Python数据分析工具包：Pandas

Python Data Analysis Library 或 pandas是为了解决数据分析任务而创建的， 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包。

类似于 Numpy 的核心是 ndarray，pandas 也是围绕着 Series 和 DataFrame 两个核心数据结构展开的 。Series 和 DataFrame 分别对应于一维的序列和二维的表结构。pandas 约定俗成的导入方法如下：

from pandas  import Series,DataFrame
import pandas as pd

Series

---

Series 可以看做一个定长的有序字典。基本任意的一维数据都可以用来构造 Series 对象：

>>> s  = Series([ 1 , 2 , 3.0 , 'abc' ])
>>> s
0      1
1      2
2      3
3    abc
dtype:  object

虽然 dtype:object 可以包含多种基本数据类型，但总感觉会影响性能的样子，最好还是保持单纯的 dtype。

Series 对象包含两个主要的属性：index 和 values，分别为上例中左右两列。因为传给构造器的是一个列表，所以 index 的值是从 0 起递增的整数，如果传入的是一个类字典的键值对结构，就会生成 index-value 对应的 Series；或者在初始化的时候以关键字参数显式指定一个 index 对象：

>>> s  = Series(data = [ 1 , 3 , 5 , 7 ],index  = [ 'a' , 'b' , 'x' , 'y' ])
>>> s
a     1
b     3
x     5
y     7
dtype: int64
>>> s.index
Index([ 'a' ,  'b' ,  'x' ,  'y' ], dtype = 'object' )
>>> s.values
array([ 1 ,  3 ,  5 ,  7 ], dtype = int64)

Series 对象的元素会严格依照给出的 index 构建，这意味着：如果 data 参数是有键值对的，那么只有 index 中含有的键会被使用；以及如果 data 中缺少响应的键，即使给出 NaN 值，这个键也会被添加。

注意 Series 的 index 和 values 的元素之间虽然存在对应关系，但这与字典的映射不同。index 和 values 实际仍为互相独立的 ndarray 数组，因此 Series 对象的性能完全 ok。

Series 这种使用键值对的数据结构最大的好处在于，Series 间进行算术运算时，index 会自动对齐。

 

 

另外，Series 对象和它的 index 都含有一个 name 属性：

>>> s.name  = 'a_series'
>>> s.index.name  = 'the_index'
>>> s
the_index
a             1
b             3
x             5
y             7
Name: a_series, dtype: int64

 

 

DataFrame

---

DataFrame 是一个表格型的数据结构，它含有一组有序的列（类似于 index），每列可以是不同的值类型（不像 ndarray 只能有一个 dtype）。基本上可以把 DataFrame 看成是共享同一个 index 的 Series 的集合。

DataFrame 的构造方法与 Series 类似，只不过可以同时接受多条一维数据源，每一条都会成为单独的一列：

>>> data  = { 'state' :[ 'Ohino' , 'Ohino' , 'Ohino' , 'Nevada' , 'Nevada' ],
        'year' :[ 2000 , 2001 , 2002 , 2001 , 2002 ],
        'pop' :[ 1.5 , 1.7 , 3.6 , 2.4 , 2.9 ]}
>>> df  = DataFrame(data)
>>> df
   pop   state  year
0  1.5   Ohino   2000
1  1.7   Ohino   2001
2  3.6   Ohino   2002
3  2.4  Nevada   2001
4  2.9  Nevada   2002

[ 5 rows x  3 columns]

虽然参数 data 看起来是个字典，但字典的键并非充当 DataFrame 的 index 的角色，而是 Series 的 “name” 属性。这里生成的 index 仍是 “01234”。

较完整的 DataFrame 构造器参数为：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：

>>> df  = DataFrame(data,index = [ 'one' , 'two' , 'three' , 'four' , 'five' ],
               columns = [ 'year' , 'state' , 'pop' , 'debt' ])
>>> df
       year   state  pop debt
one     2000   Ohino   1.5  NaN
two     2001   Ohino   1.7  NaN
three   2002   Ohino   3.6  NaN
four    2001  Nevada   2.4  NaN
five    2002  Nevada   2.9  NaN

[ 5 rows x  4 columns]

同样缺失值由 NaN 补上。看一下 index、columns 和 索引的类型：

>>> df.index
Index([ 'one' ,  'two' ,  'three' ,  'four' ,  'five' ], dtype = 'object' )
>>> df.columns
Index([ 'year' ,  'state' ,  'pop' ,  'debt' ], dtype = 'object' )
>>>  type (df[ 'debt' ])
< class 'pandas.core.series.Series' >

DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。