Python数据处理库pandas入门教程
pandas是一个Python语言的软件包，在我们使用Python语言进行机器学习编程的时候，这是一个非常常用的基础编程库。本文是对它的一个入门教程。
pandas提供了快速，灵活和富有表现力的数据结构，目的是使“关系”或“标记”数据的工作既简单又直观。它旨在成为在Python中进行实际数据分析的高级构建块。
入门介绍
pandas适合于许多不同类型的数据，包括：
- 具有异构类型列的表格数据，例如SQL表格或Excel数据
- 有序和无序（不一定是固定频率）时间序列数据。
- 具有行列标签的任意矩阵数据（均匀类型或不同类型）
- 任何其他形式的观测/统计数据集。
由于这是一个Python语言的软件包，因此需要你的机器上首先需要具备Python语言的环境。关于这一点，请自行在网络上搜索获取方法。
关于如何获取pandas请参阅官网上的说明：pandas Installation。
通常情况下，我们可以通过pip来执行安装：
sudo pip3 install pandas或者通过conda 来安装pandas：
conda install pandas目前（2018年2月）pandas的最新版本是v0.22.0（发布时间：2017年12月29日）。
我已经将本文的源码和测试数据放到Github上： pandas_tutorial ，读者可以前往获取。
另外，pandas常常和NumPy一起使用，本文中的源码中也会用到NumPy。
建议读者先对NumPy有一定的熟悉再来学习pandas，我之前也写过一个NumPy的基础教程，参见这里：Python 机器学习库 NumPy 教程
核心数据结构
pandas最核心的就是Series和DataFrame两个数据结构。
这两种类型的数据结构对比如下：
| 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。
注：在0.20.0版本之前，还有一个三维的数据结构，名称为Panel。这也是pandas库取名的原因：pan(el)-da(ta)-s。但这种数据结构由于很少被使用到，因此已经被废弃了。
Series
由于Series是一维结构的数据，我们可以直接通过数组来创建这种数据，像这样：
# data_structure.py
import pandas as pd
import numpy as np
series1 = pd.Series([1, 2, 3, 4])
print("series1:\n{}\n".format(series1))这段代码输出如下：
series1:
0 1
1 2
2 3
3 4
dtype: int64这段输出说明如下：
- 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，在pandas中称之为
Index。
我们可以分别打印出Series中的数据和索引：
# data_structure.py
print("series1.values: {}\n".format(series1.values))
print("series1.index: {}\n".format(series1.index))这两行代码输出如下：
series1.values: [1 2 3 4]
series1.index: RangeIndex(start=0, stop=4, step=1)如果不指定（像上面这样），索引是[1, N-1]的形式。不过我们也可以在创建Series的时候指定索引。索引未必一定需要是整数，可以是任何类型的数据，例如字符串。例如我们以七个字母来映射七个音符。索引的目的是可以通过它来获取对应的数据，例如下面这样：
# data_structure.py
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"]))这段代码输出如下：
series2:
C 1
D 2
E 3
F 4
G 5
A 6
B 7
dtype: int64
E is 3DataFrame
下面我们来看一下DataFrame的创建。我们可以通过NumPy的接口来创建一个4x4的矩阵，以此来创建一个DataFrame，像这样：
# data_structure.py
df1 = pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1))这段代码输出如下：
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从这个输出我们可以看到，默认的索引和列名都是[0, N-1]的形式。
我们可以在创建DataFrame的时候指定列名和索引，像这样：
# data_structure.py
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))这段代码输出如下：
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我们也可以直接指定列数据来创建DataFrame：
# data_structure.py
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))这段代码输出如下：
df3:
note weekday
0 C Mon
1 D Tue
2 E Wed
3 F Thu
4 G Fri
5 A Sat
6 B Sun请注意：
- 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
例如：
# data_structure.py
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的输出如下：
df4:
1 2 3 4 5 6 7
0 C D E F G A B
1 Mon Tue Wed Thu Fri Sat Sun我们可以通过下面的形式给DataFrame添加或者删除列数据：
# data_structure.py
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))这段代码输出如下：
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 7Index对象与数据访问
pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候，标签的数组或者序列会被转换成Index。可以通过下面的方式获取到DataFrame的列和行的Index对象：
# data_structure.py
print("df3.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\n".format(df3.index))这两行代码输出如下：
df3.columns
Index(['note', 'No.'], dtype='object')
df3.index
RangeIndex(start=0, stop=7, step=1)请注意：
- 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
DataFrame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
例如这样：
# data_structure.py
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]))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。
这两行代码输出如下：
Note C, D is:
0 C
1 D
Name: note, dtype: object
Note C, D is:
0 C
1 D
Name: note, dtype: object文件操作
pandas库提供了一系列的read_函数来读取各种格式的文件，它们如下所示：
- read_csv
- read_table
- read_fwf
- read_clipboard
- read_excel
- read_hdf
- read_html
- read_json
- read_msgpack
- read_pickle
- read_sas
- read_sql
- read_stata
- read_feather
读取Excel文件
注：要读取Excel文件，还需要安装另外一个库：
xlrd
通过pip可以这样完成安装：
sudo pip3 install xlrd安装完之后可以通过pip查看这个库的信息：
$ pip3 show xlrd
Name: xlrd
Version: 1.1.0
Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet files
Home-page: http://www.python-excel.org/
Author: John Machin
Author-email: [email protected]
License: BSD
Location: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages
Requires: 接下来我们看一个读取Excel的简单的例子：
# file_operation.py
import pandas as pd
import numpy as np
df1 = pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1))这个Excel的内容如下：
df1:
C Mon
0 D Tue
1 E Wed
2 F Thu
3 G Fri
4 A Sat
5 B Sun注：本文的代码和数据文件可以通过文章开头提到的Github仓库获取。
读取CSV文件
下面，我们再来看读取CSV文件的例子。
第一个CSV文件内容如下：
$ cat test1.csv
C,Mon
D,Tue
E,Wed
F,Thu
G,Fri
A,Sat读取的方式也很简单：
# file_operation.py
df2 = pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))我们再来看第2个例子，这个文件的内容如下：
$ cat test2.csv
C|Mon
D|Tue
E|Wed
F|Thu
G|Fri
A|Sat严格的来说，这并不是一个CSV文件了，因为它的数据并不是通过逗号分隔的。在这种情况下，我们可以通过指定分隔符的方式来读取这个文件，像这样：
# file_operation.py
df3 = pd.read_csv("data/test2.csv", sep="|")
print("df3:\n{}\n".format(df3))实际上，read_csv支持非常多的参数用来调整读取的参数，如下表所示：
| 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
现实世界并非完美，我们读取到的数据常常会带有一些无效值。如果没有处理好这些无效值，将对程序造成很大的干扰。
对待无效值，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。
下面我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：
# process_na.py
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)));****这段代码输出如下：
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：
# process_na.py
print("df.dropna():\n{}\n".format(df.dropna()));注：
dropna默认不会改变原先的数据结构，而是返回了一个新的数据结构。如果想要直接更改数据本身，可以在调用这个函数的时候传递参数inplace = True。
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，因此这行代码输出如下：
df.dropna():
Empty DataFrame
Columns: [0, 1, 2, 3]
Index: []我们也可以选择抛弃整列都是无效值的那一列：
# process_na.py
print("df.dropna(axis=1, how='all'):\n{}\n".format(df.dropna(axis=1, how='all')));注：
axis=1表示列的轴。how可以取值'any'或者'all'，默认是前者。
这行代码输出如下：
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。像这样：
# process_na.py
print("df.fillna(1):\n{}\n".format(df.fillna(1)));这段代码输出如下：
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：
# process_na.py
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)
df.fillna(value={'col3': 7}, inplace=True)
print("df:\n{}\n".format(df));这段代码输出如下：
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
数据中常常牵涉到字符串的处理，接下来我们就看看pandas对于字符串操作。
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。
下面是一些实例，在第一组数据中，我们故意设置了一些包含空格字符串：
# process_string.py
import pandas as pd
s1 = pd.Series([' 1', '2 ', ' 3 ', '4', '5']);
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()))在这个实例中我们看到了对于字符串strip的处理以及判断字符串本身是否是数字，这段代码输出如下：
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下面是另外一些示例，展示了对于字符串大写，小写以及字符串长度的处理：
# process_string.py
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()))该段代码输出如下：
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结束语
本文是pandas的入门教程，因此我们只介绍了最基本的操作。更深入的内容，以后有机会我们再来一起学习。
读者也可以根据下面的链接获取更多的知识。
参考资料与推荐读物
- pandas官方网站
- Python for Data Analysis
- Pandas Tutorial: Data analysis with Python: Part 1