边看边撸，10分钟高效掌握Pandas技术！
作者：贾胜杰，硕士，退役军人，电气工程专业，现成功转行K12领域数据挖掘工程师，不仅在数据清理、分析和预测方向，而且在自制力和高效学习方面都有丰富经验。
编辑：王老湿
Hi，各位同学，专栏关于修炼技法的部分已经发布了五篇：
上一篇我们了解了 Pandas。Pandas帮我们引入了更适应数据表的数据类型，而且它基于Numpy开发，运算速度也非常快，可以说它在Python数据分析中占据了C位，那我们快来一睹它的风采吧！
由于Pandas穿插应用在数据分析的各个流程中，所以在本文中，我们先介绍Pandas的基本知识，然后在梳理数据分析的流程中再讲解Pandas的函数应用。由于本篇文章涉及一些代码演示，所以边看边撸（代码）才能取得最佳效果！
本篇内容
Pandas简介
Pandas Series
Pandas DataFrame
数据分析流程及Pandas函数应用
延伸：Pandas数据融合
Pandas简介
Pandas 是 Python 中的数据操纵和分析软件包，它是基于Numpy去开发的，所以Pandas的数据处理速度也很快，而且Numpy中的有些函数在Pandas中也能使用，方法也类似。
Pandas 为 Python 带来了两个新的数据结构，即 Pandas Series(可类比于表格中的某一列)和 Pandas DataFrame(可类比于表格)。借助这两个数据结构，我们能够轻松直观地处理带标签数据和关系数据。
⚠️Series中各个元素的数据类型可以不一致，DataFrame也是如此，这与numpy的ndarray不同。
其实还有一个三维的数据结构Panel，但用的很少，感兴趣的话可以了解一下～
创建Pandas Series
可以使用 pd.Series(data, index) 命令创建 Pandas Series，其中data表示输入数据， index 为对应数据的索引，除此之外，我们还可以添加参数dtype来设置该列的数据类型。
示例:
import pandas as pd #约定俗成的简称
pd.Series(data = [30, 6, 7, 5], index = ['eggs', 'apples', 'milk', 'bread'],dtype=float)
out:
eggs 30.0
apples 6.0
milk 7.0
bread 5.0
dtype: float64
data除了可以输入列表之外，还可以输入字典，或者是直接一个标量。
#data输入字典
pd.Series(data = {'eggs':30,'apples': 6, 'milk':7, 'bread':5},dtype=float)
out:
apples 6.0
bread 5.0
eggs 30.0
milk 7.0
dtype: float64
#data输入某一标量
pd.Series(data = 7, index = ['eggs', 'apples', 'milk', 'bread'])
out:
eggs 7
apples 7
milk 7
bread 7
dtype: int64
访问和删除Series中的元素
访问
访问Series中的元素有两种方法：
一种类似于从列表中按照索引访问数据，一种类似于从字典中按照key来访问value。
下面看示例：
从上面代码里也能发现，Pandas提供的iloc与loc分别对应着按索引访问和按key访问。
修改
因为Series是可更改类型，若想更改其中某一项，只需访问它然后重新赋值即可。
删除
可以使用 .drop() 方法删除 Pandas Series 中的条目。Series.drop(label) 方法会从给定 Series 中删除给定的 label。这个label可以是单个label或这是label组成的list。
但需要注意的是，.drop()函数并不会修改原来的数据，如果你想要修改原数据的话，可以选择添加参数inplace = True或者是用原数据替换s = s.drop(label)
inplace参数会经常出现在Pandas的函数中，所以，写代码时一定要细心，不要闹出诸如s = s.drop(label,inplace=True)这样的乌龙。
Series运算
和ndarray一样，Series也可以进行元素级的算术运算，也可以使用np中提供的各种运算函数，如sqrt()等等。
这里可以想一下，如果Series中包含字符串，然后再进行乘法会是什么结果？
可以回想下字符串的知识'*'*10的结果是什么？
创建DataFrame
我们使用pd.DataFrame(data, index, columns)来创建一个DataFrame。
其中：
data是数据，可以输入ndarray，或者是字典（字典中可以包含Series或arrays或），或者是DataFrame；
index是索引，输入列表，如果没有设置该参数，会默认以0开始往下计数；
columns是列名，输入列表，如果没有设置该参数，会默认以0开始往右计数；
示例：
从上述代码中可以看出，字典d中的key被当作列名，value被当作dataframe中的数据。
? 如果在上述代码中添加一个columns列，如
df = pd.DataFrame(data=d,index = ['a','b'],columns = ['col_1','col_2'])，会返回什么结果呢？
访问DataFrame中的元素
与访问Series中的元素类似，我们可以通过列表式索引访问，也可以通过字典式Key值访问。
创建一个DataFrame
访问某一行
访问多行
访问某一列
访问多列
⚠️使用df.iloc[:,0:2]这种方法只能筛选出连续的列，那如果想要筛选的列分别在1,3,5,10:17怎么办呢？可以搜一下
np.r_的用法，试试看！
访问某一元素
? 在第一种方法中，我们必须先访问列，再访问行，想想为什么？
删除、增加元素
删除元素
我们使用.drop函数删除元素，默认为删除行，添加参数axis = 1来删除列。
值得注意的是，drop函数不会修改原数据，如果想直接对原数据进行修改的话，可以选择添加参数inplace = True或用原变量名重新赋值替换。
增加元素
这里先介绍两种方法，一种是append()，另外一种是insert()，这两种方法都比较简单，可类比于python list中的两种方法进行学习。
此外，Pandas还提供了其他更为复杂的做DataFrame融合的函数，比如说concat()、merge()、join()等等，相对难一些，会放在延伸内容Pandas数据融合中进行讲解。
更改行列标签
使用函数rename()即可。具体用法如下：
除此之外，还可以使用隐匿函数lambda来对行列标签进行统一处理，比如：
需要注意的是，rename()函数同样不会更改原数据，如果想直接对原数据进行修改的话，可以选择添加参数inplace = True或用原变量名重新赋值替换。
更改索引
可以使用函数set_index(index_label)，将数据集的index设置为index_label。
除此之外，还可以使用函数reset_index()重置数据集的index为0开始计数的数列。
缺失值(NaN)处理
NaN就是Not a Number的缩写，表示这里有数据缺失。
如何处理缺失值呢？这就要根据确实数据的情况而定了，是直接删除？还是暴力平均值替换？还是分类之后再用平均值替换？还是用一些什么其他的方法，全靠你去把握了。可以看一看Python Data Science这本书中的Handling Missing Data章节，你肯定会有所收获的。链接在此：
查找NaN
我们可以使用isnull()和notnull()函数来查看数据集中是否存在缺失数据，在该函数后面添加sum()函数来对缺失数量进行统计。除此之外，还可以使用count()函数对非NaN数据进行统计计数。
删除NaN
使用dropna(axis)函数可以删除包含NaN的行或列。
dropna()函数还有一个参数是how，当how = all时，只会删除全部数据都为NaN的列或行。
同样，该函数也不会修改原数据集。
替换NaN
使用fillna()函数可以替换NaN为某一值。其参数如下：
value：用来替换NaN的值
method：常用有两种，一种是
ffill前向填充，一种是backfill后向填充axis：0为行，1为列
inplace：是否替换原数据，默认为False
limit：接受int类型的输入，可以限定替换前多少个NaN
还可以使用interpolate()函数按照某一方法来替换NaN，如linear，它是忽略索引并将值视为相等间距，这是该函数的默认方法。更多method及解读请戳：
数据分析流程及Pandas应用
数据分析不是从上至下一蹴而就的过程，而是需要你不断迭代、重复、完善，最终得到结论的过程。
提出问题
数据集中的各个变量之间的相关性如何？是否存在某些联系？
变量的统计结果会揭示什么？
根据现有掌握的数据，能否对未来走势进行预测？
根据你想了解的问题，去收集数据，再对问题进行修缮，如此迭代，获取更全面的数据，提出更一阵见血的问题。
…
整理数据
整理数据是整个数据分析流程中最为耗时、最磨耐心的一部分，但也是对结果影响最大的一部分，所以，大家一定要踏下心来，结合实际业务，一定要把这部分做扎实～
收集
数据库提取？直接下载？网络爬虫？
评估
这个过程是对数据产生直观印象的过程，你要尝试了解数据集的大小，基本的统计结果，是否存在数据重复？缺失？数据类型是否正确？是否每个变量成一列&每个观察值成一行？数据是否有统计错误？(严重偏离正常值，比如说气温达到70℃等等)…
打开文件
#打开csv文件 pd.read_csv('filename') #打开excel文件 pd.read_excel('filename') #处理中文字符的tsv文件 pd.read_csv('filename',sep = '\t',encoding = 'utf-8')查看数据集数据
#查看前五行 df.head() #查看尾五行 df.tail() #查看随机一行 df.sample()查看数据集信息
#查看数据集行数和列数 df.shape #查看数据集信息（列名、数据类型、每列的数据量——可以看出数据缺失情况） df.info() #查看数据集基本统计信息 df.describe() #查看数据集列名 df.columns #查看数据集数据缺失情况 df.isnull().sum() #查看缺失列数据 df[df['col_name'].isnull()] #查看数据集数据重复情况 sum(df.duplicated()) #查看重复数据 df[df.duplicated()] #查看某列分类统计情况 df['col_name'].value_counts() #查看某列唯一值 df['col_name'].unique() #查看某列唯一值数量 df['col_name'].nunique() #以某列对数据集进行排序 df.sort_values(by = 'col_name',ascending = False)#False为由大至小数据筛选
#提取某行 df.iloc[row_index] df.loc['row_name'] #提取某几行 df.iloc[row_index_1:row_index_2] #提取某列 df['col_name'] #提取某几列 df[['col_name_1','col_name_2']] #提取某行某列的值 df.iloc[row_index,col_index] df.loc['row_name','col_name'] #筛选某列中满足某条件的数据 df[df['col_name'] == value]#等于某值的数据，同理满足所有比较运算符 df.query('col_name == value')#代码效果同上 df[(df['col_name_1'] >= value_1) & (df['col_name_2'] != value_2)]#与&，或| df.query('(col_name_1 >= value_lower) & (col_name_2 <= value_upper)') df.groupby('col_name')#按col_name列进行分组，聚类清理
对评估出的问题进行逐项排查、清理，直至获取到干净的数据（推荐超级有用且经典的 Tidy Data(https://cran.r-project.org/web/packages/tidyr/vignettes/tidy-data.html)，虽然代码用的是R语言，但代码不就只是工具而已嘛，关键的是思维方法）
#删除某行 df.drop(['row_name'],inplace = True)#若添加inplace = True，修改后的数据会覆盖原始数据 #删除某列 df.drop(['col_name'],axis = 1) #缺失值的处理 df.fillna(mean_value)#替换缺失值 df.dropna()#删除包含缺失值的行 df.dropna(axis = 1, how = 'all')#只删除所有数据缺失的列 #删除重复值 drop_duplicates(inplace = True) #更改某行/列/位置数据 用iloc或者loc直接替换修改即可 #更改数据类型 df['datetime_col'] = pd.to_datetime(df['datetime_col']) df['col_name'].astype(str)#还可以是int/float... #更改列名 df.rename(columns={'A':'a', 'C':'c'}, inplace = True) #apply函数 #讲function应用在col_name列，此方法比用for循环快得多得多 df['col_name'].apply(function)
探索性数据分析
即Exploratory data analysis(EDA)，这是一种分析数据集——尤其是陌生数据集——的方法，具体实施的话可以采用定量、定性的数据分析或者是可视化分析。
这是一个强调迭代的过程，在这个阶段你要不断的对数据进行探索（提问、整理、分析、可视化等等），根据你得到的结果再去丰富你的数据或者完善你的问题，最终得出结论。
这是一个考验耐心和细心的繁琐过程，所以一定要心平气和，保持工作的连贯性。（不做完一套不能睡觉？）
在做EDA的过程中，一个很好的习惯就是备份！
#导出csv文件
df.to_csv('filename.csv',index = False)
#导出中文字符的excel文件
df.to_excel('filename.xlsx',index = False,encoding = 'utf-8-sig')
Tip:utf-8与utf-8-sig 两种编码格式区别：
得出结论
通过可视化展示结论
利用统计学指标，如假设检验的p-值等提供理论支撑
利用机器学习算法对数据进行预测、分类、关联度分析等
传达结果
撰写报告，和别人分享你的研究结果。不管你报告的载体是PDF，PPT还是交互式的网页，都需要你凝练出最精简的点，一针见血。
所以，数据分析师们做的都是表面光鲜，背地里清理头发数据的工作。。。
延伸：数据融合
数据融合这部分，主要包括四个函数merge与join，concat与append，这里只展示基本用法与总结，更多实例可以戳：
https://pandas.pydata.org/pandas-docs/stable/user_guide/merging.html
merge
merge意为合并，当两个数据集需要按照某个共有列进行合并时，就需要用到merge了，它的关键参数为链接方式
how，默认为内链接，大家可以类比SQL中的JOIN去学习
merge的连接方式与SQL对比
合并方式 SQL JOIN 描述 leftLEFT OUTER JOIN只用左表的key去匹配链接 rightRIGHT OUTER JOIN只用右表的key去匹配链接 outerFULL OUTER JOIN两表中key的并集 innerINNER JOIN两表中key的交集
实例：
In [1]: left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
....: 'A': ['A0', 'A1', 'A2', 'A3'],
....: 'B': ['B0', 'B1', 'B2', 'B3']})
....:
In [2]: right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
....: 'C': ['C0', 'C1', 'C2', 'C3'],
....: 'D': ['D0', 'D1', 'D2', 'D3']})
....:
In [3]: result = pd.merge(left, right, on='key')
join
join是一种基于merge的快速合并方法，所需参数较少，默认以index作为链接键，进行左链接。
In [4]: left = pd.DataFrame({'A': ['A0', 'A1', 'A2'],
....: 'B': ['B0', 'B1', 'B2']},
....: index=['K0', 'K1', 'K2'])
....:
In [5]: right = pd.DataFrame({'C': ['C0', 'C2', 'C3'],
....: 'D': ['D0', 'D2', 'D3']},
....: index=['K0', 'K2', 'K3'])
....:
In [6]: result = left.join(right)
concat
concat是单词concatenate的简称，意为拼接，它是用来处理拼接多个具有相同列名或者索引的数据。
In [7]: df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
...: 'B': ['B0', 'B1', 'B2', 'B3'],
...: 'C': ['C0', 'C1', 'C2', 'C3'],
...: 'D': ['D0', 'D1', 'D2', 'D3']},
...: index=[0, 1, 2, 3])
...:
In [8]: df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],
...: 'D': ['D2', 'D3', 'D6', 'D7'],
...: 'F': ['F2', 'F3', 'F6', 'F7']},
...: index=[2, 3, 6, 7])
...:
#关键参数axis，决定了拼接的方向，默认为拼接行（即向下拼接），axis=1时拼接列（即向右拼接）
In [9]: result = pd.concat([df1, df4], axis=1, sort=False)
append
append时concat的简化函数，它只能拼接行，即向下拼接。
In [10]: df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
...: 'B': ['B4', 'B5', 'B6', 'B7'],
...: 'C': ['C4', 'C5', 'C6', 'C7'],
...: 'D': ['D4', 'D5', 'D6', 'D7']},
...: index=[4, 5, 6, 7])
...:
In [11]: result = df1.append(df2)
总结
merge主要用来根据key列对数据集进行合并；
join相当于简化版的merge，key默认为index，所以你如果想按照index对数据集合并时，join就是你的首选；
如果你想对数据集进行横向连接（axis = 1）或者纵向链接时，记得想起来用concat；
append相当于是简化版的concat，用得频次比concat要多得多。
最后
本文依然只是Pandas的冰山一角，希望能引起你们的兴趣去积极探索，比如说更新数据时可以用到update或者combine_first函数，对数据进行reshape或者聚合的stack、pivot，对时间序列进行处理的datetime等等。大家也不要被这么多函数吓到，在学习或者工作的过程中，不断地去尝试新方法，多去翻Pandas的官方文档，多记笔记，相信你在数据科学的道路上肯定会越走越远哒！
脸熟的评判标准是根据通过留言的次数来决定的
留言时需要按照今日留言主题来用心留言，否则不计入总数
每日赠书专区会出现在AI派当天发布文章的头条或次条的文章末尾
本书简介：
本书内容涵盖了有监督学习、无监督学习、模型优化、自然语言处理等机器学习领域所必须掌握的知识，从内容结构上非常注重知识的实用性和可操作性。全书采用由浅入深、循序渐进的讲授方式，完全遵循和尊重初学者对机器学习知识的认知规律。本书适合有一定程序设计语言和算法基础的读者学习使用。
?↑↑点击上方小程序即可购买
恭喜上期通过留言成功混脸熟的读者：哎哟不错哦，赠送一本《在线文本数据挖掘 算法原理与编程实现》
请中奖同学联系小编：wanglaoshi201907
/ 今日留言主题 /
你都有使用过Pandas什么骚操作，告诉王老湿一波？
近期专栏推荐
1.
2.
3.
4.
点下「在看」，给文章盖个戳吧！