Python的大数据处理模块Pandas
【这篇转载自海盗Ora的博客：https://www.cnblogs.com/huanjing/p/6701396.html】
Pandas使用一个二维的数据结构DataFrame来表示表格式的数据，相比较于Numpy，Pandas可以存储混合的数据结构，同时使用NaN来表示缺失的数据，而不用像Numpy一样要手工处理缺失的数据，并且Pandas使用轴标签来表示行和列。
1、文件读取
首先将用到的pandas和numpy加载进来
import pandas as pd
import numpy as np
读取数据：
#csv和xlsx分别用read_csv和read_xlsx，下面以csv为例
df = pd.read_csv(path): 读入csv文件，形成一个数据框(data.frame)
例如：df=pd.read_csv('/users/administrator/desktop/train.csv') # df可以理解为dataframe的简写
df = pd.read_csv(path, header=None) 不要把第一行作为header
to_csv()
* 注意，默认会将第一行作为header，并且默认会添加index，所以不需要的话需要手动禁用 *
df.to_csv(path, header=False, index=False)
数据框操作
df.head(1) 读取头几条数据
df.tail(1) 读取后几条数据
df[‘date’] 获取数据框的date列
df.head(1)[‘date’] 获取第一行的date列
df.head(1)[‘date’][0] 获取第一行的date列的元素值
sum(df[‘ability’]) 计算整个列的和
df[df[‘date’] == ‘20161111’] 获取符合这个条件的行
df[df[‘date’] == ‘20161111’].index[0] 获取符合这个条件的行的行索引的值
df.iloc[1] 获取第二行
df.iloc[1][‘test2’] 获取第二行的test2值
10 mins to pandas
df.index 获取行的索引
df.index[0] 获取第一个行索引
df.index[-1] 获取最后一个行索引,只是获取索引值
df.columns 获取列标签
df[0:2] 获取第1到第2行，从0开始，不包含末端
df.loc[1] 获取第二行
df.loc[:,’test1’] 获取test1的那一列,这个冒号的意思是所有行，逗号表示行与列的区分
df.loc[:,[‘test1’,’test2’]] 获取test1列和test2列的数据
df.loc[1,[‘test1’,’test2’]] 获取第二行的test1和test2列的数据
df.at[1,’test1’] 表示取第二行，test1列的数据，和上面的方法类似
df.iloc[0] 获取第一行
df.iloc[0:2,0:2] 获取前两行前两列的数据
df.iloc[[1,2,4],[0,2]] 获取第1，2，4行中的0，2列的数据
(df[2] > 1).any() 对于Series应用any()方法来判断是否有符合条件的，返回True或者False
2、查看数据
df.head()
#默认出5行，括号里可以填其他数据
3、查看数据类型
df.dtypes
与Numpy一样，用dtype属性来显示数据类型，Pandas主要有以下几种dtype：
object -- 代表了字符串类型
int -- 代表了整型
float -- 代表了浮点数类型
datetime -- 代表了时间类型
bool -- 代表了布尔类型
当读取了一个文件之后，Pandas会通过分析值来推测每一列的数据类型
print(df.dtypes)
输出：每一列对应的数据类型
NDB_No int64
Shrt_Desc object
Water_(g) float64
Energ_Kcal int64
Protein_(g) float64
...
4、利用现有数据生成一列新数据
比如：max_time和min_time是现有的两列，现在业务需要生成一列gs，gs=max_time-min_time
df['gs']=df['max_time']-df['min_time']
#查看是否成功
df.head()
5、查看基本统计量(包括count、unique、top、freq、mean、std、min、25%、50%、75%、max等)
df.describe(include='all') # all代表需要将所有列都列出
统计描述
print (df.describe())
# OUTPUT
Abra Apayao Benguet Ifugao Kalinga
count 79.000000 79.000000 79.000000 79.000000 79.000000
mean 12874.379747 16860.645570 3237.392405 12414.620253 30446.417722
std 16746.466945 15448.153794 1588.536429 5034.282019 22245.707692
min 927.000000 401.000000 148.000000 1074.000000 2346.000000
25% 1524.000000 3435.500000 2328.000000 8205.000000 8601.500000
50% 5790.000000 10588.000000 3202.000000 13044.000000 24494.000000
75% 13330.500000 33289.000000 3918.500000 16099.500000 52510.500000
max 60303.000000 54625.000000 8813.000000 21031.000000 68663.000000
通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。在Python中，我们的操作如下：
import pandas as pd
# Reading data locally
df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')
# Reading data from web
data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"
df = pd.read_csv(data_url)
为了读取本地CSV文件，我们需要pandas这个数据分析库中的相应模块。
其中的read_csv函数能够读取本地和web数据。b
# Head of the data
print （df.head()）
# OUTPUT
Abra Apayao Benguet Ifugao Kalinga
0 1243 2934 148 3300 10553
1 4158 9235 4287 8063 35257
2 1787 1922 1955 1074 4544
3 17152 14501 3536 19607 31687
4 1266 2385 2530 3315 8520
# Tail of the data
print （df.tail()）
# OUTPUT
Abra Apayao Benguet Ifugao Kalinga
74 2505 20878 3519 19737 16513
75 60303 40065 7062 19422 61808
76 6311 6756 3561 15910 23349
77 13345 38902 2583 11096 68663
78 2623 18264 3745 16787 16900
上述操作等价于通过print(head(df))来打印数据的前6行，以及通过print(tail(df))来打印数据的后6行。
当然Python中，默认打印是5行，而R则是6行。因此R的代码head(df, n = 10)，
在Python中就是df.head(n = 10)，打印数据尾部也是同样道理。可以通过修改n的值来改变输出的行数
在Python中，我们则使用columns和index属性来提取，如下：
# Extracting column names
print （df.columns）#输出列名称
# OUTPUT
Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')
# Extracting row names or the index
print （df.index）#输出行名称
# OUTPUT
Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30], dtype='int64')
数据转置使用T方法，
# Transpose data
print （df.T）
# OUTPUT
0 1 2 3 4 5 6 7 8 9
Abra 1243 4158 1787 17152 1266 5576 927 21540 1039 5424
Apayao 2934 9235 1922 14501 2385 7452 1099 17038 1382 10588
Benguet 148 4287 1955 3536 2530 771 2796 2463 2592 1064
Ifugao 3300 8063 1074 19607 3315 13134 5134 14226 6842 13828
Kalinga 10553 35257 4544 31687 8520 28252 3106 36238 4973 40140
... 69 70 71 72 73 74 75 76 77
Abra ... 12763 2470 59094 6209 13316 2505 60303 6311 13345
Apayao ... 37625 19532 35126 6335 38613 20878 40065 6756 38902
Benguet ... 2354 4045 5987 3530 2585 3519 7062 3561 2583
Ifugao ... 9838 17125 18940 15560 7746 19737 19422 15910 11096
Kalinga ... 65782 15279 52437 24385 66148 16513 61808 23349 68663
78
Abra 2623
Apayao 18264
Benguet 3745
Ifugao 16787
Kalinga 16900
其他变换，例如排序就是用sort属性。现在我们提取特定的某列数据。
Python中，可以使用iloc或者ix属性。但是我更喜欢用ix，因为它更稳定一些。假设我们需数据第一列的前5行，我们有：
print （df.ix[:, 0].head()）
# OUTPUT
0 1243
1 4158
2 1787
3 17152
4 1266
Name: Abra, dtype: int64
顺便提一下，Python的索引是从0开始而非1。为了取出从11到20行的前3列数据，我们有：
print (df.ix[10:20, 0:3])
# OUTPUT
Abra Apayao Benguet
10 981 1311 2560
11 27366 15093 3039
12 1100 1701 2382
13 7212 11001 1088
14 1048 1427 2847
15 25679 15661 2942
16 1055 2191 2119
17 5437 6461 734
18 1029 1183 2302
19 23710 12222 2598
20 1091 2343 2654
上述命令相当于df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。
为了舍弃数据中的列，这里是列1(Apayao)和列2(Benguet)，我们使用drop属性，如下：
print (df.drop(df.columns[[1, 2]], axis = 1).head())
# OUTPUT
Abra Ifugao Kalinga
0 1243 3300 10553
1 4158 8063 35257
2 1787 1074 4544
3 17152 19607 31687
4 1266 3315 8520
axis 参数告诉函数到底舍弃列还是行。如果axis等于0，那么就舍弃行。
print (df.drop(df.index[[1, 2]], axis = 0).head())#表示舍弃第二行和第三行可以使用tolist()函数转化为list
df.columns.tolist()
与Numpy一样，用shape属性来显示数据的格式
dimensions = df.shape
print(dimensions)
输出：(8618,36) ， 其中dimensions[0]为8618，dimensions[1]为36
索引
读取了文件后，Pandas会把文件的一行作为列的索引标签，使用行数字作为行的索引标签
注意，行标签是从数字0开始的
Pandas使用Series数据结构来表示一行或一列的数据，类似于Numpy使用向量来表示数据。Numpy只能使用数字来索引，而Series可以使用非数字来索引数据，当你选择返回一行数据的时候，Series并不仅仅返回该行的数据，同时还有每一列的标签的名字。
譬如要返回文件的第一行数据，Numpy就会返回一个列表（但你可能不知道每一个数字究竟代表了什么）
而Pandas则会同时把每一列的标签名返回（此时就很清楚数据的意思了）
选择数据
Pandas使用loc[]方法来选择行的数据
# 选择单行数据： df.loc[0] # 选择行标号为0的数据，即第一行数据 df.loc[6] # 选择行标号为6的数据，即第七行数据 # 选择多行数据： df.loc[3:6] # 使用了切片，注意：由于这里使用loc[]函数，所以返回的是行标号为3，4，5，6的数据，与python的切片不同的是这里会返回最后的标号代表的数据，但也可以使用python的切片方法：df[3:7] 而df.iloc[3:6]相当于df[3:6], df.ix[3:6]相当于df.loc[3:6] df.loc[[2,5,10]] # 返回行标号为2，5，10三行数据
练习：返回文件的最后五行 方法一： length = df.shape[0] last_rows =df.loc[length-5:length-1] 方法二： num_rows = df.shape[0] last_rows = df[num_rows-5:num_rows] Pandas直接把列名称填充就能返回该列的数据 ndb_col = df["NDB_No"] # 返回列名称为NDB_No的那一列的数据 zinc_copper = df[["Zinc_(mg)", "Copper_(mg)"]] # 返回两列数据,##注意是中括号两个
简单运算
现在要按照如下公式计算所有食物的健康程度，并按照降序的方式排列结果：
Score=2×(Protein_(g))−0.75×(Lipid_Tot_(g))
对DataFrame中的某一列数据进行算术运算，其实是对该列中的所有元素进行逐一的运算，譬如：
water_energy = food_info["Water_(g)"] * food_info["Energ_Kcal"]
原理：
由于每一列的数据跨度太大，有的数据是从0到100000，而有的数据是从0到10，所以为了尽量减少数据尺度对运算结果的影响，采取最简单的方法来规范化数据，那就是将每个数值都除以该列的最大值，从而使所有数据都处于0和1之间。其中max()函数用来获取该列的最大值.
df['Normalized_Protein'] = df['Protein_(g)'] / df['Protein_(g)'].max()
df['Normalized_Fat'] = df['Lipid_Tot_(g)'] / df['Lipid_Tot_(g)'].max()
df['Norm_Nutr_Index'] = df["Normalized_Protein"] * 2 - df["Normalized_Fat"] * 0.75
注意：上面的两个语句已经在原来的DataFrame中添加了三列，列名分别为Normalized_Protein和Normalized_Fat，Norm_Nutr_Index。只需要使用中括号和赋值符就能添加新列，类似于字典
对DataFrame的某一列数据排序，只需要使用函数sort_values()即可
food_info.sort_values("Sodium_(mg)") # 函数参数为列名，默认是按照升序排序，同时返回一个新的
DataFramefood_info.sort_values("Norm_Nutr_Index", inplace=True, ascending=False )
# 通过inplace参数来控制在原表排序，而不是返回一个新的对象；ascending参数用来控制是否升序排序
这部分内容转载自
Modozil的博客
https://blog.csdn.net/niuniuyuh/article/details/76650904?fps=1&locationNum=9Pandas库中有iloc和loc以及ix可以用来索引数据，抽取数据。但是方法一多也容易造成混淆。下面将一一来结合代码说清其中的区别。
1. iloc和loc的区别：
iloc主要使用数字来索引数据，而不能使用字符型的标签来索引数据。而loc则刚好相反，只能使用字符型标签来索引数据，不能使用数字来索引数据，不过有特殊情况，当数据框dataframe的行标签或者列标签为数字，loc就可以来其来索引。
好，先上代码，先上行标签和列标签都为数字的情况。
- import pandas as pd
- import numpy as np
- a = np.arange(12).reshape(3,4)
- print (a)
- >>>
- [[ 0 1 2 3]
- [ 4 5 6 7]
- [ 8 9 10 11]]
- df = pd.DataFrame(a)
- print (df)
- >>>
- 0 1 2 3
- 0 0 1 2 3
- 1 4 5 6 7
- 2 8 9 10 11
- print (df.loc[0])
- >>>
- 0 0
- 1 1
- 2 2
- 3 3
- Name: 0, dtype: int32
- print (df.iloc[0])
- 0 0
- 1 1
- 2 2
- 3 3
- Name: 0, dtype: int32
- print (df.loc[:,[0,3]])
- 0 3
- 0 0 3
- 1 4 7
- 2 8 11
- print (df.iloc[:,[0,3]])
- 0 3
- 0 0 3
- 1 4 7
- 2 8 11
接下来是把行标签[0, 1, 2]改成['a', 'b', 'c']，则成这样了。
- df.index = ['a','b','c']
- print (df)
- >>>
- 0 1 2 3
- a 0 1 2 3
- b 4 5 6 7
- c 8 9 10 11
- print (df.loc[0])
- # TypeError: cannot do label indexing on
- print (df.iloc[0])
- >>>
- 0 0
- 1 1
- 2 2
- 3 3
- Name: a, dtype: int32
- print (df.iloc['a']) # TypeError: cannot do positional indexing on
- print (df.loc['a']) # 正确
- >>>
- 0 0
- 1 1
- 2 2
- 3 3
- Name: a, dtype: int32
同样地，把列标签[0, 1, 2, 3]改成['A', 'B, 'C', 'D']，则成这样了。
- df.columns = ['A','B','C','D']
- print (df)
- >>>
- A B C D
- a 0 1 2 3
- b 4 5 6 7
- c 8 9 10 11
- print (df.loc[:,'A'])
- >>>
- a 0
- b 4
- c 8
- Name: A, dtype: int32
- print (df.iloc[:,'A']) # ValueError: Location based indexing can only have [integer, integer slice (START point is INCLUDED, END point is EXCLUDED), listlike of integers, boolean array] types
2.ix是一种混合索引，字符型标签和整型数据索引都可以。
- print (df.ix[0])
- >>>
- A 0
- B 1
- C 2
- D 3
- Name: a, dtype: int32
- print (df.ix['a'])
- >>>
- A 0
- B 1
- C 2
- D 3
- Name: a, dtype: int32
- print (df.ix[:,0])
- >>>
- a 0
- b 4
- c 8
- Name: A, dtype: int32
- print (df.ix[:,'A'])
- >>>
- a 0
- b 4
- c 8
- Name: A, dtype: int32
一、 创建对象
可以通过 Data Structure Intro Setion 来查看有关该节内容的详细信息。
1、可以通过传递一个list对象来创建一个Series，pandas会默认创建整型索引：
2、通过传递一个numpy array，时间索引以及列标签来创建一个DataFrame：
#np.random.randn(6,4)通过本函数可以返回一个或一组服从标准正态分布的随机样本值。
3、通过传递一个能够被转换成类似序列结构的字典对象来创建一个DataFrame：
4、查看不同列的数据类型：
5、如果你使用的是IPython，使用Tab自动补全功能会自动识别所有的属性以及自定义的列，下图中是所有能够被自动识别的属性的一个子集：
二、 查看数据
详情请参阅：Basics Section
1、 查看frame中头部和尾部的行：
2、 显示索引、列和底层的numpy数据：
3、 describe()函数对于数据的快速统计汇总：
4、 对数据的转置：
5、 按轴进行排序
6、 按值进行排序
三、 选择
虽然标准的Python/Numpy的选择和设置表达式都能够直接派上用场，但是作为工程使用的代码，我们推荐使用经过优化的pandas数据访问方式： .at, .iat, .loc, .iloc 和 .ix详情请参阅Indexing and Selecing Data 和 MultiIndex / Advanced Indexing。
l 获取
1、 选择一个单独的列，这将会返回一个Series，等同于df.A：
2、 通过[]进行选择，这将会对行进行切片
l 通过标签选择
1、 使用标签来获取一个交叉的区域
2、 通过标签来在多个轴上进行选择
3、 标签切片
4、 对于返回的对象进行维度缩减
5、 获取一个标量
6、 快速访问一个标量（与上一个方法等价）
l 通过位置选择
1、 通过传递数值进行位置选择（选择的是行）
2、 通过数值进行切片，与numpy/python中的情况类似
3、 通过指定一个位置的列表，与numpy/python中的情况类似
4、 对行进行切片
5、 对列进行切片
6、 获取特定的值
l 布尔索引
1、 使用一个单独列的值来选择数据：
2、 使用where操作来选择数据：
3、 使用isin()方法来过滤：
l 设置
1、 设置一个新的列：
2、 通过标签设置新的值：
3、 通过位置设置新的值：
4、 通过一个numpy数组设置一组新值：
上述操作结果如下：
5、 通过where操作来设置新的值：
四、 缺失值处理
在pandas中，使用np.nan来代替缺失值，这些值将默认不会包含在计算中，详情请参阅：Missing Data Section。
1、 reindex()方法可以对指定轴上的索引进行改变/增加/删除操作，这将返回原始数据的一个拷贝：、
2、 去掉包含缺失值的行：
3、 对缺失值进行填充：
4、 对数据进行布尔填充：
五、 相关操作
详情请参与 Basic Section On Binary Ops
统计（相关操作通常情况下不包括缺失值）
1、 执行描述性统计：
2、 在其他轴上进行相同的操作：
3、 对于拥有不同维度，需要对齐的对象进行操作。Pandas会自动的沿着指定的维度进行广播：
Apply
1、 对数据应用函数：
直方图
具体请参照：Histogramming and Discretization
字符串方法
Series对象在其str属性中配备了一组字符串处理方法，可以很容易的应用到数组中的每个元素，如下段代码所示。更多详情请参考：Vectorized String Methods.
六、 合并
Pandas提供了大量的方法能够轻松的对Series，DataFrame和Panel对象进行各种符合各种逻辑关系的合并操作。具体请参阅：Merging section
Concat
Join 类似于SQL类型的合并，具体请参阅：Database style joining
Append 将一行连接到一个DataFrame上，具体请参阅Appending：
七、 分组
对于”group by”操作，我们通常是指以下一个或多个操作步骤：
（Splitting）按照一些规则将数据分为不同的组；
（Applying）对于每组数据分别执行一个函数；
（Combining）将结果组合到一个数据结构中；
详情请参阅：Grouping section
1、 分组并对每个分组执行sum函数：
2、 通过多个列进行分组形成一个层次索引，然后执行函数：
Stack堆
tuples = list(zip(*[['bar', 'bar', 'baz', 'baz',
'foo', 'foo', 'qux', 'qux'],
['one', 'two', 'one', 'two',
'one', 'two', 'one', 'two']]))
tuples
注：创建了一个list，并且用zip方法整合合并成内部是tuple形式
index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])
index
注：将数据转为MultiIndex结构，即从字面上理解为多索引结构
df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=['A', 'B'])
df
df2 = df[:4]
注：取出前四行数据
stack（）方法“压缩”DataFrame的列。
stacked = df2.stack()
stacked
使用“堆叠”DataFrame或Series（具有MultiIndex作为索引），stack（）的反向操作是unpack（），它默认情况下解除最后一个级别
unstack会默认多层索引的series转变为DataFrame
stacked.unstack()
stacked.unstack(1)
stacked.unstack(0)
数据透视表，详情请参阅：Pivot Tables.
可以从这个数据中轻松的生成数据透视表：
