Pandas提供快速，靈活和富于表現力的數據結構，是強大的數據分析Python庫。

本文收錄于機器學習前置教程系列。

一、Series和DataFrame

Pandas建立在NumPy之上，更多NumPy相關的知識點可以參考我之前寫的文章《前置機器學習（三）：30分鐘掌握常用NumPy用法》。

《前置機器學習（三）：30分鐘掌握常用NumPy用法》：?http://blog.caiyongji.com/2020/12/06/pre-ml-numpy-3.html

Pandas特別適合處理表格數據，如SQL表格、EXCEL表格。有序或無序的時間序列。具有行和列標簽的任意矩陣數據。

打開Jupyter Notebook，導入numpy和pandas開始我們的教程：

import?numpy?as?np import?pandas?as?pd

1. pandas.Series

Series是帶有索引的一維ndarray數組。索引值可不唯一，但必須是可哈希的。

pd.Series([1,?3,?5,?np.nan,?6,?8])

輸出：

0????1.0 1????3.0 2????5.0 3????NaN 4????6.0 5????8.0 dtype:?float64

我們可以看到默認索引值為0、1、2、3、4、5這樣的數字。添加index屬性，指定其為'c','a','i','yong','j','i'。

pd.Series([1,?3,?5,?np.nan,?6,?8],?index=['c','a','i','yong','j','i'])

輸出如下，我們可以看到index是可重復的。

c???????1.0 a???????3.0 i???????5.0 yong????NaN j???????6.0 i???????8.0 dtype:?float64

2. pandas.DataFrame

DataFrame是帶有行和列的表格結構。可以理解為多個Series對象的字典結構。

pd.DataFrame(np.array([[1,?2,?3],?[4,?5,?6],?[7,?8,?9]]),?index=['i','ii','iii'],?columns=['A',?'B',?'C'])

輸出表格如下，其中index對應它的行，columns對應它的列。

ABC

i	1	2	3
ii	4	5	6
iii	7	8	9

二、Pandas常見用法

1. 訪問數據

準備數據，隨機生成6行4列的二維數組，行標簽為從20210101到20210106的日期，列標簽為A、B、C、D。

import?numpy?as?np import?pandas?as?pd np.random.seed(20201212) df?=?pd.DataFrame(np.random.randn(6,?4),?index=pd.date_range('20210101',?periods=6),?columns=list('ABCD')) df

展示表格如下：

ABCD

2021-01-01	0.270961	-0.405463	0.348373	0.828572
2021-01-02	0.696541	0.136352	-1.64592	-0.69841
2021-01-03	0.325415	-0.602236	-0.134508	1.28121
2021-01-04	-0.33032	-1.40384	-0.93809	1.48804
2021-01-05	0.348708	1.27175	0.626011	-0.253845
2021-01-06	-0.816064	1.30197	0.656281	-1.2718

1.1 head()和tail()

查看表格前幾行：

df.head(2)

展示表格如下：

ABCD

2021-01-01	0.270961	-0.405463	0.348373	0.828572
2021-01-02	0.696541	0.136352	-1.64592	-0.69841

查看表格后幾行：

df.tail(3)

展示表格如下：

ABCD

2021-01-04	-0.33032	-1.40384	-0.93809	1.48804
2021-01-05	0.348708	1.27175	0.626011	-0.253845
2021-01-06	-0.816064	1.30197	0.656281	-1.2718

1.2 describe()

describe方法用于生成DataFrame的描述統計信息。可以很方便的查看數據集的分布情況。注意，這里的統計分布不包含NaN值。

df.describe()

展示如下：

ABCD

count	6	6	6	6
mean	0.0825402	0.0497552	-0.181309	0.22896
std	0.551412	1.07834	0.933155	1.13114
min	-0.816064	-1.40384	-1.64592	-1.2718
25%	-0.18	-0.553043	-0.737194	-0.587269
50%	0.298188	-0.134555	0.106933	0.287363
75%	0.342885	0.987901	0.556601	1.16805
max	0.696541	1.30197	0.656281	1.48804

我們首先回顧一下我們掌握的數學公式。

平均數(mean)：

方差(variance):

標準差(std):

我們解釋一下pandas的describe統計信息各屬性的意義。我們僅以?A?列為例。

• count表示計數。A列有6個數據不為空。

• mean表示平均值。A列所有不為空的數據平均值為0.0825402。

• std表示標準差。A列的標準差為0.551412。

• min表示最小值。A列最小值為-0.816064。即，0%的數據比-0.816064小。

• 25%表示四分之一分位數。A列的四分之一分位數為-0.18。即，25%的數據比-0.18小。

• 50%表示二分之一分位數。A列的四分之一分位數為0.298188。即，50%的數據比0.298188小。

• 75%表示四分之三分位數。A列的四分之三分位數為0.342885。即，75%的數據比0.342885小。

• max表示最大值。A列的最大值為0.696541。即，100%的數據比0.696541小。

1.3 T

T一般表示Transpose的縮寫，即轉置。行列轉換。

df.T

展示表格如下：

2021-01-012021-01-022021-01-032021-01-042021-01-052021-01-06

A	0.270961	0.696541	0.325415	-0.33032	0.348708	-0.816064
B	-0.405463	0.136352	-0.602236	-1.40384	1.27175	1.30197
C	0.348373	-1.64592	-0.134508	-0.93809	0.626011	0.656281
D	0.828572	-0.69841	1.28121	1.48804	-0.253845	-1.2718

1.4 sort_values()

指定某一列進行排序，如下代碼根據C列進行正序排序。

df.sort_values(by='C')

展示表格如下：

ABCD

2021-01-02	0.696541	0.136352	-1.64592	-0.69841
2021-01-04	-0.33032	-1.40384	-0.93809	1.48804
2021-01-03	0.325415	-0.602236	-0.134508	1.28121
2021-01-01	0.270961	-0.405463	0.348373	0.828572
2021-01-05	0.348708	1.27175	0.626011	-0.253845
2021-01-06	-0.816064	1.30197	0.656281	-1.2718

1.5 nlargest()

選擇某列最大的n行數據。如：df.nlargest(2,'A')表示，返回A列最大的2行數據。

df.nlargest(2,'A')

展示表格如下：

ABCD

2021-01-02	0.696541	0.136352	-1.64592	-0.69841
2021-01-05	0.348708	1.27175	0.626011	-0.253845

1.6 sample()

sample方法表示查看隨機的樣例數據。

df.sample(5)表示返回隨機5行數據。

df.sample(5)

參數frac表示fraction，分數的意思。frac=0.01即返回1%的隨機數據作為樣例展示。

df.sample(frac=0.01)

2. 選擇數據

2.1 根據標簽選擇

我們輸入df['A']命令選取A列。

df['A']

輸出A列數據，同時也是一個Series對象：

2021-01-01????0.270961 2021-01-02????0.696541 2021-01-03????0.325415 2021-01-04???-0.330320 2021-01-05????0.348708 2021-01-06???-0.816064 Name:?A,?dtype:?float64

df[0:3]該代碼與df.head(3)同理。但df[0:3]是NumPy的數組選擇方式，這說明了Pandas對于NumPy具有良好的支持。

df[0:3]

展示表格如下：

ABCD

2021-01-01	0.270961	-0.405463	0.348373	0.828572
2021-01-02	0.696541	0.136352	-1.64592	-0.69841
2021-01-03	0.325415	-0.602236	-0.134508	1.28121

通過loc方法指定行列標簽。

df.loc['2021-01-01':'2021-01-02',?['A',?'B']]

展示表格如下：

AB

2021-01-01	0.270961	-0.405463
2021-01-02	0.696541	0.136352

2.2 根據位置選擇

iloc?與loc不同。loc指定具體的標簽，而iloc指定標簽的索引位置。df.iloc[3:5, 0:3]表示選取索引為3、4的行，索引為0、1、2的列。即，第4、5行，第1、2、3列。注意，索引序號從0開始。冒號表示區間，左右兩側分別表示開始和結束。如3:5表示左開右閉區間[3,5)，即不包含5自身。

df.iloc[3:5,?0:3]

ABC

2021-01-04	-0.33032	-1.40384	-0.93809
2021-01-05	0.348708	1.27175	0.626011

df.iloc[:,?1:3]

BC

2021-01-01	-0.405463	0.348373
2021-01-02	0.136352	-1.64592
2021-01-03	-0.602236	-0.134508
2021-01-04	-1.40384	-0.93809
2021-01-05	1.27175	0.626011
2021-01-06	1.30197	0.656281

2.3 布爾索引

DataFrame可根據條件進行篩選，當條件判斷True時，返回。當條件判斷為False時，過濾掉。

我們設置一個過濾器用來判斷A列是否大于0。

filter?=?df['A']?>?0 filter

輸出結果如下，可以看到2021-01-04和2021-01-06的行為False。

2021-01-01?????True 2021-01-02?????True 2021-01-03?????True 2021-01-04????False 2021-01-05?????True 2021-01-06????False Name:?A,?dtype:?bool

我們通過過濾器查看數據集。

df[filter] #?df[df['A']?>?0]

查看表格我們可以發現，2021-01-04和2021-01-06的行被過濾掉了。

ABCD

2021-01-01	0.270961	-0.405463	0.348373	0.828572
2021-01-02	0.696541	0.136352	-1.64592	-0.69841
2021-01-03	0.325415	-0.602236	-0.134508	1.28121
2021-01-05	0.348708	1.27175	0.626011	-0.253845

3. 處理缺失值

準備數據。

df2?=?df.copy() df2.loc[:3,?'E']?=?1.0 f_series?=?{'2021-01-02':?1.0,'2021-01-03':?2.0,'2021-01-04':?3.0,'2021-01-05':?4.0,'2021-01-06':?5.0} df2['F']?=?pd.Series(f_series) df2

展示表格如下：

ABCDFE

2021-01-01	0.270961	-0.405463	0.348373	0.828572	nan	1
2021-01-02	0.696541	0.136352	-1.64592	-0.69841	1	1
2021-01-03	0.325415	-0.602236	-0.134508	1.28121	2	1
2021-01-04	-0.33032	-1.40384	-0.93809	1.48804	3	nan
2021-01-05	0.348708	1.27175	0.626011	-0.253845	4	nan
2021-01-06	-0.816064	1.30197	0.656281	-1.2718	5	nan

3.1 dropna()

使用dropna方法清空NaN值。注意：dropa方法返回新的DataFrame，并不會改變原有的DataFrame。

df2.dropna(how='any')

以上代碼表示，當行數據有任意的數值為空時，刪除。

ABCDFE

2021-01-02	0.696541	0.136352	-1.64592	-0.69841	1	1
2021-01-03	0.325415	-0.602236	-0.134508	1.28121	2	1

3.2 fillna()

使用filna命令填補NaN值。

df2.fillna(df2.mean())

以上代碼表示，使用每一列的平均值來填補空缺。同樣地，fillna并不會更新原有的DataFrame，如需更新原有DataFrame使用代碼df2 = df2.fillna(df2.mean())。

展示表格如下：

ABCDFE

2021-01-01	0.270961	-0.405463	0.348373	0.828572	3	1
2021-01-02	0.696541	0.136352	-1.64592	-0.69841	1	1
2021-01-03	0.325415	-0.602236	-0.134508	1.28121	2	1
2021-01-04	-0.33032	-1.40384	-0.93809	1.48804	3	1
2021-01-05	0.348708	1.27175	0.626011	-0.253845	4	1
2021-01-06	-0.816064	1.30197	0.656281	-1.2718	5	1

4. 操作方法

4.1 agg()

agg是Aggregate的縮寫，意為聚合。

常用聚合方法如下：

• mean(): Compute mean of groups

• sum(): Compute sum of group values

• size(): Compute group sizes

• count(): Compute count of group

• std(): Standard deviation of groups

• var(): Compute variance of groups

• sem(): Standard error of the mean of groups

• describe(): Generates descriptive statistics

• first(): Compute first of group values

• last(): Compute last of group values

• nth() : Take nth value, or a subset if n is a list

• min(): Compute min of group values

• max(): Compute max of group values

df.mean()

返回各列平均值

A????0.082540 B????0.049755 C???-0.181309 D????0.228960 dtype:?float64

可通過加參數axis查看行平均值。

df.mean(axis=1)

輸出：

2021-01-01????0.260611 2021-01-02???-0.377860 2021-01-03????0.217470 2021-01-04???-0.296053 2021-01-05????0.498156 2021-01-06???-0.032404 dtype:?float64

如果我們想查看某一列的多項聚合統計怎么辦？
這時我們可以調用agg方法：

df.agg(['std','mean'])['A']

返回結果顯示標準差std和均值mean：

std?????0.551412 mean????0.082540 Name:?A,?dtype:?float64

對于不同的列應用不同的聚合函數：

df.agg({'A':['max','mean'],'B':['mean','std','var']})

返回結果如下：

AB

max	0.696541	nan
mean	0.0825402	0.0497552
std	nan	1.07834
var	nan	1.16281

4.2 apply()

apply()是對方法的調用。如df.apply(np.sum)表示每一列調用np.sum方法，返回每一列的數值和。

df.apply(np.sum)

輸出結果為：

A????0.495241 B????0.298531 C???-1.087857 D????1.373762 dtype:?float64

apply方法支持lambda表達式。

df.apply(lambda?n:?n*2)

ABCD

2021-01-01	0.541923	-0.810925	0.696747	1.65714
2021-01-02	1.39308	0.272704	-3.29185	-1.39682
2021-01-03	0.65083	-1.20447	-0.269016	2.56242
2021-01-04	-0.66064	-2.80768	-1.87618	2.97607
2021-01-05	0.697417	2.5435	1.25202	-0.50769
2021-01-06	-1.63213	2.60393	1.31256	-2.5436

4.3 value_counts()

value_counts方法查看各行、列的數值重復統計。我們重新生成一些整數數據，來保證有一定的數據重復。

np.random.seed(101) df3?=?pd.DataFrame(np.random.randint(0,9,size?=?(6,4)),columns=list('ABCD')) df3

ABCD

0	1	6	7	8
1	4	8	5	0
2	5	8	1	3
3	8	3	3	2
4	8	3	7	0
5	7	8	4	3

調用value_counts()方法。

df3['A'].value_counts()

查看輸出我們可以看到 A列的數字8有兩個，其他數字的數量為1。

8????2 7????1 5????1 4????1 1????1 Name:?A,?dtype:?int64

4.4 str

Pandas內置字符串處理方法。

names?=?pd.Series(['andrew','bobo','claire','david','4']) names.str.upper()

通過以上代碼我們將Series中的字符串全部設置為大寫。

0????ANDREW 1??????BOBO 2????CLAIRE 3?????DAVID 4?????????4 dtype:?object

首字母大寫：

names.str.capitalize()

輸出為：

0????Andrew 1??????Bobo 2????Claire 3?????David 4?????????4 dtype:?object

判斷是否為數字：

names.str.isdigit()

輸出為：

0????False 1????False 2????False 3????False 4?????True dtype:?bool

字符串分割：

tech_finance?=?['GOOG,APPL,AMZN','JPM,BAC,GS'] tickers?=?pd.Series(tech_finance) tickers.str.split(',').str[0:2]

以逗號分割字符串，結果為：

0????[GOOG,?APPL] 1??????[JPM,?BAC] dtype:?object

5. 合并

5.1 concat()

concat用來將數據集串聯起來。我們先準備數據。

data_one?=?{'Col1':?['A0',?'A1',?'A2',?'A3'],'Col2':?['B0',?'B1',?'B2',?'B3']} data_two?=?{'Col1':?['C0',?'C1',?'C2',?'C3'],?'Col2':?['D0',?'D1',?'D2',?'D3']} one?=?pd.DataFrame(data_one) two?=?pd.DataFrame(data_two)

使用concat方法將兩個數據集串聯起來。

pt(pd.concat([one,two]))

得到表格：

Col1Col2

0	A0	B0
1	A1	B1
2	A2	B2
3	A3	B3
0	C0	D0
1	C1	D1
2	C2	D2
3	C3	D3

5.2 merge()

merge相當于SQL操作中的join方法，用于將兩個數據集通過某種關系連接起來

registrations?=?pd.DataFrame({'reg_id':[1,2,3,4],'name':['Andrew','Bobo','Claire','David']}) logins?=?pd.DataFrame({'log_id':[1,2,3,4],'name':['Xavier','Andrew','Yolanda','Bobo']})

我們根據name來連接兩個張表，連接方式為outer。

pd.merge(left=registrations,?right=logins,?how='outer',on='name')

返回結果為：

reg_idnamelog_id

0	1	Andrew	2
1	2	Bobo	4
2	3	Claire	nan
3	4	David	nan
4	nan	Xavier	1
5	nan	Yolanda	3

我們注意，how : {'left', 'right', 'outer', 'inner'}?有4種連接方式。表示是否選取左右兩側表的nan值。如left表示保留左側表中所有數據，當遇到右側表數據為nan值時，不顯示右側的數據。簡單來說，把left表和right表看作兩個集合。

• left表示取左表全部集合+兩表交集

• right表示取右表全部集合+兩表交集

• outer表示取兩表并集

• inner表示取兩表交集

6. 分組GroupBy

Pandas中的分組功能非常類似于SQL語句SELECT Column1, Column2, mean(Column3), sum(Column4)FROM SomeTableGROUP BY Column1, Column2。即使沒有接觸過SQL也沒有關系，分組就相當于把表格數據按照某一列進行拆分、統計、合并的過程。

準備數據。

np.random.seed(20201212) df?=?pd.DataFrame({'A':?['foo',?'bar',?'foo',?'bar',?'foo',?'bar',?'foo',?'foo'],'B':?['one',?'one',?'two',?'three',?'two',?'two',?'one',?'three'],'C':?np.random.randn(8),'D':?np.random.randn(8)}) df

可以看到，我們的A列和B列有很多重復數據。這時我們可以根據foo/bar或者one/two進行分組。

ABCD

0	foo	one	0.270961	0.325415
1	bar	one	-0.405463	-0.602236
2	foo	two	0.348373	-0.134508
3	bar	three	0.828572	1.28121
4	foo	two	0.696541	-0.33032
5	bar	two	0.136352	-1.40384
6	foo	one	-1.64592	-0.93809
7	foo	three	-0.69841	1.48804

6.1 單列分組

我們應用groupby方法將上方表格中的數據進行分組。

df.groupby('A')

執行上方代碼可以看到，groupby方法返回的是一個類型為DataFrameGroupBy的對象。我們無法直接查看，需要應用聚合函數。參考本文4.1節。

<pandas.core.groupby.generic.DataFrameGroupBy?object?at?0x0000014C6742E248>

我們應用聚合函數sum試試。

df.groupby('A').sum()

展示表格如下：

ACD

bar	0.559461	-0.724868
foo	-1.02846	0.410533

6.2 多列分組

groupby方法支持將多個列作為參數傳入。

df.groupby(['A',?'B']).sum()

分組后顯示結果如下：

ABCD

bar	one	-0.405463	-0.602236
	one	-0.405463	-0.602236
	three	0.828572	1.28121
	two	0.136352	-1.40384
foo	one	-1.37496	-0.612675
	three	-0.69841	1.48804
	two	1.04491	-0.464828

6.3 應用多聚合方法

我們應用agg()，將聚合方法數組作為參數傳入方法。下方代碼根據A分類且只統計C列的數值。

df.groupby('A')['C'].agg([np.sum,?np.mean,?np.std])

可以看到bar組與foo組各聚合函數的結果如下：

Asummeanstd

bar	0.559461	0.186487	0.618543
foo	-1.02846	-0.205692	0.957242

6.4 不同列進行不同聚合統計

下方代碼對C、D列分別進行不同的聚合統計，對C列進行求和，對D列進行標準差統計。

df.groupby('A').agg({'C':?'sum',?'D':?lambda?x:?np.std(x,?ddof=1)})

輸出如下：

ACD

bar	0.559461	1.37837
foo	-1.02846	0.907422

6.5 更多

更多關于Pandas的goupby方法請參考官網:?Pandas User Guide - groupby

Pandas User Guide - groupby:?https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html](https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html

三、Pandas 進階用法

1. reshape

reshape表示重塑表格。對于復雜表格，我們需要將其轉換成適合我們理解的樣子，比如根據某些屬性分組后進行單獨統計。

1.1 stack() 和 unstack()

stack方法將表格分為索引和數據兩個部分。索引各列保留，數據堆疊放置。

準備數據。

tuples?=?list(zip(*[['bar',?'bar',?'baz',?'baz','foo',?'foo',?'qux',?'qux'],['one',?'two',?'one',?'two','one',?'two',?'one',?'two']])) index?=?pd.MultiIndex.from_tuples(tuples,?names=['first',?'second'])

根據上方代碼，我們創建了一個復合索引。

MultiIndex([('bar',?'one'),('bar',?'two'),('baz',?'one'),('baz',?'two'),('foo',?'one'),('foo',?'two'),('qux',?'one'),('qux',?'two')],names=['first',?'second'])

我們創建一個具備復合索引的DataFrame。

np.random.seed(20201212) df?=?pd.DataFrame(np.random.randn(8,?2),?index=index,?columns=['A',?'B']) df

輸出如下：

ABCD

bar	one	0.270961	-0.405463
	two	0.348373	0.828572
baz	one	0.696541	0.136352
	two	-1.64592	-0.69841
foo	one	0.325415	-0.602236
	two	-0.134508	1.28121
qux	one	-0.33032	-1.40384
	two	-0.93809	1.48804

我們執行stack方法。

stacked?=?df.stack() stacked

輸出堆疊（壓縮）后的表格如下。注意：你使用Jupyter Notebook/Lab進行的輸出可能和如下結果不太一樣。下方輸出的各位為了方便在Markdown中顯示有一定的調整。

first??second??? bar????one?????A????0.942502 bar????one?????B????0.060742 bar????two?????A????1.340975 bar????two?????B???-1.712152 baz????one?????A????1.899275 baz????one?????B????1.237799 baz????two?????A???-1.589069 baz????two?????B????1.288342 foo????one?????A???-0.326792 foo????one?????B????1.576351 foo????two?????A????1.526528 foo????two?????B????1.410695 qux????one?????A????0.420718 qux????one?????B???-0.288002 qux????two?????A????0.361586 qux????two?????B????0.177352 dtype:?float64

我們執行unstack將數據進行展開。

stacked.unstack()

輸出原表格。

ABCD

bar	one	0.270961	-0.405463
	two	0.348373	0.828572
baz	one	0.696541	0.136352
	two	-1.64592	-0.69841
foo	one	0.325415	-0.602236
	two	-0.134508	1.28121
qux	one	-0.33032	-1.40384
	two	-0.93809	1.48804

我們加入參數level。

stacked.unstack(level=0) #stacked.unstack(level=1)

當level=0時得到如下輸出，大家可以試試level=1時輸出什么。

secondfirstbarbazfooqux

one	A	0.942502	1.89927	-0.326792	0.420718
one	B	0.060742	1.2378	1.57635	-0.288002
two	A	1.34097	-1.58907	1.52653	0.361586
two	B	-1.71215	1.28834	1.4107	0.177352

1.2 pivot_table()

pivot_table表示透視表，是一種對數據動態排布并且分類匯總的表格格式。

我們生成無索引列的DataFrame。

np.random.seed(99) df?=?pd.DataFrame({'A':?['one',?'one',?'two',?'three']?*?3,'B':?['A',?'B',?'C']?*?4,'C':?['foo',?'foo',?'foo',?'bar',?'bar',?'bar']?*?2,'D':?np.random.randn(12),'E':?np.random.randn(12)}) df

展示表格如下：

ABCDE

0	one	A	foo	-0.142359	0.0235001
1	one	B	foo	2.05722	0.456201
2	two	C	foo	0.283262	0.270493
3	three	A	bar	1.32981	-1.43501
4	one	B	bar	-0.154622	0.882817
5	one	C	bar	-0.0690309	-0.580082
6	two	A	foo	0.75518	-0.501565
7	three	B	foo	0.825647	0.590953
8	one	C	foo	-0.113069	-0.731616
9	one	A	bar	-2.36784	0.261755
10	two	B	bar	-0.167049	-0.855796
11	three	C	bar	0.685398	-0.187526

通過觀察數據，我們可以顯然得出A、B、C列的具備一定屬性含義。我們執行pivot_table方法。

pd.pivot_table(df,?values=['D','E'],?index=['A',?'B'],?columns=['C'])

上方代碼的意思為，將D、E列作為數據列，A、B作為復合行索引，C的數據值作為列索引。

('D', 'bar')('D', 'foo')('E', 'bar')('E', 'foo')

('one', 'A')	-2.36784	-0.142359	0.261755	0.0235001
('one', 'B')	-0.154622	2.05722	0.882817	0.456201
('one', 'C')	-0.0690309	-0.113069	-0.580082	-0.731616
('three', 'A')	1.32981	nan	-1.43501	nan
('three', 'B')	nan	0.825647	nan	0.590953
('three', 'C')	0.685398	nan	-0.187526	nan
('two', 'A')	nan	0.75518	nan	-0.501565
('two', 'B')	-0.167049	nan	-0.855796	nan
('two', 'C')	nan	0.283262	nan	0.270493

2. 時間序列

date_range是Pandas自帶的生成日期間隔的方法。我們執行下方代碼：

rng?=?pd.date_range('1/1/2021',?periods=100,?freq='S') pd.Series(np.random.randint(0,?500,?len(rng)),?index=rng)

date_range方法從2021年1月1日0秒開始，以1秒作為時間間隔執行100次時間段的劃分。輸出結果如下：

2021-01-01?00:00:00????475 2021-01-01?00:00:01????145 2021-01-01?00:00:02?????13 2021-01-01?00:00:03????240 2021-01-01?00:00:04????183...? 2021-01-01?00:01:35????413 2021-01-01?00:01:36????330 2021-01-01?00:01:37????272 2021-01-01?00:01:38????304 2021-01-01?00:01:39????151 Freq:?S,?Length:?100,?dtype:?int32

我們將freq的參數值從S(second)改為M(Month)試試看。

rng?=?pd.date_range('1/1/2021',?periods=100,?freq='M') pd.Series(np.random.randint(0,?500,?len(rng)),?index=rng)

輸出：

2021-01-31????311 2021-02-28????256 2021-03-31????327 2021-04-30????151 2021-05-31????484...? 2028-12-31????170 2029-01-31????492 2029-02-28????205 2029-03-31?????90 2029-04-30????446 Freq:?M,?Length:?100,?dtype:?int32

我們設置可以以季度作為頻率進行日期生成。

prng?=?pd.period_range('2018Q1',?'2020Q4',?freq='Q-NOV') pd.Series(np.random.randn(len(prng)),?prng)

輸出2018第一季度到2020第四季度間的全部季度。

2018Q1????0.833025 2018Q2???-0.509514 2018Q3???-0.735542 2018Q4???-0.224403 2019Q1???-0.119709 2019Q2???-1.379413 2019Q3????0.871741 2019Q4????0.877493 2020Q1????0.577611 2020Q2???-0.365737 2020Q3???-0.473404 2020Q4????0.529800 Freq:?Q-NOV,?dtype:?float64

3. 分類

Pandas有一種特殊的數據類型叫做"目錄"，即dtype="category"，我們根據將某些列設置為目錄來進行分類。

準備數據。

df?=?pd.DataFrame({"id":?[1,?2,?3,?4,?5,?6],?"raw_grade":?['a',?'b',?'b',?'a',?'a',?'e']}) df

idraw_grade

0	1	a
1	2	b
2	3	b
3	4	a
4	5	a
5	6	e

我們添加一個新列grade并將它的數據類型設置為category。

df["grade"]?=?df["raw_grade"].astype("category") df["grade"]

我們可以看到grade列只有3種值a,b,e。

0????a 1????b 2????b 3????a 4????a 5????e Name:?grade,?dtype:?category Categories?(3,?object):?['a',?'b',?'e']

我們按順序替換a、b、e為very good、good、very bad。

df["grade"].cat.categories?=?["very?good",?"good",?"very?bad"]

此時的表格為：

idraw_gradegrade

0	1	a	very good
1	2	b	good
2	3	b	good
3	4	a	very good
4	5	a	very good
5	6	e	very bad

我們對表格進行排序：

df.sort_values(by="grade",?ascending=False)

idraw_gradegrade

5	6	e	very bad
1	2	b	good
2	3	b	good
0	1	a	very good
3	4	a	very good
4	5	a	very good

查看各類別的數量：

df.groupby("grade").size()

以上代碼輸出為：

grade very?good????3 good?????????2 very?bad?????1 dtype:?int64

4. IO

Pandas支持直接從文件中讀寫數據，如CSV、JSON、EXCEL等文件格式。Pandas支持的文件格式如下。

Format TypeData DescriptionReaderWriter

text	CSV	read_csv	to_csv
text	Fixed-Width Text File	read_fwf
text	JSON	read_json	to_json
text	HTML	read_html	to_html
text	Local clipboard	read_clipboard	to_clipboard
	MS Excel	read_excel	to_excel
binary	OpenDocument	read_excel
binary	HDF5 Format	read_hdf	to_hdf
binary	Feather Format	read_feather	to_feather
binary	Parquet Format	read_parquet	to_parquet
binary	ORC Format	read_orc
binary	Msgpack	read_msgpack	to_msgpack
binary	Stata	read_stata	to_stata
binary	SAS	read_sas
binary	SPSS	read_spss
binary	Python Pickle Format	read_pickle	to_pickle
SQL	SQL	read_sql	to_sql
SQL	Google BigQuery	read_gbq	to_gbq

我們僅以CSV文件為例作為講解。其他格式請參考上方表格。

我們從CSV文件導入數據。大家不用特別在意下方網址的域名地址。

df?=?pd.read_csv("http://blog.caiyongji.com/assets/housing.csv")

查看前5行數據：

df.head(5)

longitudelatitudehousing_median_agetotal_roomstotal_bedroomspopulationhouseholdsmedian_incomemedian_house_valueocean_proximity

0	-122.23	37.88	41	880	129	322	126	8.3252	452600	NEAR BAY
1	-122.22	37.86	21	7099	1106	2401	1138	8.3014	358500	NEAR BAY
2	-122.24	37.85	52	1467	190	496	177	7.2574	352100	NEAR BAY
3	-122.25	37.85	52	1274	235	558	219	5.6431	341300	NEAR BAY
4	-122.25	37.85	52	1627	280	565	259	3.8462	342200	NEAR BAY

5. 繪圖

Pandas支持matplotlib，matplotlib是功能強大的Python可視化工具。本節僅對Pandas支持的繪圖方法進行簡單介紹，我們將會在下一篇文章中進行matplotlib的詳細介紹。為了不錯過更新，歡迎大家關注我。

np.random.seed(999) df?=?pd.DataFrame(np.random.rand(10,?4),?columns=['a',?'b',?'c',?'d'])

我們直接調用plot方法進行展示。這里有兩個需要注意的地方：

該plot方法是通過Pandas調用的plot方法，而非matplotlib。

我們知道Python語言是無需分號進行結束語句的。此處的分號表示執行繪圖渲染后直接顯示圖像。

df.plot();

df.plot.bar();

df.plot.bar(stacked=True);

四、更多

我們下篇將講解matplotlib的相關知識點。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯 本站知識星球“黃博的機器學習圈子”（92416895） 本站qq群704220115。 加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【机器学习基础】前置知识（四）：一文掌握Pandas用法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。