16 KiB
深入浅出pandas-1
Pandas 是 Wes McKinney 在2008年开发的一个强大的分析结构化数据的工具集。Pandas 以 NumPy 为基础（实现数据存储和运算），提供了专门用于数据分析的类型、方法和函数，对数据分析和数据挖掘提供了很好的支持；同时 pandas 还可以跟数据可视化工具 matplotlib 很好的整合在一起，非常轻松愉快的实现数据可视化呈现。
Pandas 核心的数据类型是Series（数据系列）、DataFrame（数据窗/数据框），分别用于处理一维和二维的数据，除此之外，还有一个名为Index的类型及其子类型，它们为Series和DataFrame提供了索引功能。日常工作中DataFrame使用得最为广泛，因为二维的数据结构刚好可以对应有行有列的表格。Series和DataFrame都提供了大量的处理数据的方法，数据分析师以此为基础，可以实现对数据的筛选、合并、拼接、清洗、预处理、聚合、透视和可视化等各种操作。
创建Series对象
Pandas 库中的Series对象可以用来表示一维数据结构，但是多了索引和一些额外的功能。Series类型的内部结构包含了两个数组，其中一个用来保存数据，另一个用来保存数据的索引。我们可以通过列表或数组创建Series对象，代码如下所示。
代码：
import numpy as np
import pandas as pd
ser1 = pd.Series(data=[120, 380, 250, 360], index=['一季度', '二季度', '三季度', '四季度'])
ser1
说明：
Series构造器中的data参数表示数据，index参数表示数据的索引，相当于数据对应的标签。
输出：
一季度 120
二季度 380
三季度 250
四季度 360
dtype: int64
通过字典创建Series对象。
代码：
ser2 = pd.Series({'一季度': 320, '二季度': 180, '三季度': 300, '四季度': 405})
ser2
说明：通过字典创建
Series对象时，字典的键就是数据的标签（索引），键对应的值就是数据。
输出：
一季度 320
二季度 180
三季度 300
四季度 405
dtype: int64
Series对象的运算
标量运算
我们尝试给刚才的ser1每个季度加上10，代码如下所示。
代码：
ser1 += 10
ser1
输出：
一季度 130
二季度 390
三季度 260
四季度 370
dtype: int64
矢量运算
我们尝试把ser1和ser2对应季度的数据加起来，代码如下所示。
代码：
ser1 + ser2
输出：
一季度 450
二季度 570
三季度 560
四季度 775
dtype: int64
索引运算
普通索引
跟数组一样，Series对象也可以进行索引和切片操作，不同的是Series对象因为内部维护了一个保存索引的数组，所以除了可以使用整数索引检索数据外，还可以通过自己设置的索引（标签）获取对应的数据。
使用整数索引。
代码：
ser1[2]
输出：
260
使用自定义索引。
代码：
ser1['三季度']
输出：
260
代码：
ser1['一季度'] = 380
ser1
输出：
一季度 380
二季度 390
三季度 260
四季度 370
dtype: int64
切片索引
Series对象的切片操作跟列表、数组类似，通过给出起始和结束索引，从原来的Series对象中取出或修改部分数据，这里也可以使用整数索引和自定义的索引，代码如下所示。
代码：
ser2[1:3]
输出：
二季度 180
三季度 300
dtype: int64
代码：
ser2['二季度':'四季度']
输出：
二季度 180
三季度 300
四季度 405
dtype: int64
提示：在使用自定义索引进行切片时，结束索引对应的元素也是可以取到的。
代码：
ser2[1:3] = 400, 500
ser2
输出：
一季度 320
二季度 400
三季度 500
四季度 405
dtype: int64
花式索引
代码：
ser2[['二季度', '四季度']]
输出：
二季度 400
四季度 405
dtype: int64
代码：
ser2[['二季度', '四季度']] = 600, 520
ser2
输出：
一季度 320
二季度 600
三季度 500
四季度 520
dtype: int64
布尔索引
代码：
ser2[ser2 >= 500]
输出：
二季度 600
三季度 500
四季度 520
dtype: int64
Series对象的属性和方法
Series对象的属性和方法非常多，我们就捡着重要的跟大家讲吧。先看看下面的表格，它展示了Series对象常用的属性。
| 属性 | 说明 |
|---|---|
dtype / dtypes |
返回Series对象的数据类型 |
hasnans |
判断Series对象中有没有空值 |
at / iat |
通过索引访问Series对象中的单个值 |
loc / iloc |
通过索引访问Series对象中的单个值或一组值 |
index |
返回Series对象的索引（Index对象） |
is_monotonic |
判断Series对象中的数据是否单调 |
is_monotonic_increasing |
判断Series对象中的数据是否单调递增 |
is_monotonic_decreasing |
判断Series对象中的数据是否单调递减 |
is_unique |
判断Series对象中的数据是否独一无二 |
size |
返回Series对象中元素的个数 |
values |
以ndarray的方式返回Series对象中的值（ndarray对象） |
我们可以通过下面的代码来了解Series对象的属性。
代码：
print(ser2.dtype) # 数据类型
print(ser2.hasnans) # 有没有空值
print(ser2.index) # 索引
print(ser2.values) # 值
print(ser2.is_monotonic_increasing) # 是否单调递增
print(ser2.is_unique) # 是否每个值都独一无二
输出：
int64
False
Index(['一季度', '二季度', '三季度', '四季度'], dtype='object')
[320 600 500 520]
False
True
Series对象的方法很多，下面我们通过一些代码片段为大家介绍常用的方法。
统计相关
Series对象支持各种获取描述性统计信息的方法。
代码：
print(ser2.count()) # 计数
print(ser2.sum()) # 求和
print(ser2.mean()) # 求平均
print(ser2.median()) # 找中位数
print(ser2.max()) # 找最大
print(ser2.min()) # 找最小
print(ser2.std()) # 求标准差
print(ser2.var()) # 求方差
输出：
4
1940
485.0
510.0
600
320
118.18065267490557
13966.666666666666
Series对象还有一个名为describe()的方法，可以获得上述所有的描述性统计信息，如下所示。
代码：
ser2.describe()
输出：
count 4.000000
mean 485.000000
std 118.180653
min 320.000000
25% 455.000000
50% 510.000000
75% 540.000000
max 600.000000
dtype: float64
提示：因为
describe()返回的也是一个Series对象，所以也可以用ser2.describe()['mean']来获取平均值，用ser2.describe()[['max', 'min']]来获取最大值和最小值。
如果Series对象有重复的值，我们可以使用unique()方法获得由独一无二的值构成的数组；可以使用nunique()方法统计不重复值的数量；如果想要统计每个值重复的次数，可以使用value_counts()方法，这个方法会返回一个Series对象，它的索引就是原来的Series对象中的值，而每个值出现的次数就是返回的Series对象中的数据，在默认情况下会按照出现次数做降序排列，如下所示。
代码：
ser3 = pd.Series(data=['apple', 'banana', 'apple', 'pitaya', 'apple', 'pitaya', 'durian'])
ser3.value_counts()
输出：
apple 3
pitaya 2
durian 1
banana 1
dtype: int64
代码：
ser3.nunique()
输出：
4
对于ser3，我们还可以用mode()方法来找出数据的众数，由于众数可能不唯一，所以mode()方法的返回值仍然是一个Series对象。
代码：
ser3.mode()
输出：
0 apple
dtype: object
处理数据
Series对象的isna()和isnull()方法可以用于空值的判断，notna()和notnull()方法可以用于非空值的判断，代码如下所示。
代码：
ser4 = pd.Series(data=[10, 20, np.nan, 30, np.nan])
ser4.isna()
说明：
np.nan是一个IEEE 754标准的浮点小数，专门用来表示“不是一个数”，在上面的代码中我们用它来代表空值；当然，也可以用 Python 中的None来表示空值，在 pandas 中None也会被处理为np.nan。
输出：
0 False
1 False
2 True
3 False
4 True
dtype: bool
代码：
ser4.notna()
输出：
0 True
1 True
2 False
3 True
4 False
dtype: bool
Series对象的dropna()和fillna()方法分别用来删除空值和填充空值，具体的用法如下所示。
代码：
ser4.dropna()
输出：
0 10.0
1 20.0
3 30.0
dtype: float64
代码：
ser4.fillna(value=40) # 将空值填充为40
输出：
0 10.0
1 20.0
2 40.0
3 30.0
4 40.0
dtype: float64
代码：
ser4.fillna(method='ffill') # 用空值前面的非空值填充
输出：
0 10.0
1 20.0
2 20.0
3 30.0
4 30.0
dtype: float64
需要提醒大家注意的是，dropna()和fillna()方法都有一个名为inplace的参数，它的默认值是False，表示删除空值或填充空值不会修改原来的Series对象，而是返回一个新的Series对象。如果将inplace参数的值修改为True，那么删除或填充空值会就地操作，直接修改原来的Series对象，此时方法的返回值是None。后面我们会接触到的很多方法，包括DataFrame对象的很多方法都会有这个参数，它们的意义跟这里是一样的。
Series对象的mask()和where()方法可以将满足或不满足条件的值进行替换，如下所示。
代码：
ser5 = pd.Series(range(5))
ser5.where(ser5 > 0)
输出：
0 NaN
1 1.0
2 2.0
3 3.0
4 4.0
dtype: float64
代码：
ser5.where(ser5 > 1, 10)
输出：
0 10
1 10
2 2
3 3
4 4
dtype: int64
代码：
ser5.mask(ser5 > 1, 10)
输出：
0 0
1 1
2 10
3 10
4 10
dtype: int64
Series对象的duplicated()方法可以帮助我们找出重复的数据，而drop_duplicates()方法可以帮我们删除重复数据。
代码：
ser3.duplicated()
输出：
0 False
1 False
2 True
3 False
4 True
5 True
6 False
dtype: bool
代码：
ser3.drop_duplicates()
输出：
0 apple
1 banana
3 pitaya
6 durian
dtype: object
Series对象的apply()和map()方法非常重要，它们可以通过字典或者指定的函数来处理数据，把数据映射或转换成我们想要的样子。这两个方法在数据准备阶段非常重要，我们先来试一试这个名为map的方法。
代码：
ser6 = pd.Series(['cat', 'dog', np.nan, 'rabbit'])
ser6
输出：
0 cat
1 dog
2 NaN
3 rabbit
dtype: object
代码：
ser6.map({'cat': 'kitten', 'dog': 'puppy'})
说明：通过字典给出的映射规则对数据进行处理。
输出：
0 kitten
1 puppy
2 NaN
3 NaN
dtype: object
代码：
ser6.map('I am a {}'.format, na_action='ignore')
说明：将指定字符串的
format方法作用到数据系列的数据上，忽略掉所有的空值。
输出：
0 I am a cat
1 I am a dog
2 NaN
3 I am a rabbit
dtype: object
我们创建一个新的Series对象，
ser7 = pd.Series([20, 21, 12], index=['London', 'New York', 'Helsinki'])
ser7
输出：
London 20
New York 21
Helsinki 12
dtype: int64
代码：
ser7.apply(np.square)
说明：将求平方的函数作用到数据系列的数据上，也可以将参数
np.square替换为lambda x: x ** 2。
输出：
London 400
New York 441
Helsinki 144
dtype: int64
代码：
ser7.apply(lambda x, value: x - value, args=(5, ))
注意：上面
apply方法中的lambda函数有两个参数，第一个参数是数据系列中的数据，而第二个参数需要我们传入，所以我们给apply方法增加了args参数，用于给lambda函数的第二个参数传值。
输出：
London 15
New York 16
Helsinki 7
dtype: int64
取头部值和排序
Series对象的sort_index()和sort_values()方法可以用于对索引和数据的排序，排序方法有一个名为ascending的布尔类型参数，该参数用于控制排序的结果是升序还是降序；而名为kind的参数则用来控制排序使用的算法，默认使用了quicksort，也可以选择mergesort或heapsort；如果存在空值，那么可以用na_position参数空值放在最前还是最后，默认是last，代码如下所示。
代码：
ser8 = pd.Series(
data=[35, 96, 12, 57, 25, 89],
index=['grape', 'banana', 'pitaya', 'apple', 'peach', 'orange']
)
ser8.sort_values() # 按值从小到大排序
输出：
pitaya 12
peach 25
grape 35
apple 57
orange 89
banana 96
dtype: int64
代码：
ser8.sort_index(ascending=False) # 按索引从大到小排序
输出：
pitaya 12
peach 25
orange 89
grape 35
banana 96
apple 57
dtype: int64
如果要从Series对象中找出元素中最大或最小的“Top-N”，我们不需要对所有的值进行排序的，可以使用nlargest()和nsmallest()方法来完成，如下所示。
代码：
ser8.nlargest(3) # 值最大的3个
输出：
banana 96
orange 89
apple 57
dtype: int64
代码：
ser8.nsmallest(2) # 值最小的2个
输出：
pitaya 12
peach 25
dtype: int64
绘制图表
Series对象有一个名为plot的方法可以用来生成图表，如果选择生成折线图、饼图、柱状图等，默认会使用Series对象的索引作为横坐标，使用Series对象的数据作为纵坐标。下面我们创建一个Series对象并基于它绘制柱状图，代码如下所示。
代码：
import matplotlib.pyplot as plt
ser9 = pd.Series({'Q1': 400, 'Q2': 520, 'Q3': 180, 'Q4': 380})
# 通过plot方法的kind指定图表类型为柱状图
ser9.plot(kind='bar')
# 定制纵轴的取值范围
plt.ylim(0, 600)
# 定制横轴刻度（旋转到0度）
plt.xticks(rotation=0)
# 为柱子增加数据标签
for i in range(ser9.size):
plt.text(i, ser9[i] + 5, ser9[i], ha='center')
plt.show()
输出：
我们也可以将其绘制为饼图，代码如下所示。
代码：
# plot方法的kind参数指定了图表类型为饼图
# autopct会自动计算并显示百分比
# pctdistance用来控制百分比到圆心的距离
ser9.plot(kind='pie', autopct='%.1f%%', pctdistance=0.65)
plt.show()
输出：
