Pandas

Pandas是Python中用于数据处理和分析的库，尤其对于大数据行业的数据清洗很有帮助。

通过带有标签的列和索引，Pandas 使我们可以以一种所有人都能理解的方式来处理数据。它可以让我们毫不费力地从诸如 csv 类型的文件中导入数据。我们可以用它快速地对数据进行复杂的转换和过滤等操作。

Pandas

开始使用Pandas

对于使用 Python 库，第一步必然是import：

import pandas as pd

数据类型 Data types

Pandas 基于两种数据类型，series 和 dataframe。

series 是一种一维的数据类型，其中的每个元素都有各自的标签。可以当作一个由带标签的元素组成的 numpy 数组。标签可以是数字或者字符。
dataframe 是一个二维的、表格型的数据结构。Pandas 的 dataframe 可以储存许多不同类型的数据，并且每个轴都有标签。你可以把它当作一个 series 的字典。

文件操作

从文件导入数据

read_csv()：读取csv文件为dataframe

# Reading a csv into Pandas.
df = pd.read_csv('uk_rain_2014.csv', header=0)

read_excel()：用法类似read_csv()，用来读取Excel文件
df.head()：查看前5行数据
df.tail()：查看前最后5行数据

保存数据

to_csv()：dataframe存入csv文件

# Reading a csv into Pandas.
df.to_csv('new.csv')

数据操作

列操作 Column operations

获取一列，返回的是series：
- df['rain_octsep']
- df.rain_octsep：也像访问属性一样访问列
获取多列：df[['water_year', 'rain_octsep']]

Change Column labels 改变列标签

df.columns = ['water_year','rain_octsep', 'outflow_octsep',
            'rain_decfeb', 'outflow_decfeb',
            'rain_junaug', 'outflow_junaug']

行操作 Row operations

len(df)：返回数据集的总行数

单元格操作 Cell operations

df.ix[i, j]：返回i行j列的单元格数据，i、j可以是index或者label
df.ix[i0:i1, j0:j1]：支持slicing，返回一个sub-dataframe
df.['label'].unique()：获得唯一的值列表

数据筛选

根据column范围筛选数据（布尔过滤 boolean masking）：
- 注意：条件里不能用 and 关键字，因为会引发操作顺序的问题。必须用 & 和圆括号。
- 当使用字符串过滤时，需要用.str.[string method]，而不能直接在字符串上调用字符方法。
```
df1 = df[df['Released'] >= 1980]        # 年份大于1980的所有数据
df[(df.rain_octsep < 1000) & (df.outflow_octsep < 4000)]
df[df.water_year.str.startswith('199')] # 使用字符串过滤
```

索引 Index

可以根据索引来获取某一行，而且获取行数据的方法是根据标签的类型变化而变化的。

如果标签是数字型的，可以通过 iloc 来引用：
```
df.iloc[30] # 获得index是30的行数据
```
也许数据集中有年份或者年龄的列，可能想通过年份或年龄来引用行，这时候就可以设置一个（或者多个）新的索引：
```
df = df.set_index(['water_year'])
df.head(5)
```
上面的代码仅将 water_year 列设置为索引。如果想设置多个索引，只需要在list中加入多个列的名字即可。
```
df.loc['2000/01']
```
还有一个引用列的常用常用方法 ix 。loc 是基于标签的，而 iloc 是基于数字的，而 ix 是基于标签的查询方法，但它同时也支持数字型索引作为备选。注意：ix 具有轻微的不可预测性，它所支持的数字型索引只是备选，可能会导致 ix 产生一些奇怪的结果，比如将一个数字解释为一个位置。而使用 iloc 和 loc 会很安全、可预测。但 ix 比 iloc 和 loc 要快一些。

排序 Sort

将索引排序通常会很有用，在 Pandas 中，我们可以对 dataframe 调用 sort_index 方法进行排序。

df.sort_index(ascending=False)

当将一列设置为索引的时候，它就不再是数据的一部分了。如果你想将索引恢复为数据，调用set_index 相反的方法 reset_index 即可：

对数据集应用函数

有时你想对数据集中的数据进行改变或者某种操作。比方说，你有一列年份的数据，你需要新的一列来表示这些年份对应的年代。Pandas 中有两个非常有用的函数， apply 和 applymap 。

def base_year(year):
    base_year = year[:4]
    base_year= pd.to_datetime(base_year).year
    return base_year

df['year'] = df.water_year.apply(base_year)
df.head(5)

操作数据集的结构

groupby()
max() 、 min() 、mean()
unstack()
pivot()：旋转

合并数据集

将有两个相关联的数据集放在一起：

rain_jpn = pd.read_csv('jpn_rain.csv')
rain_jpn.columns = ['year', 'jpn_rainfall']
uk_jpn_rain = df.merge(rain_jpn, on='year')
uk_jpn_rain.head(5)

需要通过 on 关键字来指定需要合并的列。通常你可以省略这个参数，Pandas 将会自动选择要合并的列。

快速画图

Matplotlib 很棒，但是想要绘制出还算不错的图表却要写不少代码，而有时你只是想粗略的做个图来探索下数据，搞清楚数据的含义。Pandas 通过 plot 来解决这个问题：

uk_jpn_rain.plot(x='year', y=['rain_octsep', 'jpn_rainfall'])

References

回到目录