关于机器学习:前置机器学习四一文掌握Pandas用法

Pandas提供疾速，灵便和富于表现力的数据结构，是弱小的数据分析Python库。

本文收录于机器学习前置教程系列。

一、Series和DataFrame

Pandas建设在NumPy之上，更多NumPy相干的知识点能够参考我之前写的文章前置机器学习（三）：30分钟把握罕用NumPy用法。
Pandas特地适宜解决表格数据，如SQL表格、EXCEL表格。有序或无序的工夫序列。具备行和列标签的任意矩阵数据。

关上Jupyter Notebook，导入numpy和pandas开始咱们的教程：

import numpy as npimport pandas as pd

1. pandas.Series

Series是带有索引的一维ndarray数组。索引值可不惟一，但必须是可哈希的。

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

输入：

0    1.01    3.02    5.03    NaN4    6.05    8.0dtype: float64

咱们能够看到默认索引值为0、1、2、3、4、5这样的数字。增加index属性，指定其为'c','a','i','yong','j','i'。

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

输入如下，咱们能够看到index是可反复的。

c       1.0a       3.0i       5.0yong    NaNj       6.0i       8.0dtype: float64

2. pandas.DataFrame

DataFrame是带有行和列的表格构造。能够了解为多个Series对象的字典构造。

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

输入表格如下，其中index对应它的行，columns对应它的列。

二、Pandas常见用法

1. 拜访数据

筹备数据，随机生成6行4列的二维数组，行标签为从20210101到20210106的日期，列标签为A、B、C、D。

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

展现表格如下：

1.1 head()和tail()

查看表格前几行：

df.head(2)

展现表格如下：

查看表格后几行：

df.tail(3)

展现表格如下：

1.2 describe()

describe办法用于生成DataFrame的描述统计信息。能够很不便的查看数据集的散布状况。留神，这里的统计散布不蕴含NaN值。

df.describe()

展现如下：

咱们首先回顾一下咱们把握的数学公式。

平均数(mean)：

$$\bar x = \frac{\sum_{i=1}^{n}{x_i}}{n}$$

方差(variance):

$$s^2 = \frac{\sum_{i=1}^{n}{(x_i -\bar x)^2}}{n}$$

标准差(std):

$$s = \sqrt{\frac{\sum_{i=1}^{n}{(x_i -\bar x)^2}}{n}}$$

咱们解释一下pandas的describe统计信息各属性的意义。咱们仅以 A 列为例。

• count示意计数。A列有6个数据不为空。
• mean示意平均值。A列所有不为空的数据平均值为0.0825402。
• std示意标准差。A列的标准差为0.551412。
• min示意最小值。A列最小值为-0.816064。即，0%的数据比-0.816064小。
• 25%示意四分之一分位数。A列的四分之一分位数为-0.18。即，25%的数据比-0.18小。
• 50%示意二分之一分位数。A列的四分之一分位数为0.298188。即，50%的数据比0.298188小。
• 75%示意四分之三分位数。A列的四分之三分位数为0.342885。即，75%的数据比0.342885小。
• max示意最大值。A列的最大值为0.696541。即，100%的数据比0.696541小。

1.3 T

T个别示意Transpose的缩写，即转置。行列转换。

df.T

展现表格如下：

1.4 sort_values()

指定某一列进行排序，如下代码依据C列进行正序排序。

df.sort_values(by='C')

展现表格如下：

1.5 nlargest()

抉择某列最大的n行数据。如：df.nlargest(2,'A')示意，返回A列最大的2行数据。

df.nlargest(2,'A')

展现表格如下：

1.6 sample()

sample办法示意查看随机的样例数据。

df.sample(5)示意返回随机5行数据。

df.sample(5)

参数frac示意fraction，分数的意思。frac=0.01即返回1%的随机数据作为样例展现。

df.sample(frac=0.01)

2. 抉择数据

2.1 依据标签抉择

咱们输出df['A']命令选取A列。

df['A']

输入A列数据，同时也是一个Series对象：

2021-01-01    0.2709612021-01-02    0.6965412021-01-03    0.3254152021-01-04   -0.3303202021-01-05    0.3487082021-01-06   -0.816064Name: A, dtype: float64

df[0:3]该代码与df.head(3)同理。但df[0:3]是NumPy的数组抉择形式，这阐明了Pandas对于NumPy具备良好的反对。

df[0:3]

展现表格如下：

通过loc办法指定行列标签。

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

展现表格如下：

2.2 依据地位抉择

iloc 与loc不同。loc指定具体的标签，而iloc指定标签的索引地位。df.iloc[3:5, 0:3]示意选取索引为3、4的行，索引为0、1、2的列。即，第4、5行，第1、2、3列。
留神，索引序号从0开始。冒号示意区间，左右两侧别离示意开始和完结。如3:5示意左开右闭区间[3,5)，即不蕴含5本身。

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

df.iloc[:, 1:3]

2.3 布尔索引

DataFrame可依据条件进行筛选，当条件判断True时，返回。当条件判断为False时，过滤掉。

咱们设置一个过滤器用来判断A列是否大于0。

filter = df['A'] > 0filter

输入后果如下，能够看到2021-01-04和2021-01-06的行为False。

2021-01-01     True2021-01-02     True2021-01-03     True2021-01-04    False2021-01-05     True2021-01-06    FalseName: A, dtype: bool

咱们通过过滤器查看数据集。

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

查看表格咱们能够发现，2021-01-04和2021-01-06的行被过滤掉了。

3. 解决缺失值

筹备数据。

df2 = df.copy()df2.loc[:3, 'E'] = 1.0f_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

展现表格如下：

3.1 dropna()

应用dropna办法清空NaN值。留神：dropa办法返回新的DataFrame，并不会扭转原有的DataFrame。

df2.dropna(how='any')

以上代码示意，当行数据有任意的数值为空时，删除。

3.2 fillna()

应用filna命令填补NaN值。

df2.fillna(df2.mean())

以上代码示意，应用每一列的平均值来填补空缺。同样地，fillna并不会更新原有的DataFrame，如需更新原有DataFrame应用代码df2 = df2.fillna(df2.mean())。

展现表格如下：

4. 操作方法

4.1 agg()

agg是Aggregate的缩写，意为聚合。

罕用聚合办法如下：

• 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    0.082540B    0.049755C   -0.181309D    0.228960dtype: float64

可通过加参数axis查看行平均值。

df.mean(axis=1)

输入：

2021-01-01    0.2606112021-01-02   -0.3778602021-01-03    0.2174702021-01-04   -0.2960532021-01-05    0.4981562021-01-06   -0.032404dtype: float64

如果咱们想查看某一列的多项聚合统计怎么办？
这时咱们能够调用agg办法：

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

返回结果显示标准差std和均值mean：

std     0.551412mean    0.082540Name: A, dtype: float64

对于不同的列利用不同的聚合函数：

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

返回后果如下：

4.2 apply()

apply()是对办法的调用。
如df.apply(np.sum)示意每一列调用np.sum办法，返回每一列的数值和。

df.apply(np.sum)

输入后果为：

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

apply办法反对lambda表达式。

df.apply(lambda n: n*2)

4.3 value_counts()

value_counts办法查看各行、列的数值反复统计。
咱们从新生成一些整数数据，来保障有肯定的数据反复。

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

调用value_counts()办法。

df3['A'].value_counts()

查看输入咱们能够看到 A列的数字8有两个，其余数字的数量为1。

8    27    15    14    11    1Name: A, dtype: int64

4.4 str

Pandas内置字符串解决办法。

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

通过以上代码咱们将Series中的字符串全副设置为大写。

0    ANDREW1      BOBO2    CLAIRE3     DAVID4         4dtype: object

首字母大写：

names.str.capitalize()

输入为：

0    Andrew1      Bobo2    Claire3     David4         4dtype: object

判断是否为数字：

names.str.isdigit()

输入为：

0    False1    False2    False3    False4     Truedtype: bool

字符串宰割：

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

以逗号宰割字符串，后果为：

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

5. 合并

5.1 concat()

concat用来将数据集串联起来。咱们先筹备数据。

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)

应用concat办法将两个数据集串联起来。

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

失去表格：

5.2 merge()

merge相当于SQL操作中的join办法，用于将两个数据集通过某种关系连接起来

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']})

咱们依据name来连贯两个张表，连贯形式为outer。

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

返回后果为：

咱们留神，how : {'left', 'right', 'outer', 'inner'} 有4种连贯形式。示意是否选取左右两侧表的nan值。如left示意保留左侧表中所有数据，当遇到右侧表数据为nan值时，不显示右侧的数据。
简略来说，把left表和right表看作两个汇合。

• left示意取左表全副汇合+两表交加
• right示意取右表全副汇合+两表交加
• outer示意取两表并集
• inner示意取两表交加

6. 分组GroupBy

Pandas中的分组性能十分相似于SQL语句SELECT Column1, Column2, mean(Column3), sum(Column4)FROM SomeTableGROUP BY Column1, Column2。即便没有接触过SQL也没有关系，分组就相当于把表格数据依照某一列进行拆分、统计、合并的过程。

筹备数据。

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

能够看到，咱们的A列和B列有很多反复数据。这时咱们能够依据foo/bar或者one/two进行分组。

6.1 单列分组

咱们利用groupby办法将上方表格中的数据进行分组。

df.groupby('A')

执行上方代码能够看到，groupby办法返回的是一个类型为DataFrameGroupBy的对象。咱们无奈间接查看，须要利用聚合函数。参考本文4.1节。

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

咱们利用聚合函数sum试试。

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

展现表格如下：

6.2 多列分组

groupby办法反对将多个列作为参数传入。

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

分组后显示后果如下：

6.3 利用多聚合办法

咱们利用agg()，将聚合办法数组作为参数传入办法。下方代码依据A分类且只统计C列的数值。

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

能够看到bar组与foo组各聚合函数的后果如下：

6.4 不同列进行不同聚合统计

下方代码对C、D列别离进行不同的聚合统计，对C列进行求和，对D列进行标准差统计。

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

输入如下：

6.5 更多

更多对于Pandas的goupby办法请参考官网:https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html

三、Pandas 进阶用法

1. reshape

reshape示意重塑表格。对于简单表格，咱们须要将其转换成适宜咱们了解的样子，比方依据某些属性分组后进行独自统计。

1.1 stack() 和 unstack()

stack办法将表格分为索引和数据两个局部。索引各列保留，数据重叠搁置。

筹备数据。

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'])

依据上方代码，咱们创立了一个复合索引。

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

咱们创立一个具备复合索引的DataFrame。

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

输入如下：

咱们执行stack办法。

stacked = df.stack()stacked

输入重叠（压缩）后的表格如下。留神：你应用Jupyter Notebook/Lab进行的输入可能和如下后果不太一样。下方输入的各位为了不便在Markdown中显示有肯定的调整。

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

咱们执行unstack将数据进行开展。

stacked.unstack()

输入原表格。

咱们退出参数level。

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

当level=0时失去如下输入，大家能够试试level=1时输入什么。

1.2 pivot_table()

pivot_table示意透视表，是一种对数据动静排布并且分类汇总的表格格局。

咱们生成无索引列的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

展现表格如下：

通过观察数据，咱们能够显然得出A、B、C列的具备肯定属性含意。咱们执行pivot_table办法。

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

上方代码的意思为，将D、E列作为数据列，A、B作为复合行索引，C的数据值作为列索引。

2. 工夫序列

date_range是Pandas自带的生成日期距离的办法。咱们执行下方代码：

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

date_range办法从2021年1月1日0秒开始，以1秒作为工夫距离执行100次时间段的划分。输入后果如下：

2021-01-01 00:00:00    4752021-01-01 00:00:01    1452021-01-01 00:00:02     132021-01-01 00:00:03    2402021-01-01 00:00:04    183                      ... 2021-01-01 00:01:35    4132021-01-01 00:01:36    3302021-01-01 00:01:37    2722021-01-01 00:01:38    3042021-01-01 00:01:39    151Freq: S, Length: 100, dtype: int32

咱们将freq的参数值从S(second)改为M(Month)试试看。

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

输入：

2021-01-31    3112021-02-28    2562021-03-31    3272021-04-30    1512021-05-31    484             ... 2028-12-31    1702029-01-31    4922029-02-28    2052029-03-31     902029-04-30    446Freq: M, Length: 100, dtype: int32

咱们设置能够以季度作为频率进行日期生成。

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

输入2018第一季度到2020第四季度间的全副季度。

2018Q1    0.8330252018Q2   -0.5095142018Q3   -0.7355422018Q4   -0.2244032019Q1   -0.1197092019Q2   -1.3794132019Q3    0.8717412019Q4    0.8774932020Q1    0.5776112020Q2   -0.3657372020Q3   -0.4734042020Q4    0.529800Freq: Q-NOV, dtype: float64

3. 分类

Pandas有一种非凡的数据类型叫做"目录"，即dtype="category"，咱们依据将某些列设置为目录来进行分类。

筹备数据。

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

咱们增加一个新列grade并将它的数据类型设置为category。

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

咱们能够看到grade列只有3种值a,b,e。

0    a1    b2    b3    a4    a5    eName: grade, dtype: categoryCategories (3, object): ['a', 'b', 'e']

咱们按程序替换a、b、e为very good、good、very bad。

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

此时的表格为：

咱们对表格进行排序：

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

查看各类别的数量：

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

以上代码输入为：

gradevery good    3good         2very bad     1dtype: int64

4. IO

Pandas反对间接从文件中读写数据，如CSV、JSON、EXCEL等文件格式。Pandas反对的文件格式如下。

咱们仅以CSV文件为例作为解说。其余格局请参考上方表格。

咱们从CSV文件导入数据。大家不必特地在意下方网址的域名地址。

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

查看前5行数据：

df.head(5)

5. 绘图

Pandas反对matplotlib，matplotlib是功能强大的Python可视化工具。本节仅对Pandas反对的绘图办法进行简略介绍，咱们将会在下一篇文章中进行matplotlib的具体介绍。为了不错过更新，欢送大家关注我。

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

咱们间接调用plot办法进行展现。
这里有两个须要留神的中央：

1. 该plot办法是通过Pandas调用的plot办法，而非matplotlib。
2. 咱们晓得Python语言是无需分号进行完结语句的。此处的分号示意执行绘图渲染后间接显示图像。

df.plot();

df.plot.bar();

df.plot.bar(stacked=True);

四、更多

咱们下篇将解说matplotlib的相干知识点，欢送关注机器学习前置教程系列，或我的集体博客http://blog.caiyongji.com/同步更新。