xué)習(xí)項(xiàng)目中的大量時(shí)間都必須花費(fèi)在準(zhǔn)備數(shù)據(jù)、
分析基本趨勢(shì)和模式上。因此需要Pandas來(lái)進(jìn)行處理。
下面我們開(kāi)始今天的學(xué)習(xí)之旅。
Pandas的安裝與導(dǎo)入
首先，在使用Pandas前，必須安裝Pandas。如果你安裝過(guò)Anaconda，就可以執(zhí)行如下命令安裝Pandas：
conda install pandas
如果沒(méi)有安裝Anaconda，也沒(méi)有關(guān)系，可以使用Python的pip命令來(lái)安裝：
pip install pandas
注意：pandas安裝會(huì)用到numpy庫(kù)，因此在安裝pandas之前一定要安裝好numpy。
導(dǎo)入：為了簡(jiǎn)便，這里使用pd作為pandas的縮寫(xiě)，因?yàn)閜andas依賴numpy，所以在使用之前需要安裝和導(dǎo)入numpy
import numpy as np
import pandas as pd
打印pandas的版本
pd.__version__
考慮如下的Python字典數(shù)據(jù)和Python列表標(biāo)簽：
data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
Pandas數(shù)據(jù)結(jié)構(gòu)介紹
Pandas有兩個(gè)數(shù)據(jù)結(jié)構(gòu)：Series和DataFrame。
Series是一種類似于以為NumPy數(shù)組的對(duì)象，它由一組數(shù)據(jù)（各種NumPy數(shù)據(jù)類型）和與之相關(guān)的一組數(shù)據(jù)標(biāo)簽（即索引）組成的?？梢杂胕ndex和values分別規(guī)定索引和值。如果不規(guī)定索引，會(huì)自動(dòng)創(chuàng)建 0 到 N-1 索引。
DataFrame是一種表格型結(jié)構(gòu)，含有一組有序的列，每一列可以是不同的數(shù)據(jù)類型。既有行索引，又有列索引。
pd.DataFrame:創(chuàng)建pandas矩陣
pd.Series 創(chuàng)建pandas列表
1.從具有索引標(biāo)簽的字典數(shù)據(jù)創(chuàng)建一個(gè)DataFrame df.
df = pd.DataFrame(data,index = labels)
返回DataFrame的前三行
df.iloc[:3]
df.head(3)
運(yùn)行結(jié)果如下：
2.從numpy 數(shù)組構(gòu)造DataFrame
df2 = pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]),columns=['a', 'b', 'c'])
df2
運(yùn)行結(jié)果如下
3.通過(guò)其他DataFrame來(lái)創(chuàng)建DataFrame df3
df3 = df2[['a','b','c']].copy()
df3
運(yùn)行結(jié)果如下：
4.從csv文件中每隔n行來(lái)創(chuàng)建Dataframe
df = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/BostonHousing.csv', chunksize=50)
df2 = pd.DataFrame()
5.用Series創(chuàng)建DataFrame
s_1 = pd.Series(data['animal'])
s_2 = pd.Series(data['age'])
s_3 = pd.Series(data['visits'])
s_4 = pd.Series(data['priority'])
pd_2 = pd.DataFrame([s_1,s_2,s_3,s_4])
pd_2
運(yùn)行結(jié)果如下：
Pandas處理NaN值
dropna(axis=, how=)：丟棄NaN數(shù)據(jù)，{axis：0(按行丟棄)，1(按列丟棄)} {how：'any'(只要含有NaN數(shù)據(jù)就丟棄)，'all'(所有數(shù)據(jù)都為NaN時(shí)丟棄)}
fillna(value=)：將NaN值都設(shè)置為value的值
isnull()：對(duì)每各元素進(jìn)行判斷是否是NaN，返回結(jié)果矩陣
np.any(matrix) == value：判斷matrix矩陣中是否有value值
np.all(matrix) == value：判斷matrix矩陣中是否所有元素都是value值
Pandas讀取數(shù)據(jù)、導(dǎo)出數(shù)據(jù)
根據(jù)數(shù)據(jù)的格式，pandas提供了多種數(shù)據(jù)讀取和導(dǎo)出的方法，如：
讀取數(shù)據(jù)：read_csv、read_table、read_fwf、read_clipboard、read_excel、read_hdf
導(dǎo)出數(shù)據(jù)：to_csv、to_table、to_fwf、to_clipboard、to_excel、to_hdf
df = pd.read_csv('Q1.csv')
print(df)
df.to_csv('Q1_pandas.csv')
Pandas合并數(shù)據(jù)
concat方法是拼接函數(shù)，有行拼接和列拼接，默認(rèn)是行拼接，拼接方法默認(rèn)是外拼接(并集)，拼接對(duì)象是pandas數(shù)據(jù)類型。
第一個(gè)參數(shù)：需要合并的矩陣
axis：合并維度，0：按行合并，1：按列合并
join：處理非公有 列/行 的方式，inner：去除非公有的 列/行，outer：對(duì)非公有的 列/行 進(jìn)行NaN值填充然后合并
ignore_index：是否重排行索引
df1 = pd.DataFrame(np.arange(12).reshape(3, 4), columns=['A', 'B', 'C', 'D'], index=[0, 1, 2])
df2 = pd.DataFrame(np.ones((3, 4)), columns=['B', 'C', 'D', 'E'], index=[1, 2, 3])
print(pd.concat([df1, df2], join='outer', ignore_index=True)) # join = {'outer', 'inner'}
print(pd.concat([df1, df2], axis=1, join_axes=[df1.index]))
print(df1.append([df2], ignore_index=True))
append方法在index方向連接兩個(gè)DataFrame或者對(duì)DataFrame進(jìn)行擴(kuò)展
append 方法可以直接用list對(duì)DataFrame進(jìn)行擴(kuò)展。
df = pd.DataFrame([[1, 2], [3, 4]])
df = df.append([[1,2]])
print(df)
運(yùn)行結(jié)果：
或者也可以將兩個(gè)DataFrame連接起來(lái)。
df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB'))
df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB'))
df = df.append(df2)
print(df)
運(yùn)行結(jié)果：
需要注意的是，append方法并不能像list的append方法一樣對(duì)原來(lái)的df繼續(xù)修改，而是建立了一個(gè)新的對(duì)象。如果要修改df，那么需要重新對(duì)df賦值，所以append的方法執(zhí)行效率并不是很高。
Join方法 是基于Index連接DataFrame，連接方法有內(nèi)連接、外連接(左連接和右連接)
caller = pd.DataFrame({'key':['A0','A1','A2','A3','A4','A5'],'B':['B0','B1','B2','B3','B4','B5']})
other = pd.DataFrame({'key':['A0','A1','A2'],'C':['C0','C1','C2']})
caller.join(other,lsuffix='_caller',rsuffix='_other',how='inner')
運(yùn)行結(jié)果如下：
另外，還有一種merge方法與Join方法類似，不過(guò)語(yǔ)法略有不同。
通過(guò)on連接兩個(gè)數(shù)據(jù)集的相同列，how表示連接的方式也有內(nèi)連接、外連接(左連接和右連接)
使用merge方式要求合并的兩個(gè)DataFrame需要有兩數(shù)據(jù)集有一個(gè)相同列（不要求數(shù)值完全相同），繼續(xù)以上面數(shù)據(jù)為例，對(duì)比下區(qū)別
df = pd.merge(caller,other,on = ['key'],how = 'inner')
運(yùn)行結(jié)果如下：
聯(lián)系客服
