（轉(zhuǎn)）https://www.cnblogs.com/nxld/p/6058591.html

Python數(shù)據(jù)分析之pandas學習

Python中的pandas模塊進行數(shù)據(jù)分析囚企。

接下來pandas介紹中將學習到如下8塊內(nèi)容：
1栽燕、數(shù)據(jù)結(jié)構(gòu)簡介：DataFrame和Series
2奸腺、數(shù)據(jù)索引index
3、利用pandas查詢數(shù)據(jù)
4漫仆、利用pandas的DataFrames進行統(tǒng)計分析
5疲恢、利用pandas實現(xiàn)SQL操作
6爹袁、利用pandas進行缺失值的處理
7苹祟、利用pandas實現(xiàn)Excel的數(shù)據(jù)透視表功能
8、多層索引的使用

image

一亚铁、數(shù)據(jù)結(jié)構(gòu)介紹

在pandas中有兩類非常重要的數(shù)據(jù)結(jié)構(gòu)蝇刀，即序列Series和數(shù)據(jù)框DataFrame。Series類似于numpy中的一維數(shù)組徘溢，除了通吃一維數(shù)組可用的函數(shù)或方法吞琐，而且其可通過索引標簽的方式獲取數(shù)據(jù)捆探，還具有索引的自動對齊功能；DataFrame類似于numpy中的二維數(shù)組站粟，同樣可以通用numpy數(shù)組的函數(shù)和方法黍图，而且還具有其他靈活應用，后續(xù)會介紹到奴烙。

1助被、Series的創(chuàng)建

序列的創(chuàng)建主要有三種方式：

1）通過一維數(shù)組創(chuàng)建序列

1. import numpy as np, pandas as pd

2. arr1 = np.arange(10)

3. arr1

4. type(arr1)

5. s1 = pd.Series(arr1)

6. s1

7. type(s1)

2）通過字典的方式創(chuàng)建序列

1. dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}

2. dic1

3. type(dic1)

4. s2 = pd.Series(dic1)

5. s2

6. type(s2)

3）通過DataFrame中的某一行或某一列創(chuàng)建序列

這部分內(nèi)容我們放在后面講，因為下面就開始將DataFrame的創(chuàng)建切诀。

2揩环、DataFrame的創(chuàng)建

數(shù)據(jù)框的創(chuàng)建主要有三種方式：

1）通過二維數(shù)組創(chuàng)建數(shù)據(jù)框

1. arr2 = np.array(np.arange(12)).reshape(4,3)

2. arr2

3. type(arr2)

4. df1 = pd.DataFrame(arr2)

5. df1

6. type(df1)

2）通過字典的方式創(chuàng)建數(shù)據(jù)框

以下以兩種字典來創(chuàng)建數(shù)據(jù)框，一個是字典列表幅虑，一個是嵌套字典丰滑。

1. dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],

2. 'c':[9,10,11,12],'d':[13,14,15,16]}

3. dic2

4. type(dic2)

5. df2 = pd.DataFrame(dic2)

6. df2

7. type(df2)

8. dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},

9. 'two':{'a':5,'b':6,'c':7,'d':8},

10. 'three':{'a':9,'b':10,'c':11,'d':12}}

11. dic3

12. type(dic3)

13. df3 = pd.DataFrame(dic3)

14. df3

15. type(df3)

3）通過數(shù)據(jù)框的方式創(chuàng)建數(shù)據(jù)框

1. df4 = df3[['one','three']]

2. df4

3. type(df4)

4. s3 = df3['one']

5. s3

6. type(s3)

二、數(shù)據(jù)索引index

細致的朋友可能會發(fā)現(xiàn)一個現(xiàn)象倒庵，不論是序列也好褒墨，還是數(shù)據(jù)框也好，對象的最左邊總有一個非原始數(shù)據(jù)對象擎宝，這個是什么呢郁妈？不錯，就是我們接下來要介紹的索引认臊。
在我看來，序列或數(shù)據(jù)框的索引有兩大用處锄奢，一個是通過索引值或索引標簽獲取目標數(shù)據(jù)失晴，另一個是通過索引，可以使序列或數(shù)據(jù)框的計算拘央、操作實現(xiàn)自動化對齊涂屁，下面我們就來看看這兩個功能的應用。

1灰伟、通過索引值或索引標簽獲取數(shù)據(jù)

1. s4 = pd.Series(np.array([1,1,2,3,5,8]))
2. s4

如果不給序列一個指定的索引值拆又，則序列自動生成一個從0開始的自增索引±刚耍可以通過index查看序列的索引：

1. s4.index

現(xiàn)在我們?yōu)樾蛄性O(shè)定一個自定義的索引值：

1. s4.index = ['a','b','c','d','e','f']
2. s4

序列有了索引帖族，就可以通過索引值或索引標簽進行數(shù)據(jù)的獲取：

1. s4[3]
2. s4['e']
3. s4[[1,3,5]]
4. s4[['a','b','d','f']]
5. s4[:4]
6. s4['c':]
7. s4['b':'e']

千萬注意：如果通過索引標簽獲取數(shù)據(jù)的話挡爵，末端標簽所對應的值是可以返回的竖般！在一維數(shù)組中，就無法通過索引標簽獲取數(shù)據(jù)茶鹃，這也是序列不同于一維數(shù)組的一個方面涣雕。

2艰亮、自動化對齊

如果有兩個序列，需要對這兩個序列進行算術(shù)運算挣郭，這時索引的存在就體現(xiàn)的它的價值了—自動化對齊.

1. s5 = pd.Series(np.array([10,15,20,30,55,80]),

2. index = ['a','b','c','d','e','f'])

3. s5

4. s6 = pd.Series(np.array([12,11,13,15,14,16]),

5. index = ['a','c','g','b','d','f'])

6. s6

7. s5 + s6

8. s5/s6

由于s5中沒有對應的g索引迄埃，s6中沒有對應的e索引，所以數(shù)據(jù)的運算會產(chǎn)生兩個缺失值NaN兑障。注意侄非，這里的算術(shù)結(jié)果就實現(xiàn)了兩個序列索引的自動對齊，而非簡單的將兩個序列加總或相除旺垒。對于數(shù)據(jù)框的對齊彩库，不僅僅是行索引的自動對齊，同時也會自動對齊列索引（變量名）

數(shù)據(jù)框中同樣有索引先蒋，而且數(shù)據(jù)框是二維數(shù)組的推廣骇钦，所以其不僅有行索引，而且還存在列索引竞漾，關(guān)于數(shù)據(jù)框中的索引相比于序列的應用要強大的多眯搭，這部分內(nèi)容將放在數(shù)據(jù)查詢中講解。

三业岁、利用pandas查詢數(shù)據(jù)

這里的查詢數(shù)據(jù)相當于R語言里的subset功能鳞仙，可以通過布爾索引有針對的選取原數(shù)據(jù)的子集、指定行笔时、指定列等棍好。我們先導入一個student數(shù)據(jù)集：

1. student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')

查詢數(shù)據(jù)的前5行或末尾5行

1. student.head()
2. student.tail()

查詢指定的行

1. student.ix[[0,2,4,5,7]] #這里的ix索引標簽函數(shù)必須是中括號[]

查詢指定的列

1. student[['Name','Height','Weight']].head() #如果多個列的話，必須使用雙重中括號

也可以通過ix索引標簽查詢指定的列

1. student.ix[:,['Name','Height','Weight']].head()

查詢指定的行和列

1. student.ix[[0,2,4,5,7],['Name','Height','Weight']].head()

以上是從行或列的角度查詢數(shù)據(jù)的子集允耿，現(xiàn)在我們來看看如何通過布爾索引實現(xiàn)數(shù)據(jù)的子集查詢借笙。
查詢所有女生的信息

1. student[student['Sex']=='F']

查詢出所有12歲以上的女生信息

1. student[(student['Sex']=='F') & (student['Age']>12)]

查詢出所有12歲以上的女生姓名、身高和體重

1. student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]

上面的查詢邏輯其實非常的簡單较锡，需要注意的是业稼，如果是多個條件的查詢，必須在&（且）或者|（或）的兩端條件用括號括起來蚂蕴。

四低散、統(tǒng)計分析

pandas模塊為我們提供了非常多的描述性統(tǒng)計分析的指標函數(shù)，如總和骡楼、均值熔号、最小值、最大值等鸟整，我們來具體看看這些函數(shù)：
首先隨機生成三組數(shù)據(jù)

1. np.random.seed(1234)

2. d1 = pd.Series(2*np.random.normal(size = 100)+3)

3. d2 = np.random.f(2,4,size = 100)

4. d3 = np.random.randint(1,100,size = 100)

5. d1.count() #非空元素計算

6. d1.min() #最小值

7. d1.max() #最大值

8. d1.idxmin() #最小值的位置跨嘉，類似于R中的which.min函數(shù)

9. d1.idxmax() #最大值的位置，類似于R中的which.max函數(shù)

10. d1.quantile(0.1) #10%分位數(shù)

11. d1.sum() #求和

12. d1.mean() #均值

13. d1.median() #中位數(shù)

14. d1.mode() #眾數(shù)

15. d1.var() #方差

16. d1.std() #標準差

17. d1.mad() #平均絕對偏差

18. d1.skew() #偏度

19. d1.kurt() #峰度

20. d1.describe() #一次性輸出多個描述性統(tǒng)計指標

必須注意的是，descirbe方法只能針對序列或數(shù)據(jù)框祠乃，一維數(shù)組是沒有這個方法的

這里自定義一個函數(shù)梦重，將這些統(tǒng)計描述指標全部匯總到一起:

1. def stats(x):
2. return pd.Series([x.count(),x.min(),x.idxmin(),
3. x.quantile(.25),x.median(),
4. x.quantile(.75),x.mean(),
5. x.max(),x.idxmax(),
6. x.mad(),x.var(),
7. x.std(),x.skew(),x.kurt()],
8. index = ['Count','Min','Whicn_Min',
9. 'Q1','Median','Q3','Mean',
10. 'Max','Which_Max','Mad',
11. 'Var','Std','Skew','Kurt'])
12. stats(d1)

在實際的工作中，我們可能需要處理的是一系列的數(shù)值型數(shù)據(jù)框亮瓷，如何將這個函數(shù)應用到數(shù)據(jù)框中的每一列呢琴拧？可以使用apply函數(shù)，這個非常類似于R中的apply的應用方法嘱支。
將之前創(chuàng)建的d1,d2,d3數(shù)據(jù)構(gòu)建數(shù)據(jù)框:

1. df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
2. df.head()
3. df.apply(stats)

非常完美蚓胸，就這樣很簡單的創(chuàng)建了數(shù)值型數(shù)據(jù)的統(tǒng)計性描述。如果是離散型數(shù)據(jù)呢除师？就不能用這個統(tǒng)計口徑了沛膳，我們需要統(tǒng)計離散變量的觀測數(shù)、唯一值個數(shù)汛聚、眾數(shù)水平及個數(shù)锹安。你只需要使用describe方法就可以實現(xiàn)這樣的統(tǒng)計了。

1. student['Sex'].describe()

除以上的簡單描述性統(tǒng)計之外倚舀，還提供了連續(xù)變量的相關(guān)系數(shù)（corr）和協(xié)方差矩陣（cov）的求解叹哭，這個跟R語言是一致的用法。

1. df.corr()

關(guān)于相關(guān)系數(shù)的計算可以調(diào)用pearson方法或kendell方法或spearman方法痕貌，默認使用pearson方法风罩。

1. df.corr('spearman')

如果只想關(guān)注某一個變量與其余變量的相關(guān)系數(shù)的話，可以使用corrwith,如下方只關(guān)心x1與其余變量的相關(guān)系數(shù):

1. df.corrwith(df['x1'])

數(shù)值型變量間的協(xié)方差矩陣

1. df.cov()

   五舵稠、類似于SQL的操作

   在SQL中常見的操作主要是增超升、刪、改哺徊、查幾個動作室琢，那么pandas能否實現(xiàn)對數(shù)據(jù)的這幾項操作呢？答案是Of Course!

   增：添加新行或增加新列

   1. In [99]: dic = {'Name':['LiuShunxiang','Zhangshan'],

   2. ...: 'Sex':['M','F'],'Age':[27,23],

   3. ...: 'Height':[165.7,167.2],'Weight':[61,63]}

   4. In [100]: student2 = pd.DataFrame(dic)

   5. In [101]: student2

   6. Out[101]:

   7. Age Height Name Sex Weight

   8. 0 27 165.7 LiuShunxiang M 61

   9. 1 23 167.2 Zhangshan F 63

   現(xiàn)在將student2中的數(shù)據(jù)新增到student中唉工，可以通過concat函數(shù)實現(xiàn)：

   
   
   image

   注意到了嗎研乒？在數(shù)據(jù)庫中union必須要求兩張表的列順序一致汹忠，而這里concat函數(shù)可以自動對齊兩個數(shù)據(jù)框的變量淋硝！

   新增列的話，其實在pandas中就更簡單了宽菜，例如在student2中新增一列學生成績：

   
   
   image

   對于新增的列沒有賦值谣膳，就會出現(xiàn)空NaN的形式。

   刪：刪除表铅乡、觀測行或變量列

   刪除數(shù)據(jù)框student2,通過del命令實現(xiàn)继谚，該命令可以刪除Python的所有對象。

   
   
   image

   刪除指定的行

   
   
   image

   原數(shù)據(jù)中的第1,2,4,7行的數(shù)據(jù)已經(jīng)被刪除了阵幸。
   根據(jù)布爾索引刪除行數(shù)據(jù)花履，其實這個刪除就是保留刪除條件的反面數(shù)據(jù)芽世，例如刪除所有14歲以下的學生：

   
   
   image

   刪除指定的列

   
   
   image

   我們發(fā)現(xiàn)，不論是刪除行還是刪除列诡壁，都可以通過drop方法實現(xiàn)济瓢，只需要設(shè)定好刪除的軸即可，即調(diào)整drop方法中的axis參數(shù)妹卿。默認該參數(shù)為0旺矾，表示刪除行觀測，如果需要刪除列變量夺克，則需設(shè)置為1箕宙。

   改：修改原始記錄的值

   如果發(fā)現(xiàn)表中的某些數(shù)據(jù)錯誤了，如何更改原來的值呢铺纽？我們試試結(jié)合布爾索引和賦值的方法：
   例如發(fā)現(xiàn)student3中姓名為Liushunxiang的學生身高錯了柬帕，應該是173，如何改呢室囊？

   
   
   image

   這樣就可以把原來的身高修改為現(xiàn)在的170了雕崩。
   看，關(guān)于索引的操作非常靈活融撞、方便吧盼铁，就這樣輕松搞定數(shù)據(jù)的更改。

   查：有關(guān)數(shù)據(jù)查詢部分尝偎，上面已經(jīng)介紹過饶火，下面重點講講聚合、排序和多表連接操作致扯。

   聚合：pandas模塊中可以通過groupby()函數(shù)實現(xiàn)數(shù)據(jù)的聚合操作

   根據(jù)性別分組肤寝，計算各組別中學生身高和體重的平均值：

   
   
   image

   如果不對原始數(shù)據(jù)作限制的話，聚合函數(shù)會自動選擇數(shù)值型數(shù)據(jù)進行聚合計算抖僵。如果不想對年齡計算平均值的話鲤看，就需要剔除改變量：

   
   
   image

   groupby還可以使用多個分組變量，例如根本年齡和性別分組耍群，計算身高與體重的平均值：

   
   
   image

   當然义桂，還可以對每個分組計算多個統(tǒng)計量：

   
   
   image

   是不是很簡單，只需一句就能完成SQL中的SELECT…FROM…GROUP BY…功能蹈垢，何樂而不為呢慷吊？

   排序：

   排序在日常的統(tǒng)計分析中還是比較常見的操作，我們可以使用order曹抬、sort_index和sort_values實現(xiàn)序列和數(shù)據(jù)框的排序工作：

   
   
   image

   我們再試試降序排序的設(shè)置：

   
   
   image

   上面兩個結(jié)果其實都是按值排序溉瓶，并且結(jié)果中都給出了警告信息，即建議使用sort_values()函數(shù)進行按值排序。

   在數(shù)據(jù)框中一般都是按值排序堰酿，例如：

   
   
   image

   多表連接:

   多表之間的連接也是非常常見的數(shù)據(jù)庫操作疾宏，連接分內(nèi)連接和外連接，在數(shù)據(jù)庫語言中通過join關(guān)鍵字實現(xiàn)触创，pandas我比較建議使用merger函數(shù)實現(xiàn)數(shù)據(jù)的各種連接操作灾锯。
   如下是構(gòu)造一張學生的成績表：

   
   
   image

   現(xiàn)在想把學生表student與學生成績表score做一個關(guān)聯(lián)，該如何操作呢嗅榕？

   
   
   image

   注意顺饮，默認情況下，merge函數(shù)實現(xiàn)的是兩個表之間的內(nèi)連接凌那，即返回兩張表中共同部分的數(shù)據(jù)兼雄。可以通過how參數(shù)設(shè)置連接的方式帽蝶，left為左連接赦肋；right為右連接；outer為外連接励稳。

   
   
   image

   左連接實現(xiàn)的是保留student表中的所有信息佃乘，同時將score表的信息與之配對，能配多少配多少驹尼，對于沒有配對上的Name趣避，將會顯示成績?yōu)镹aN。

2. 六新翎、缺失值處理

   現(xiàn)實生活中的數(shù)據(jù)是非常雜亂的程帕，其中缺失值也是非常常見的，對于缺失值的存在可能會影響到后期的數(shù)據(jù)分析或挖掘工作地啰，那么我們該如何處理這些缺失值呢愁拭？常用的有三大類方法，即刪除法亏吝、填補法和插值法岭埠。
   刪除法：當數(shù)據(jù)中的某個變量大部分值都是缺失值，可以考慮刪除改變量蔚鸥；當缺失值是隨機分布的惜论，且缺失的數(shù)量并不是很多是，也可以刪除這些缺失的觀測株茶。
   替補法：對于連續(xù)型變量来涨，如果變量的分布近似或就是正態(tài)分布的話图焰，可以用均值替代那些缺失值启盛；如果變量是有偏的，可以使用中位數(shù)來代替那些缺失值；對于離散型變量僵闯，我們一般用眾數(shù)去替換那些存在缺失的觀測卧抗。
   插補法：插補法是基于蒙特卡洛模擬法，結(jié)合線性模型鳖粟、廣義線性模型社裆、決策樹等方法計算出來的預測值替換缺失值。

   我們這里就介紹簡單的刪除法和替補法：

   
   
   image

   這是一組含有缺失值的序列向图，我們可以結(jié)合sum函數(shù)和isnull函數(shù)來檢測數(shù)據(jù)中含有多少缺失值：

   1. In [130]: sum(pd.isnull(s))
   2. Out[130]: 9

   直接刪除缺失值

   
   
   image

   默認情況下泳秀，dropna會刪除任何含有缺失值的行，我們再構(gòu)造一個數(shù)據(jù)框試試：

   
   
   image

   返回結(jié)果表明榄攀，數(shù)據(jù)中只要含有缺失值NaN,該數(shù)據(jù)行就會被刪除嗜傅，如果使用參數(shù)how=’all’，則表明只刪除所有行為缺失值的觀測檩赢。

   
   
   image

   使用一個常量來填補缺失值吕嘀，可以使用fillna函數(shù)實現(xiàn)簡單的填補工作：
   1）用0填補所有缺失值

   
   
   image

   2)采用前項填充或后向填充

   
   
   image

   3)使用常量填充不同的列

   
   
   image

   4)用均值或中位數(shù)填充各自的列

   
   
   image

   很顯然，在使用填充法時贞瞒，相對于常數(shù)填充或前項偶房、后項填充，使用各列的眾數(shù)军浆、均值或中位數(shù)填充要更加合理一點棕洋，這也是工作中常用的一個快捷手段。

   七乒融、數(shù)據(jù)透視表

   在Excel中有一個非常強大的功能就是數(shù)據(jù)透視表锈麸，通過托拉拽的方式可以迅速的查看數(shù)據(jù)的聚合情況，這里的聚合可以是計數(shù)只磷、求和简软、均值、標準差等碟摆。
   pandas為我們提供了非常強大的函數(shù)pivot_table()晃财，該函數(shù)就是實現(xiàn)數(shù)據(jù)透視表功能的。對于上面所說的一些聚合函數(shù)典蜕，可以通過參數(shù)aggfunc設(shè)定断盛。我們先看看這個函數(shù)的語法和參數(shù)吧：

   1. pivot_table(data,values=None,
   2. index=None,
   3. columns=None,
   4. aggfunc='mean',
   5. fill_value=None,
   6. margins=False,
   7. dropna=True,
   8. margins_name='All')
   9. data：需要進行數(shù)據(jù)透視表操作的數(shù)據(jù)框
   10. values：指定需要聚合的字段
   11. index：指定某些原始變量作為行索引
   12. columns：指定哪些離散的分組變量
   13. aggfunc：指定相應的聚合函數(shù)
   14. fill_value：使用一個常數(shù)替代缺失值，默認不替換
   15. margins：是否進行行或列的匯總愉舔，默認不匯總
   16. dropna：默認所有觀測為缺失的列
   17. margins_name：默認行匯總或列匯總的名稱為'All'

   我們?nèi)匀灰詓tudent表為例钢猛，來認識一下數(shù)據(jù)透視表pivot_table函數(shù)的用法：
   對一個分組變量（Sex），一個數(shù)值變量（Height）作統(tǒng)計匯總

   
   
   image

   對一個分組變量（Sex）轩缤，兩個數(shù)值變量（Height,Weight）作統(tǒng)計匯總

   
   
   image

   對兩個分組變量（Sex命迈，Age)贩绕，兩個數(shù)值變量（Height,Weight）作統(tǒng)計匯總

   
   
   image

   很顯然這樣的結(jié)果并不像Excel中預期的那樣，該如何變成列聯(lián)表的形式的壶愤？很簡單淑倾，只需將結(jié)果進行非堆疊操作（unstack）即可：

   
   
   image

   看，這樣的結(jié)果是不是比上面那種看起來更舒服一點征椒？

   使用多個聚合函數(shù)

   
   
   image

   有關(guān)更多數(shù)據(jù)透視表的操作娇哆，可參考《Pandas透視表（pivot_table）詳解》一文，鏈接地址：http://python.jobbole.com/81212/

   八勃救、多層索引的使用

   最后我們再來講講pandas中的一個重要功能碍讨，那就是多層索引。在序列中它可以實現(xiàn)在一個軸上擁有多個索引蒙秒，就類似于Excel中常見的這種形式：

   
   
   image

   對于這樣的數(shù)據(jù)格式有什么好處呢垄开？pandas可以幫我們實現(xiàn)用低維度形式處理高維數(shù)數(shù)據(jù)，這里舉個例子也許你就能明白了：

   
   
   image

   對于這種多層次索引的序列税肪，取數(shù)據(jù)就顯得非常簡單了：

   
   
   image

   對于這種多層次索引的序列溉躲，我們還可以非常方便的將其轉(zhuǎn)換為數(shù)據(jù)框的形式：

   
   
   image

   以上針對的是序列的多層次索引，數(shù)據(jù)框也同樣有多層次的索引益兄，而且每條軸上都可以有這樣的索引锻梳，就類似于Excel中常見的這種形式：

   
   
   image

   我們不妨構(gòu)造一個類似的高維數(shù)據(jù)框：

   
   
   image

   同樣，數(shù)據(jù)框中的多層索引也可以非常便捷的取出大塊數(shù)據(jù)：

   
   
   image

   在數(shù)據(jù)框中使用多層索引净捅，可以將整個數(shù)據(jù)集控制在二維表結(jié)構(gòu)中疑枯，這對于數(shù)據(jù)重塑和基于分組的操作（如數(shù)據(jù)透視表的生成）比較有幫助。
   就拿student二維數(shù)據(jù)框為例蛔六，我們構(gòu)造一個多層索引數(shù)據(jù)集：

   
   
   image

   講到這里荆永，我們關(guān)于pandas模塊的學習基本完成，其實在掌握了pandas這8個主要的應用方法就可以靈活的解決很多工作中的數(shù)據(jù)處理国章、統(tǒng)計分析等任務(wù)具钥。有關(guān)更多的pandas介紹，可參考pandas官方文檔：http://pandas.pydata.org/pandas-docs/version/0.17.0/whatsnew.html液兽。