Pandas 数据结构简介

前段时间我说过我会写一些关于 Pandas 的文章，但是我却一直没有跟进。然而，本周两位同事向我表达了他们对于 Pandas 的学习兴趣，因此我打算重新讨论这个话题。

因为我觉得这是一个庞大的任务，所以下面我将分成三个部分来全面地介绍 Pandas 库：

• Part 1:  Pandas 数据结构简介，该部分主要介绍该库的两个基本数据结构—— Series 和 DataFrames。
• Part 2:  DataFrames 的使用方法，该部分主要介绍如何使用 DataFrames 的筛选、过滤、合并、联合以及分组功能。
• Part 3: 利用 Pandas 处理 MovieLens 数据集，该部分主要利用前两部分的内容来回答关于 MovieLens 收视率数据的几个基本分析的问题。

如果你想跟着文章的内容运行相应代码的话，你可以在 这里 下载到相关 CSV 数据和  MovieLens 数据。

本篇文章的目的在于通过比较 Pandas 与 SQL 之间的差异来介绍该库的基本用法。由于我的同事都非常熟悉 SQL 的语法，所以我觉得这是一个易于被读者所理解的写作方法。

如果你想要学习更多的 Pandas 知识，你可以阅读  Pandas 作者撰写的书籍《Python for Data Analysis》。

Pandas 是 Python中用于分析数据的常用开源库。Python 可以很好地预处理和加工数据，但是它无法很好地进行数据分析——通常情况下你会利用 R 或者 SQL 来分析数据。有了  Pandas 之后，我们可以利用 Python 快速地进行数据分析。

数据结构

Pandas 中引入了两种新的数据结构—— Series 和 DataFrame ，这两种数据结构都建立在 NumPy 的基础之上。

In [2]:

import pandas as pd import numpy as np import matplotlib.pyplot as plt pd.set_option("max_columns", 50) %matplotlib inline

Series

Series是指一个类似于数组、列表或列变量的一维对象， Series 中每个条目都会被分配一个标签索引。默认情况下，每个条目都会收到一个从0到N之间的索引标签，其中N等于 Series 的长度减一。

In [3]:

# create a Series with an arbitrary list s = pd.Series([7, 'Heisenberg', 3.14, -1789710578, 'Happy Eating!']) s

Out[3]:

0                7 1       Heisenberg 2             3.14 3      -1789710578 4    Happy Eating! dtype: object

Series可以直接转换词典格式的数据，其中词典的键值对应 Series 中的索引值。

In [4]:

d = {'Chicago': 1000, 'New York': 1300, 'Portland': 900, 'San Francisco':1100,      'Austin': 450, 'Boston': None} cities = pd.Series(d) cities

Out[4]:

Austin            450 Boston            NaN Chicago          1000 New York         1300 Portland          900 San Francisco    1100 dtype: float64

你可以利用索引从 Series 中提取出特定的条目。

In [5]:

cities['Chicago']

Out[5]:

1000.0

In [6]:

cities[['Chicago', 'Portland', 'San Francisco']]

Out[6]:

Chicago          1000 Portland          900 San Francisco    1100 dtype: float64

或者你也可以利用布尔索引值来选取数据。

In [7]:

cities[cities < 1000]

Out[7]:

Austin      450 Portland    900 dtype: float64

第二种方法可能看起来有点奇怪，所以让我们更清楚地了解下它的逻辑—— cities < 1000 将返回一系列逻辑值，然后我们可以利用这些值从 Series 中提取出相应的条目。

In [8]:

less_than_1000 = cities < 1000 print(less_than_1000) print('/n') print(cities[less_than_1000])

Austin            True Boston           False Chicago          False New York         False Portland          True San Francisco    False dtype: bool   Austin      450 Portland    900 dtype: float64

我们还可以更改 Series 中的数值。

In [9]:

# changing based on the index print('Old value', cities['Chicago']) cities['Chicago'] = 1400 print('New value', cities['Chicago'])

('Old value', 1000.0) ('New value', 1400.0)

In [10]:

# changing values using boolean logic print(cities[cities < 1000]) print('/n') cities[cities < 1000] = 750 print(cities[cities < 1000])

Austin      450 Portland    900 dtype: float64   Austin      750 Portland    750 dtype: float64

如果你不确定 Series 中是否存在某个条目，你可以利用 Python 代码来检测。

In [11]:

print('Seattle' in cities) print('San Francisco' in cities)

False True

我们还可以对 Series 进行数学运算和函数运算。

In [12]:

# divide city value by 3 cities / 3

Out[12]:

Austin           250.000000 Boston                  NaN Chicago          466.666667 New York         433.333333 Portland         250.000000 San Francisco    366.666667 dtype: float64

In [13]:

# square city values np.square(cities)

Out[13]:

Austin            562500 Boston               NaN Chicago          1960000 New York         1690000 Portland          562500 San Francisco    1210000 dtype: float64

此外你还可以汇总两个 Series ，这会返回两个 Series 的并集，其中没有共同索引的条目将会返回 NULL/NaN。

In [14]:

print(cities[['Chicago', "New York", "Portland"]]) print('/n') print(cities[['Austin', 'New York']]) print('/n') print(cities[['Chicago', 'New York', 'Portland']] + cities[['Austin', 'New York']])

Chicago     1400 New York    1300 Portland     750 dtype: float64   Austin       750 New York    1300 dtype: float64   Austin       NaN Chicago      NaN New York    2600 Portland     NaN dtype: float64

由于两个 Series 中没有同时包含Austin，Chicago和Portland，因此它们的返回值是 NULL/NaN。

我们可以利用 isnull 和 notnull 函数来检测 NULL 值。

In [15]:

# returns a boolean series indicating which values aren't NULL cities.notnull()

Out[15]:

Austin            True Boston           False Chicago           True New York          True Portland          True San Francisco     True dtype: bool

In [16]:

# use boolean logic to grab the NULL cities print(cities.isnull()) print('/n') print(cities[cities.isnull()])

Austin           False Boston            True Chicago          False New York         False Portland         False San Francisco    False dtype: bool   Boston   NaN dtype: float64

DataFrame

DataFrame是一种由列向量和行向量组成的数据结构，它类似于电子数据表、数据库表格和 R 语言中的  data.frame 对象。你也可以理解成 DataFrame 是由多个共享索引值的 Series 对象构成的。

本文的剩下篇幅中，我将主要介绍 DataFrame 的内容。

Reading Data

我们可以将 Python 中常用的数据结构(如词典列表)转换成 DataFrame ，其中通过控制 columns 的参数值可以调整变量的顺序。默认情况下， DataFrame 会按字母顺序对变量进行排序。

In [18]:

data = {'year': [2010, 2011, 2012, 2011, 2012, 2010, 2011, 2012],        'team': ['Bears', 'Bears', 'Bears', 'Packers', 'Packers', 'Lions', 'Lions', 'Lions'],        'wins': [11, 8, 10, 15, 11, 6, 10, 4],        'losses': [5, 8, 6, 1, 5, 10, 6, 12]} football = pd.DataFrame(data, columns=['year', 'team', 'wins', 'losses']) football

Out[18]:

更多情况下，我们需要将数据集读到 DataFrame 中，接下来我们将介绍几种常用的读取数据的方法。

CSV

我们可以利用 read.csv 函数来读取 CSV 文件，其中 read.csv 函数默认CSV数据集是以逗号分隔的，你可以通过 sep 参数来控制分隔符的类别。

In [19]:

%cd ~/Desktop/

/Users/zengphil/Desktop

In [20]:

# Source: baseball-reference.com/players/r/riverma01.shtml !head -n 5 mariano-rivera.csv

Year,Age,Tm,Lg,W,L,W-L%,ERA,G,GS,GF,CG,SHO,SV,IP,H,R,ER,HR,BB,IBB,SO,HBP,BK,WP,BF,ERA+,FIP,WHIP,H9,HR9,BB9,SO9,SO/W,Awards 1995,25,NYY,AL,5,3,.625,5.51,19,10,2,0,0,0,67.0,71,43,41,11,30,0,51,2,1,0,301,84,5.15,1.507,9.5,1.5,4.0,6.9,1.70, 1996,26,NYY,AL,8,3,.727,2.09,61,0,14,0,0,5,107.2,73,25,25,1,34,3,130,2,0,1,425,240,1.88,0.994,6.1,0.1,2.8,10.9,3.82,CYA-3MVP-12 1997 ★,27,NYY,AL,6,4,.600,1.88,66,0,56,0,0,43,71.2,65,17,15,5,20,6,68,0,0,2,301,239,2.96,1.186,8.2,0.6,2.5,8.5,3.40,ASMVP-25

In [23]:

from_csv = pd.read_csv('mariano-rivera.csv') from_csv.head()

Out[23]:

该函数默认将文件中的第一行设定为列变量的标题，我们还可以设定 header=None 来手动设定列标题。

In [25]:

# Source: pro-football-reference.com/players/M/MannPe00/touchdowns/passing/2012/ !head -n 6 peython-passing-TDS-2012.csv

Rk,G#,Date,Tm,,Opp,Result,Quarter,Dist,Scorer/Receiver,Score Before,Score After 1,1,2012-09-09,DEN,,PIT,W 31-19,3,71,Demaryius Thomas,Trail 7-13,Lead 14-13* 2,1,2012-09-09,DEN,,PIT,W 31-19,4,1,Jacob Tamme,Trail 14-19,Lead 22-19* 3,2,2012-09-17,DEN,@,ATL,L 21-27,2,17,Demaryius Thomas,Trail 0-20,Trail 7-20 4,3,2012-09-23,DEN,,HOU,L 25-31,4,38,Brandon Stokley,Trail 11-31,Trail 18-31

In [27]:

cols = ['num', 'game', 'date', 'team', 'home_away', 'opponent',         'result', 'quarter', 'distance', 'receiver', 'score_before',        'score_after'] no_headers = pd.read_csv('peython-passing-TDS-2012.csv', sep = ',',                         header=None, names=cols) no_headers.head()

Out[27]:

Pandas 的 reader 系列函数中有许多可控参数，用于控制读取数据时的其他设定。

大家可以参阅 IO文档 来熟悉文件读取/写入功能。

Excel

你们讨厌 VBA 吗？我非常讨厌它，我相信你也会讨厌它的。幸运的是， pandas 允许我们读写 Excel 文件，所以我们可以利用Python处理完数据后再导出Excel文件，这样可以规避使用烦人的VBA来处理数据。

读取Excel文件需要安装 xlrd 库，我们可以利用 pip 工具来安装它( pip install xlrd )。

In [28]:

# this is the DataFrame we created from a dictionary earlier football.head()

Out[28]:

In [29]:

# since our index on the football DataFrame is meaningless, let's not write it football.to_excel('football.xlsx', index=False)

In [32]:

!ls -l *.xlsx

-rw-r--r--  1 zengphil  staff  5588  4 23 10:56 football.xlsx

In [33]:

# delete the DataFrame del football

In [35]:

# read from Excel football = pd.read_excel('football.xlsx', 'Sheet1') football

Out[35]:

Database

Pandas 还可以直接从数据库中读写 DataFrame 文件，你只需要利用 pandas.io 模块中的 read_sql 或 to_sql 函数来创建一个连接数据库的对象即可。

需要注意的是， to_sql 直接调用 INSERT INTO 语句，因此数据的传输速度比较慢。如果你想将一个大型 DataFrame 写入数据库中，最好先导出CSV文件然后再导入数据库中。

In [38]:

from pandas.io import sql import sqlite3  conn = sqlite3.connect('/Users/zengphil/Downloads/Database') query = "SELECT * FROM towed WHERE make = 'FORD';"  results = sql.read_sql(query, con = conn) results.head()

Clipboard

相比于直接将查询结果插入 DataFrame 中，我更倾向于从剪贴板中读取数据。Python可以很好地处理剪贴板中的分隔符数据，你可以控制 sep 参数来设定数据分隔符。

Hank Aaron

In [39]:

hank = pd.read_clipboard() hank.head()

Out[39]:

URL

此外，我们还可以利用 read_table 函数直接从 URL 链接中读取数据。

In [40]:

url = 'https://raw.github.com/gjreda/best-sandwiches/master/data/best-sandwiches-geocode.tsv'  # fetch the text from the URL and read it into a DataFrame from_url = pd.read_table(url, sep='/t') from_url.head(3)

Out[40]:

Google Analytics

Pandas 还整合了 Google Analytics 的API接口，但是需要进行一些设置。本文没有介绍这些内容，你可以参阅 文章1 和 文章2 。

原文链接： http://gregreda.com/2013/10/26/intro-to-pandas-data-structures/

原文作者：Greg Reda

译者：Fibears