合并数据集 - pandas.merge 可根据一个或多个键将不同 DataFrame 中的行连接起来。
- pandas.concat 可以沿着一条轴将多个对象堆叠到一起
- 实例方法 combine_first 可以用一个对象中的值填充另一个对象中对应位置的缺失值
使用键参数的 DataFrame 合并 pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True) 用于通过一个或多个键将两个数据集的行连接起来,类似于 SQL 中的 JOIN。该函数的典型应用场景是,针对同一个主键存在两张包含不同字段的表,现在我们想把他们整合到一张表里。在此典型情况下,结果集的行数并没有增加,列数则为两个元数据的列数和减去连接键的数量。 on=None 用于显示指定列名(键名),如果该列在两个对象上的列名不同,则可以通过 left_on=None, right_on=None 来分别指定。或者想直接使用行索引作为连接键的话,就将 left_index=False, right_index=False 设为 True。 how='inner' 参数指的是当左右两个对象中存在不重合的键时,取结果的方式:inner 代表交集;outer 代表并集;left 和 right 分别为取一边。 suffixes=('_x','_y') 指的是当左右对象中存在除连接键外的同名列时,结果集中的区分方式,可以各加一个小尾巴。 对于多对多连接,结果采用的是行的笛卡尔积。 示例: >>> df1 = DataFrame({'key':['a','a','b','b'],'data1':range(4)})>>> df2 = DataFrame({'key':['b','b','c','c'],'data2':range(4)})>>> pd.merge(df1,df2) data1 key data20 2 b 01 2 b 12 3 b 03 3 b 1[4 rows x 3 columns]>>> pd.merge(df1,df2,how='left') data1 key data20 0 a NaN1 1 a NaN2 2 b 03 2 b 14 3 b 05 3 b 1[6 rows x 3 columns]>>> pd.merge(df1,df2,left_index=True,right_index=True) data1 key_x data2 key_y0 0 a 0 b1 1 a 1 b2 2 b 2 c3 3 b 3 c[4 rows x 4 columns] DataFrame 还有一个方法:.join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) ,它能更方便地实现按索引合并。它还可以用于合并多个带有相同或相似索引的 DataFrame 对象,而不管他们之间有没有重叠的列。值得注意的是它的参数里 lsuffix='' , rsuffix='' 并没有给出默认值,所以当你的对象中有列重叠(columns overlap)时需要显示指定 suffix 参数,否则会报 ValueError: >>> df1.join(df2,rsuffix='_2') data1 key data2 key_20 0 a 0 b1 1 a 1 b2 2 b 2 c3 3 b 3 c[4 rows x 4 columns]
轴向连接 merge 算是一种整合的话,轴向连接 pd.concat() 就是单纯地把两个表拼在一起,这个过程也被称作连接(concatenation)、绑定(binding)或堆叠(stacking)。 因此可以想见,这个函数的关键参数应该是 axis,用于指定连接的轴向。在默认的 axis=0 情况下,pd.concat([obj1,obj2]) 函数的效果与 obj1.append(obj2) 是相同的;而在 axis=1 的情况下,pd.concat([df1,df2],axis=1) 的效果与 pd.merge(df1,df2,left_index=True,right_index=True,how='outer') 是相同的。可以理解为 concat 函数使用索引作为“连接键”。 本函数的全部参数为:pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False) 。 objs 就是需要连接的对象集合,一般是列表或字典;axis=0 是连接轴向 join='outer' 参数作用于当另一条轴的 index 不重叠的时候,只有 'inner' 和 'outer' 可选(顺带展示 ignore_index=True 的用法): >>> df1 = DataFrame({'a':range(3),'b':range(3)})>>> df2 = DataFrame({'a':range(4)})>>> pd.concat([df1,df2]) a b0 0 01 1 12 2 20 0 NaN1 1 NaN2 2 NaN3 3 NaN[7 rows x 2 columns]>>> pd.concat([df1,df2],join='inner',ignore_index=True) a0 01 12 23 04 15 26 3[7 rows x 1 columns] join_axes=None 参数用于详细制定其他轴上使用的索引,优先级可以覆盖 join 参数,join_axes 的类型是一个列表,其中的元素为其他轴的 index 。比如上例两条命令等价于这样:pd.concat([df1,df2],join_axes=[['a','b']]) 、 pd.concat([df1,df2],join_axes=[['a']]) keys=None 参数的作用是在结果集中对源数据进行区分。前例中可以看到,结果集中的项无法区分来源,因此使用一个列表型的 keys 参数可以在连接轴上创建一个层次化索引;另一个隐式使用 keys 参数的方法是传入 objs 参数时使用字典,字典的键就会被当做 keys。 >>> s1a 0b 1dtype: int64>>> s2c 2d 3e 4dtype: int64>>> pd.concat([s1,s2],keys=['one','two'])one a 0 b 1two c 2 d 3 e 4dtype: int64>>> pd.concat({'one':s1,'two':s2})one a 0 b 1two c 2 d 3 e 4dtype: int64 levels=None 和 names=None 参数与 keys 参数有关,这里 pass;verify_integrity=False 参数用于检查结果对象新连接轴上的索引是否有重复项,有的话引发 ValueError,可以看到这个参数的作用与 ignore_index 是互斥的。
合并重叠数据 obj.combine_first(other) 方法的作用是使用 other 中的数据去填补 obj 中的 NA 值,就像打补丁。而且可以自动对齐。 >>> s1 = Series(range(5))>>> s2 = Series(range(1,5),index=range(1,5))>>> s1[2] = np.nan#设置一个 NA>>> s10 01 12 NaN3 34 4dtype: float64>>> s21 12 23 34 4dtype: int32>>> s1.combine_first(s2)0 01 12 23 34 4dtype: float64
重塑和轴向旋转 有许多用于重新排列表格数据的基础运算。这些函数称为重塑(reshape)或轴向旋转(pivot)运算。 重塑层次化索引 层次化索引为 DataFrame 数据的重排任务提供了一种具有良好一致性的方式。重塑层次化索引通过以下两个方法完成: .stack() 将列 “压缩” 为行的下级层次化索引 .unstack() stack 的逆操作——将层次化的行索引 “展开” 为列 示例: >>> hdf opening closingsh 600000 0 1 600001 2 3sz 000001 4 5 000002 6 7[4 rows x 2 columns]>>> hdf.unstack() opening closing 000001 000002 600000 600001 000001 000002 600000 600001sh NaN NaN 0 2 NaN NaN 1 3sz 4 6 NaN NaN 5 7 NaN NaN[2 rows x 8 columns]>>> hdf.stack()sh 600000 opening 0 closing 1 600001 opening 2 closing 3sz 000001 opening 4 closing 5 000002 opening 6 closing 7dtype: int32 可见,如果是普通的多列 DataFrame ,调用一次 stack 后就会变成 Series 了。 默认情况下,unstack 操作的是最内层(stack 亦如此)。传入分层级别的编号或 name 即可对其他级别进行操作。 >>> hdf.unstack(0)#展开外层 opening closing sh sz sh sz000001 NaN 4 NaN 5000002 NaN 6 NaN 7600000 0 NaN 1 NaN600001 2 NaN 3 NaN[4 rows x 4 columns]>>> hdf.index.names=['Exchange','code']#分层命名>>> hdf.unstack('Exchange') opening closing Exchange sh sz sh szcode 000001 NaN 4 NaN 5000002 NaN 6 NaN 7600000 0 NaN 1 NaN600001 2 NaN 3 NaN[4 rows x 4 columns]>>> hdf.unstack('code') opening closing code 000001 000002 600000 600001 000001 000002 600000 600001Exchange sh NaN NaN 0 2 NaN NaN 1 3sz 4 6 NaN NaN 5 7 NaN NaN[2 rows x 8 columns]
将 “长格式” 转换为 “宽格式” 时间序列数据通常都是以所谓的 “长格式”(long) 或 “堆叠格式”(stacked)存储在数据库或 CSV 中的: >>> ldata date item value0 1959-03-31 realgdp 2710.3491 1959-03-31 infl 0.0002 1959-03-31 unemp 5.8003 1959-06-30 realgdp 2778.8014 1959-06-30 infl 2.3405 1959-06-30 unemp 5.1006 1959-09-30 realgdp 2775.4887 1959-09-30 infl 2.7408 1959-09-30 unemp 5.3009 1959-12-31 realgdp 2785.20410 1959-12-31 infl 0.27011 1959-12-31 unemp 5.600[12 rows x 3 columns] 这个 item 其实只包含三个字段——realgdp、infl 和 unemp,但每一个字段都单独存储为一行。这样做的好处是在数据库中维护了一个动态的 item 字段,以后如果 item 的项有增删的话,也不必改变表结构。但这种做法的冗余信息过多,而且操作起来很麻烦,需要额外输入很多命令,因此在处理数据前先将其 “展开” 为 “宽格式” 就显得很有必要。 这项任务其实在上一节中就已经给出了解决方法,不过本节要介绍的是一种 “快捷方式”——obj.pivot(index=None, columns=None, values=None) 方法。三个参数都应是来自 obj 的列名,或列对象。分别用于指定结果对象的 index、columns 和 values 属性。 >>> ldata.pivot('date','item','value')item infl realgdp unempdate 1959-03-31 0.00 2710.349 5.81959-06-30 2.34 2778.801 5.11959-09-30 2.74 2775.488 5.31959-12-31 0.27 2785.204 5.6[4 rows x 3 columns]
数据转换 除了前面介绍的数据重排外,另一种重要操作是过滤、清理以及其他的转换工作
移除重复数据 移除重复数据操作有两个方法可用 obj.duplicated() 本方法返回一个布尔型 Series,将重复的行标记为 True obj.drop_duplicates() 本方法直接返回一个去除了重复行的新对象 这两个方法默认都会检查所有的列,如果想仅针对某一(些)列进行检查的话,可以传入 cols 参数,指定需要检查的列。 方法默认将第一个出现的值保留,还有一个 take_last=False 参数,可将其改为 True 以保留最后的值。
利用函数或映射进行数据转换 Series 或 DataFrame 的列都可以调用一个 .map() 方法。该方法接受一个函数或字典作为参数,并将之应用于对象的每一个元素,最后返回一个包含所有结果的 Series。 >>> ser = Series(range(5))>>> ser0 01 12 23 34 4dtype: int32>>> ser.map(str).map(lambda x:x+'!')0 0!1 1!2 2!3 3!4 4!dtype: object>>> ser.map(lambda x:str(x)+'!')0 0!1 1!2 2!3 3!4 4!dtype: object 一个例子写了两遍是为了展示 map 方法的嵌套用法。
替换值 fillna 方法填充缺失值可以看做值替换的一种特殊情况,map也可以用来修改对象的数据子集,而 .replace(to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) 方法则提供了实现该功能的一种更简单、更灵活的方式。 to_replace 参数可以是:str, regex, list, dict, Series, numeric, or None;value 参数可以是:scalar, dict, list, str, regex, default None。其他参数的特殊用法请使用 help 查看。 >>> ser.replace([1,2],'x')0 01 x2 x3 34 4dtype: object
重命名轴索引 前面应该提到过,pandas 对象的 index 参数是不可变(immutable)的,即不可以直接对其元素进行赋值操作。但你却可以对其使用 obj.index.map() 方法。 也可以直接对数组对象调用 obj.rename(index=None,columns=None) 方法。这里的 index 和 columns 参数并不是 index 对象,而是一个函数或字典: >>> ldata[:3] date item value0 1959-03-31 realgdp 2710.3491 1959-03-31 infl 0.0002 1959-03-31 unemp 5.800[3 rows x 3 columns]>>> ldata[:3].rename(columns=str.title) Date Item Value0 1959-03-31 realgdp 2710.3491 1959-03-31 infl 0.0002 1959-03-31 unemp 5.800[3 rows x 3 columns]
离散化和面元划分 为了便于分析,连续数据常常被离散化或拆分为 “面元”(bin)。这个过程要使用到 pandas 的 cut 函数: cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False) 核心参数为 x 和 bins,x 为被切对象,应当是个一维的类数组结构;bins 参数可以是序列、整数或标量。 序列:按序列的元素间隔划分 x,返回 x 各个元素的分组情况 >>> bins = [0,3,6,9]>>> ser = Series(np.random.randint(1,10,6))>>> ser0 51 52 13 44 35 4dtype: int32>>> cats = pd.cut(ser,bins,labels=['small','middle','large'])>>> cats middle middle small middle small middleLevels (3): Index(['small', 'middle', 'large'], dtype=object) 整数:以 x 的上下界等长划分,可用 precision 参数调节精度。 >>> ser = Series([2,6,7,3,8])>>> pd.cut(ser,3,precision=1) (2, 4] (4, 6] (6, 8] (2, 4] (6, 8]Levels (3): Index(['(2, 4]', '(4, 6]', '(6, 8]'], dtype=object) right=True 参数用于控制序列型 bins 的边界,默认为右包含。labels 参数可以给 bins 添加代号。 最后我们来看一下 cut 函数返回的这个对象: >>> type(cats)>>> cats.labelsarray([1, 1, 0, 1, 0, 1], dtype=int64)>>> cats.levelsIndex(['small', 'middle', 'large'], dtype='object')>>> pd.value_counts(cats)middle 4small 2dtype: int64 Categorical 对象是一个枚举型的序列对象,它的可选值都显示在 levels 属性里。 另一个 pd.qcut() 函数与 cut 类似,但它可以根据样本的分位数对数据进行面元划分: >>> ser = np.random.randint(0,100,1000)>>> cats = pd.qcut(ser,10)>>> pd.value_counts(cats)(61, 70] 112(41, 52] 104[0, 9] 104(20.8, 31] 103(77, 88] 102(31, 41] 100(88, 99] 97(9, 20.8] 96(52, 61] 94(70, 77] 88dtype: int64 cut 与 qcut 的更多用法会在数据聚合与分组篇中提及。
检测和过滤异常值 异常值(outlier)的过滤或变换运算在很大程度上就是数组运算。如下一个 (1000,4)的标准正态分布数组 >>> data = DataFrame(np.random.randn(1000,4))>>> data.describe() 0 1 2 3count 1000.000000 1000.000000 1000.000000 1000.000000mean -0.002069 -0.004543 -0.019383 0.015766std 1.015236 1.007477 1.036879 0.989083min -3.344487 -3.305229 -2.980726 -3.57346025% -0.712828 -0.643239 -0.720927 -0.62815150% 0.019140 0.019844 -0.048479 0.03835175% 0.675520 0.669538 0.714605 0.691746max 3.572161 3.178061 3.114121 3.946495[8 rows x 4 columns] 假设要找出某一列中绝对值大小超过 3 的项: >>> col = data[3]>>> col[np.abs(col)>3]385 -3.573460692 3.034318763 3.946495Name: 3, dtype: float64 要选出全部含有 “绝对值超过 3 的值” 的行,可以利用布尔型索引和 any 方法: >>> data[(np.abs(data)>3).any(1)] 0 1 2 3122 0.989242 -0.458811 3.114121 1.562819215 3.572161 0.187996 -0.687865 1.378730216 3.265406 -0.263109 0.682896 -0.637152381 -3.344487 -0.622073 1.107529 -0.196075385 -2.111132 -0.863913 -1.103775 -3.573460426 0.210532 -3.208607 1.092182 -0.255276452 3.203703 -0.992268 -1.396385 -2.701209457 -1.361164 3.178061 -0.115614 0.709487692 0.578040 1.480447 -1.927734 3.034318763 -1.481627 1.136522 0.283987 3.946495920 1.901519 -3.305229 -0.220002 -0.333692[11 rows x 4 columns] 以下命令会将 data 的值全部限制在 [-3,3] 之间,通过将异常值替换为 -3 和 3 的方式。 >>> data[np.abs(data)>3] = np.sign(data)*3>>> data.describe() 0 1 2 3count 1000.000000 1000.000000 1000.000000 1000.000000mean -0.002766 -0.004207 -0.019497 0.015359std 1.010851 1.005330 1.036540 0.983736min -3.000000 -3.000000 -2.980726 -3.000000 #!25% -0.712828 -0.643239 -0.720927 -0.62815150% 0.019140 0.019844 -0.048479 0.03835175% 0.675520 0.669538 0.714605 0.691746max 3.000000 3.000000 3.000000 3.000000 #![8 rows x 4 columns] np.sign() 函数可以返回一个由 -1 和 1 组成的数组,表示原始值的符号。
随机采样 随机采样的基本思路是:先利用 np.random 模块随机生成一个需要的索引,然后利用这个索引去源数据里过滤取值。随机采样的两个常用函数为 np.random.randint(start, end, size) 这个函数一般用于实现 “可重取” 的随机采样,因为返回的数组中的元素可重复,而且 size 可变 >>> bag = np.array([5,7,-1,6,4])>>> sampler = np.random.randint(0,len(bag),size=10)>>> bag.take(sampler)array([5, 5, 7, 5, 7, 5, 6, 7, 7, 4])>>> bag[sampler]array([5, 5, 7, 5, 7, 5, 6, 7, 7, 4]) np.random.permutation(x) 函数用于随机排列一个序列类型。x 参数接受整数或类序列类型,实际处理过程中都是按序列来处理的——整型 x 会当做 range(x) 来处理。本函数会随机重排(shuffle)接收到的序列参数并返回一个新结果,显然这是一个 “不可重取” 的抽样,且 size 最大即为 len(x)。 >>> df = DataFrame(np.arange(20).reshape(5,4))>>> sampler = np.random.permutation(5)>>> samplerarray([2, 1, 0, 4, 3])>>> df 0 1 2 30 0 1 2 31 4 5 6 72 8 9 10 113 12 13 14 154 16 17 18 19[5 rows x 4 columns]>>> df.reindex(sampler) 0 1 2 32 8 9 10 111 4 5 6 70 0 1 2 34 16 17 18 193 12 13 14 15[5 rows x 4 columns]>>> df.take(sampler) 0 1 2 32 8 9 10 111 4 5 6 70 0 1 2 34 16 17 18 193 12 13 14 15[5 rows x 4 columns]>>> df.ix[sampler] 0 1 2 32 8 9 10 111 4 5 6 70 0 1 2 34 16 17 18 193 12 13 14 15[5 rows x 4 columns] 因为 sampler 是一个数组类型,所以用它在源数据中取值的方式有很多 ↑,如果不想全部取样的话,给 sampler 加个切片就可以了。
转换指标/哑变量 pd.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False) 函数可用来将分类变量(Categorical variable)转换为 “哑变量矩阵”(dummy matrix)或称 “指标矩阵”(indicator matrix)。更加便捷的是,data 参数并不限于 categorical 类型,而是可以直接使用一个类 Series 对象,比如 DataFrame 的列。本函数返回的是一个以 data 元素为列名的 1、0 矩阵。 >>> ser = Series(['b','b','a','c','a','b'],name='key')>>> ser0 b1 b2 a3 c4 a5 bName: key, dtype: object>>> pd.get_dummies(ser) a b c0 0 1 01 0 1 02 1 0 03 0 0 14 1 0 05 0 1 0[6 rows x 3 columns] 将本函数直接应用于 DataFrame 的列上,再与原数据剩余部分连接: >>> df = DataFrame({'key':['b','b','a','c','a','b'],'value':range(6)})>>> df key value0 b 01 b 12 a 23 c 34 a 45 b 5[6 rows x 2 columns]>>> pd.get_dummies(df['key']).join(df['value']) a b c value0 0 1 0 01 0 1 0 12 1 0 0 23 0 0 1 34 1 0 0 45 0 1 0 5[6 rows x 4 columns]
字符串操作 在对字符串元素进行规整化操作时,使用 .map() 方法的一个弊端是需要小心绕过 NA 值。为了解决这个问题,Series 直接提供了一些能够跳过 NA 值的字符串操作方法,全部通过 ser.str.xxx() 来访问。这些方法一般也都支持正则表达式。 >>> data = Series({'Dave':'dav@google.com','Steve':'steve@gmail.com', 'Rov':'rob@gmail.com','Wes':np.nan})>>> dataDave dav@google.comRov rob@gmail.comSteve steve@gmail.comWes NaNdtype: object>>> data.str.contains('gmail')Dave FalseRov TrueSteve TrueWes NaNdtype: object>>> pattern = '([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\\.([A-Z]{2,4})'>>> import re>>> data.str.findall(pattern,flags=re.IGNORECASE)Dave [(dav, google, com)]Rov [(rob, gmail, com)]Steve [(steve, gmail, com)]Wes NaNdtype: object 有两个办法可以实现矢量化的元素获取操作:要么使用 str.get ,要么在 str 属性上使用索引。 >>> matches = data.str.match(pattern,flags=re.IGNORECASE)>>> matches.str.get(1)Dave googleRov gmailSteve gmailWes NaNdtype: object>>> matches.str[0]Dave davRov robSteve steveWes NaNdtype: object 其他一些矢量化的字符串方法有:
######################## | **************************************************************** | cat | 元素级的字符串连接操作,可指定分隔符 | contains | 返回表示各字符串是否包含指定模式的布尔型数组 | count | 模式的出现次数 | endswith, startswith | 元素级执行 x.endswith(pattern) | findall | 返回各字符串的模式列表 | get | 获取各元素的第 i 个字符 | join | 根据指定的分隔符将 Series 中的元素字符串连接起来 | len | 计算各字符串的长度 | lower, upper | 元素级转换大小写 | match | 根据指定的表达式对各元素执行 re.match | pad | 在字符串的左边、右边或两边添加空白符 | center | 相当于 pad(side='both') | repeat | 重复值,元素级执行 x*n | replace | 用指定字符串替换找到的模式 | slice | 对 Series 各个字符串进行子串截取 | split | 根据分隔符或 re 对字符串进行拆分 | strip, rstrip, lstrip | 去除空白符,包括换行符。 |
|