第4-1节 pandas简介|机器学习速成教程-笔记

文章转载自Google,最近更新:2018-07-25

Google上线了一个“机器学习速成课程”,英文简称MLCC。这个课程节奏紧凑、内容实用。课程基本可以全程中文(包括视频),免费,并且有相关的练习.

如果可以翻墙的小伙伴,可以看看,链接如下:机器学习速成课程

Pandas 是用于进行数据分析和建模的重要库,广泛应用于 TensorFlow 编码。该教程提供了您学习本课程所需的全部 Pandas 信息。如果您已了解 Pandas,则可以跳过此练习。

1.Pandas 简介

学习目标:

  • 大致了解 pandas 库的 DataFrame 和 Series 数据结构
  • 存取和处理 DataFrame 和 Series 中的数据
  • 将 CSV 数据导入 pandas 库的 DataFrame
  • 对 DataFrame 重建索引来随机打乱数据

pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具,很多机器学习框架都支持将 pandas 数据结构作为输入。 虽然全方位介绍 pandas API 会占据很长篇幅,但它的核心概念非常简单,我们会在下文中进行说明。有关更完整的参考,请访问 pandas 文档网站,其中包含丰富的文档和教程资源。

2.基本概念

以下行导入了 pandas API 并输出了相应的 API 版本:

import pandas as pd
pd.__version__

pandas 中的主要数据结构被实现为以下两类:

  • DataFrame,您可以将它想象成一个关系型数据表格,其中包含多个行和已命名的列。
  • Series,它是单一列。DataFrame 中包含一个或多个 Series,每个 Series 均有一个名称。

数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。

创建 Series 的一种方法是构建 Series 对象。例如:

pd.Series(['San Francisco', 'San Jose', 'Sacramento'])

0    San Francisco
1         San Jose
2       Sacramento
dtype: object

您可以将映射 string 列名称的 dict 传递到它们各自的 Series,从而创建DataFrame对象。如果 Series 在长度上不一致,系统会用特殊的 NA/NaN 值填充缺失的值。例如:

city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])
pd.DataFrame({ 'City name': city_names, 'Population': population })

City name   Population
0   San Francisco   852469
1   San Jose    1015785
2   Sacramento  485199

但是在大多数情况下,您需要将整个文件加载到 DataFrame 中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据,并创建特征定义:

california_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu-datasets/california_housing_train.csv", sep=",")
california_housing_dataframe.describe()

longitude   latitude    housing_median_age  total_rooms total_bedrooms  population  households  median_income   median_house_value
count   17000.000000    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000    17000.000000
mean    -119.562108 35.625225   28.589353   2643.664412 539.410824  1429.573941 501.221941  3.883578    207300.912353
std 2.005166    2.137340    12.586937   2179.947071 421.499452  1147.852959 384.520841  1.908157    115983.764387
min -124.350000 32.540000   1.000000    2.000000    1.000000    3.000000    1.000000    0.499900    14999.000000
25% -121.790000 33.930000   18.000000   1462.000000 297.000000  790.000000  282.000000  2.566375    119400.000000
50% -118.490000 34.250000   29.000000   2127.000000 434.000000  1167.000000 409.000000  3.544600    180400.000000
75% -118.000000 37.720000   37.000000   3151.250000 648.250000  1721.000000 605.250000  4.767000    265000.000000
max -114.310000 41.950000   52.000000   37937.000000    6445.000000 35682.000000    6082.000000 15.000100   500001.000000

上面的示例使用 DataFrame.describe 来显示关于 DataFrame 的有趣统计信息。另一个实用函数是 DataFrame.head,它显示 DataFrame 的前几个记录:

california_housing_dataframe.head()

    longitude   latitude    housing_median_age  total_rooms total_bedrooms  population  households  median_income   median_house_value
0   -114.31 34.19   15.0    5612.0  1283.0  1015.0  472.0   1.4936  66900.0
1   -114.47 34.40   19.0    7650.0  1901.0  1129.0  463.0   1.8200  80100.0
2   -114.56 33.69   17.0    720.0   174.0   333.0   117.0   1.6509  85700.0
3   -114.57 33.64   14.0    1501.0  337.0   515.0   226.0   3.1917  73400.0
4   -114.57 33.57   20.0    1454.0  326.0   624.0   262.0   1.9250  65500.0

pandas 的另一个强大功能是绘制图表。例如,借助 DataFrame.hist,您可以快速了解一个列中值的分布:

california_housing_dataframe.hist('housing_median_age')

array([[]],
      dtype=object)
第4-1节 pandas简介|机器学习速成教程-笔记_第1张图片

2.访问数据

您可以使用熟悉的 Python dict/list 指令访问 DataFrame 数据:

案例1

cities = pd.DataFrame({ 'City name': city_names, 'Population': population })
print type(cities['City name'])
cities['City name']


0    San Francisco
1         San Jose
2       Sacramento
Name: City name, dtype: object

案例2

print type(cities['City name'][1])
cities['City name'][1]



'San Jose'

案例3

print type(cities[0:2])
cities[0:2]


City name   Population
0   San Francisco   852469
1   San Jose    1015785

此外,pandas 针对高级索引和选择提供了极其丰富的 API(数量过多,此处无法逐一列出)。

3.操控数据

您可以向 Series 应用 Python 的基本运算指令。例如:

population / 1000

0     852.469
1    1015.785
2     485.199
dtype: float64

NumPy 是一种用于进行科学计算的常用工具包。pandas Series 可用作大多数 NumPy 函数的参数:

import numpy as np
np.log(population)

0    13.655892
1    13.831172
2    13.092314
dtype: float64

对于更复杂的单列转换,您可以使用 Series.apply。像 Python 映射函数一样,Series.apply 将以参数形式接受 lambda 函数,而该函数会应用于每个值。

下面的示例创建了一个指明 population 是否超过 100 万的新 Series

population.apply(lambda val: val > 1000000)

0    False
1     True
2    False
dtype: bool

DataFrames 的修改方式也非常简单。例如,以下代码向现有 DataFrame 添加了两个 Series:

cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
cities

City name   Population  Area square miles   Population density
0   San Francisco   852469  46.87   18187.945381
1   San Jose    1015785 176.53  5754.177760
2   Sacramento  485199  97.92   4955.055147

练习1
通过添加一个新的布尔值列(当且仅当以下两项均为 True 时为 True)修改 cities 表格:

  • 城市以圣人命名。
  • 城市面积大于 50 平方英里。

注意:布尔值 Series 是使用“按位”而非传统布尔值“运算符”组合的。例如,执行逻辑与时,应使用 &,而不是 and。
提示:"San" 在西班牙语中意为 "saint"。

解决方案:

cities['Is wide and has saint name'] = (cities['Area square miles'] > 50) & cities['City name'].apply(lambda name: name.startswith('San'))


City name   Population  Area square miles   Population density  Is wide and has saint name
0   San Francisco   852469  46.87   18187.945381    False
1   San Jose    1015785 176.53  5754.177760 True
2   Sacramento  485199  97.92   4955.055147 False

4.索引

Series 和 DataFrame 对象也定义了 index 属性,该属性会向每个 Series 项或 DataFrame 行赋一个标识符值。

默认情况下,在构造时,pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的;也就是说,它们不会因为数据重新排序而发生改变。

案例1
city_names.index

RangeIndex(start=0, stop=3, step=1)
案例2
cities.index

RangeIndex(start=0, stop=3, step=1)

调用 DataFrame.reindex 以手动重新排列各行的顺序。例如,以下方式与按城市名称排序具有相同的效果:

cities.reindex([2, 0, 1])

    City name   Population  Area square miles   Population density  Is wide and has saint name
2   Sacramento  485199  97.92   4955.055147 False
0   San Francisco   852469  46.87   18187.945381    False
1   San Jose    1015785 176.53  5754.177760 True

重建索引是一种随机排列 DataFrame 的绝佳方式。在下面的示例中,我们会取用类似数组的索引,然后将其传递至 NumPy 的 random.permutation 函数,该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex,会导致 DataFrame 行以同样的方式随机排列。 尝试多次运行以下单元格!

cities.reindex(np.random.permutation(cities.index))


    City name   Population  Area square miles   Population density  Is wide and has saint name
2   Sacramento  485199  97.92   4955.055147 False
0   San Francisco   852469  46.87   18187.945381    False
1   San Jose    1015785 176.53  5754.177760 True


    City name   Population  Area square miles   Population density  Is wide and has saint name
1   San Jose    1015785 176.53  5754.177760 True
0   San Francisco   852469  46.87   18187.945381    False
2   Sacramento  485199  97.92   4955.055147 False


    City name   Population  Area square miles   Population density  Is wide and has saint name
2   Sacramento  485199  97.92   4955.055147 False
1   San Jose    1015785 176.53  5754.177760 True
0   San Francisco   852469  46.87   18187.945381    False
练习 2

reindex 方法允许使用未包含在原始 DataFrame 索引值中的索引值。请试一下,看看如果使用此类值会发生什么!您认为允许此类值的原因是什么?

解决方案:
如果您的 reindex 输入数组包含原始 DataFrame 索引值中没有的值,reindex 会为此类“丢失的”索引添加新行,并在所有对应列中填充 NaN 值:

cities.reindex([0, 4, 5, 2])


    City name   Population  Area square miles   Population density  Is wide and has saint name
0   San Francisco   852469.0    46.87   18187.945381    False
4   NaN NaN NaN NaN NaN
5   NaN NaN NaN NaN NaN
2   Sacramento  485199.0    97.92   4955.055147 False

这种行为是可取的,因为索引通常是从实际数据中提取的字符串(请参阅 pandas reindex 文档,查看索引值是浏览器名称的示例)。

在这种情况下,如果允许出现“丢失的”索引,您将可以轻松使用外部列表重建索引,因为您不必担心会将输入清理掉。

你可能感兴趣的:(第4-1节 pandas简介|机器学习速成教程-笔记)