Datawhale学习

作者：杨煜，Datawhale成员

寄语：本文对Pandas基础内容进行了梳理，从文件读取与写入、Series及DataFrame基本数据结构、常用基本函数及排序四个模块快速入门。同时，文末给出了问题及练习，以便更好地实践。

知识体系框架

完整学习教程已开源，开源链接：

https://github.com/datawhalechina/joyful-pandas

文件的读取和写入

import pandas as pd
import numpy as np
# 加上这两行可以一次性输出多个变量而不用print
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
# 查看版本
pd.__version__
pd.set_option('display.max_columns', None)

读取

Pandas常用的有以下三种文件：

• csv文件

• txt文件

• xls/xlsx文件

读取文件时的注意事项：

• 文件路径是否正确，相对路径 ./data

• 编码方式 分隔符

• 列名

#读取csv文件
df = pd.read_csv('./data./table.csv')
df.head()
#读取txt文件，直接读取可能会出现数据都挤在一列上
df_txt = pd.read_table('./data./table.txt')
#df_txt = pd.read_table('./data./table.csv', sep=",")
df_txt.head()
#读取xls/xlsx文件
df_excel = pd.read_excel('./data./table.xlsx')
df_excel.head()

写入

将结果输出到csx、txt、xls、xlsx文件中

df.to_csv('./new table.csv')
df.to_excel('./new table.xlsx')

基本数据结构

Pandas处理的基本数据结构有 Series 和 DataFrame。两者的区别和联系见下表：

Series

1. 创建

Series常见属性有 values， index， name， dtype

s = pd.Series(np.random.randn(5), index=['a','b','c','d','e'], name='this is a series', dtype='float64')

2. 访问Series属性

s.values, s.index, s.name, s.dtype

3. 取出某元素

通过索引取数或通过位置取数

s['a'], s[2:], s[1]

4. 调用方法

s.mean(), s.sum(), s.hist()

DataFrame

1. 创建

DataFrame基本属性有 values、columns、index

df = pd.DataFrame({'col1':list('abcde'), 'col2':range(5,10),'col3':[1.3,2.5,3.6,4.6,5.8]}, index=list('一二三四五'))

2. 取一列/取一行

df['col1'], df[:1]
type(df), type(df['col1']), type(df[:1]

3. 修改行或列名

df.rename(index={'一':'one'}, columns={'col1':'new_col1'})

4. 调用属性和方法

df.index, df.columns, df.values, df.shape, df.mean()

5. 索引对齐特性

这是Pandas中非常强大的特性，在对多个DataFrame 进行合并或者加减乘除操作时，行和列的索引都重叠的时候才能进行相应操作，否则会使用NA值进行填充。

df1 = pd.DataFrame({'A':[1,2,3]},index=[1,2,3])
df2 = pd.DataFrame({'A':[1,2,3]},index=[3,1,2])
df1-df2 #由于索引对齐，因此结果不是0

6. 列的删除

对于删除而言，可以使用drop函数或del或pop。

方法1：直接drop不会影响原DataFrame，设置inplace=True后会直接在原DataFrame中改动；

df.drop(index='五', columns='col1')

方法2：del会直接改变原Dataframe；

df['col1']=[1,2,3,4,5]
del df['col1']

方法3：pop方法直接在原来的DataFrame上操作，且返回被删除的列，与python中的pop函数类。

df['col1']=[1,2,3,4,5]
df.pop('col1')

7. 列的添加

方法1：直接新增；

df1['B'] = list('abc')

方法2：用assign方法，不会改变原DataFrame；

df1.assign(C=pd.Series(list('def')))

方法3：df.assign 效果其实是左连接，之所以会出现NaN的情况，是因为C和df的索引不一致导致。打印一下可以看到，df的索引是1-3，而C默认的是0-4。

C=pd.Series(list('def'))

8. 根据类型选择列

df.select_dtypes(include=['number'])
df.select_dtypes(include=['float'])

Series和DataFrame相互转换

1. DataFrame转换为Series

就是取某一列的操作

s = df.mean()
s.name = 'to_DataFrame'

2. Series转换为DataFrame

使用to_frame() 方法

s.to_frame()
# T符号可以进行转置操作
s.to_frame().T

常用基本函数

首先，读取数据

df = pd.read_csv('./data/table.csv')

1. head & tail

用来显示数据头部或者尾部的几行数据，默认是5行。可以指定n参数显示多少行

df.head()
df.tail()
df.head(6)

2. unique & nunique

unique显示所有的唯一值是什么；nunique显示有多少个唯一值。需要注意的是：需要在具体列上操作，本身DataFrame并没有这两个方法

df['Physics'].unique()
df['Physics'].nunique()

3. count & value_counts

count返回非缺失值元素个数；value_counts返回每个元素有多少个值，也是作用在具体某列上

df['Physics'].count()
df['Physics'].value_counts()

4. describe & info

info() 函数返回有哪些列、有多少非缺失值、每列的类型；describe() 默认统计数值型数据的各个统计量，可以自行选择分位数位置。非数值型特征需要单独调用describe方法。

df.info()
df.describe()
# describe()可以自行选择分位数位置
df.describe(percentiles=[.05, .25, .75, .95])
# 非数值型特征需要单独调用describe方法
df['Physics'].describe()

5. idxmax & nlargest

idxmax函数返回最大值对应的索引，在某些情况下特别适用，idxmin功能类似；nlargest函数返回前几个大的元素值，nsmallest功能类似，需要指定具体列

df['Math'].idxmax()
df['Math'].max()
df['Math'].nlargest(2)

6. clip & replace

clip和replace是两类替换函数：

• clip是对超过或者低于某些值的数进行截断，numpy.clip(a, a_min, a_max, out=None)

• replace是对某些值进行替换

df['Math'].head()
# 低于33的全都显示为33， 高于80的全都显示为80
df['Math'].clip(33,80).head()
df['Math'].mad()df['Address'].head()
df['Address'].replace(['street_1','street_2'],['one','two']).head()# 还可以通过字典方式修改
df.replace({'Address':{'street_1':'one','street_2':'two'}}).head(

7. apply

apply和匿名函数 lambda结合使用，可以很方便的进行一些数据处理。对于Series，它可以迭代每一列的值(行)操作；对于DataFrame，它可以迭代每一个列操作。

# 遍历Math列中的所有值，添加！
df['Math'].apply(lambda x:str(x)+'!').head() # 先是遍历所有列，然后遍历每列的所有的值，添加！
df.apply(lambda x:x.apply(lambda x:str(x)+'!')).head()

排序

1. 索引排序

 #set_index函数可以设置索引，将在下一章详细介绍
df.set_index('Math').head()#可以设置ascending参数，默认为升序，True
df.set_index('Math').sort_index().head()

2. 值排序

df.sort_values(by='Class').head()
df.sort_values(by=['Address','Height']).head()

问题及练习

问题

1. Series和DataFrame有哪些常见属性和方法？

• Series

属性方法	说明
s.values	访问s的内容
s.index	获取s的索引
s.iteritems()	获取索引和值对
s.dtype	获取s的数据类型
s[‘a’]	根据索引访问元素

• DataFrame

属性方法	说明
df.index	访问行索引
df.columns	访问列索引
df.values	访问数据
df.shape	获取df的数据形状

2. value_counts会统计缺失值吗？

答：value_counts不会统计缺失值。

3. 与idxmax和nlargest功能相反的是哪两组函数？

答：idxmin和nsmallest。

4. 在常用函数一节中，由于一些函数的功能比较简单，因此没有列入，现在将它们列在下面，请分别说明它们的用途并尝试使用。

5. df.mean(axis=1)是什么意思？它与df.mean()的结果一样吗？第一问提到的函数也有axis参数吗？怎么使用？

答：df.mean(axis=1)意思是对df按列求均值；axis = 0表示保持列标签不变，对行进行操作；axis = 1表示保持行标签不变，对列进行操作。

练习

练习1：

现有一份关于美剧《权力的游戏》剧本的数据集，请解决以下问题：
（a）在所有的数据中，一共出现了多少人物？
（b）以单元格计数（即简单把一个单元格视作一句），谁说了最多的话？
（c）以单词计数，谁说了最多的单词？

import pandas as pd
df = pd.read_csv('data/Game_of_Thrones_Script.csv')
df.head()
df['Name'].nunique()
df['Name'].value_counts()

练习2：

现有一份关于科比的投篮数据集，请解决如下问题：
（a）哪种action_type和combined_shot_type的组合是最多的？
（b）在所有被记录的game_id中，遭遇到最多的opponent是一个支？

import pandas as pd
df = pd.read_csv('data/Kobe_data.csv',index_col='shot_id')
df.head()
pd.Series(list(zip(df['action_type'],df['combined_shot_type']))).value_counts()
df.groupby('game_id')['opponent'].unique().astype('str').value_counts()

“为沉迷学习点赞↓“