分享

Python数据分析之pandas学习(一)

 无聊斋话 2016-08-20

1、数据结构简介:DataFrame和Series

2、数据索引index

3、利用pandas查询数据

4、利用pandas的DataFrames进行统计分析

5、利用pandas实现SQL操作

6、利用pandas进行缺失值的处理

7、利用pandas实现Excel的数据透视表功能

8、多层索引的使用


一、数据结构介绍

在pandas中有两类非常重要的数据结构,即序列Series和数据框DataFrame。Series类似于numpy中的一维数组,除了通吃一维数组可用的函数或方法,而且其可通过索引标签的方式获取数据,还具有索引的自动对齐功能;DataFrame类似于numpy中的二维数组,同样可以通用numpy数组的函数和方法,而且还具有其他灵活应用,后续会介绍到。

1、Series的创建

序列的创建主要有三种方式:

1)通过一维数组创建序列

In [1]: import numpy as np, pandas as pd

In [2]: arr1 = np.arange(10)

In [3]: arr1

Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [4]: type(arr1)

Out[4]: numpy.ndarray

返回的是数组类型。


In [5]: s1 = pd.Series(arr1)

In [6]: s1

Out[6]:

0    0

1    1

2    2

3    3

4    4

5    5

6    6

7    7

8    8

9    9

dtype: int32

In [7]: type(s1)

Out[7]: pandas.core.series.Series

返回的是序列类型。


2)通过字典的方式创建序列

In [8]: dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}

In [9]: dic1

Out[9]: {'a': 10, 'b': 20, 'c': 30, 'd': 40, 'e': 50}

In [10]: type(dic1)

Out[10]: dict

返回的是字典类型。


In [11]: s2 = pd.Series(dic1)

In [12]: s2

Out[12]:

a    10

b    20

c    30

d    40

e    50

dtype: int64

In [13]: type(s2)

Out[13]: pandas.core.series.Series

返回的是序列类型。


3)通过DataFrame中的某一行或某一列创建序列

这部分内容我们放在后面讲,接下来就开始讲一讲如何构造一个DataFrame。


2、DataFrame的创建

数据框的创建主要有三种方式:

1)通过二维数组创建数据框

In [14]: arr2 = np.array(np.arange(12)).reshape(4,3)

In [15]: arr2

Out[15]:

array([[ 0,  1,  2],

[ 3,  4,  5],

[ 6,  7,  8],

[ 9, 10, 11]])

In [16]: type(arr2)

Out[16]: numpy.ndarray

返回的是数组类型。


In [17]: df1 = pd.DataFrame(arr2)

In [18]: df1

Out[18]:

0   1   2

0  0   1   2

1  3   4   5

2  6   7   8

3  9  10  11

In [19]: type(df1)

Out[19]: pandas.core.frame.DataFrame

返回的数据框类型。


2)通过字典的方式创建数据框

以下以两种字典来创建数据框,一个是字典列表,一个是嵌套字典。

In [20]: dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],

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

In [21]: dic2

Out[21]:

{'a': [1, 2, 3, 4],

'b': [5, 6, 7, 8],

'c': [9, 10, 11, 12],

'd': [13, 14, 15, 16]}

In [22]: type(dic2)

Out[22]: dict

返回的是字典类型。


In [23]: df2 = pd.DataFrame(dic2)

In [24]: df2

Out[24]:

a  b   c   d

0  1  5   9  13

1  2  6  10  14

2  3  7  11  15

3  4  8  12  16

In [25]: type(df2)

Out[25]: pandas.core.frame.DataFrame

返回的是数据框类型。


In [26]: dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},

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

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

In [27]: dic3

Out[27]:

{'one': {'a': 1, 'b': 2, 'c': 3, 'd': 4},

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

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

In [28]: type(dic3)

Out[28]: dict

返回的是字典类型。


In [29]: df3 = pd.DataFrame(dic3)

In [30]: df3

Out[30]:

one  three  two

a    1      9    5

b    2     10    6

c    3     11    7

d    4     12    8

In [31]: type(df3)

Out[31]: pandas.core.frame.DataFrame

返回的是数据框类型。这里需要说明的是,如果使用嵌套字典创建数据框的话,嵌套字典的最外层键会形成数据框的列变量,而内层键则会形成数据框的行索引。


3)通过数据框的方式创建数据框

In [32]: df4 = df3[['one','three']]

In [33]: df4

Out[33]:

one  three

a    1      9

b    2     10

c    3     11

d    4     12

In [34]: type(df4)

Out[34]: pandas.core.frame.DataFrame

返回的是数据框类型。


In [35]: s3 = df3['one']

In [36]: s3

Out[36]:

a    1

b    2

c    3

d    4

Name: one, dtype: int64

In [37]: type(s3)

Out[37]: pandas.core.series.Series

这里就是通过选择数据框中的某一列,返回一个序列的对象。


二、数据索引index

细致的朋友可能会发现一个现象,不论是序列也好,还是数据框也好,对象的最左边总有一个非原始数据对象,这个是什么呢?不错,就是我们接下来要介绍的索引。

在我看来,序列或数据框的索引有两大用处,一个是通过索引值或索引标签获取目标数据,另一个是通过索引,可以使序列或数据框的计算、操作实现自动化对齐,下面我们就来看看这两个功能的应用。

1、通过索引值或索引标签获取数据

In [38]: s4 = pd.Series(np.array([1,1,2,3,5,8]))

In [39]: s4

Out[39]:

0    1

1    1

2    2

3    3

4    5

5    8

dtype: int32

如果不给序列一个指定的索引值,则序列自动生成一个从0开始的自增索引。可以通过index查看序列的索引:

In [40]: s4.index

Out[40]: RangeIndex(start=0, stop=6, step=1)

现在我们为序列设定一个自定义的索引值:

In [41]: s4.index = ['a','b','c','d','e','f']

In [42]: s4

Out[42]:

a    1

b    1

c    2

d    3

e    5

f    8

dtype: int32

序列有了索引,就可以通过索引值或索引标签进行数据的获取:

In [43]: s4[3]

Out[43]: 3

In [44]: s4['e']

Out[44]: 5

In [45]: s4[[1,3,5]]

Out[45]:

b    1

d    3

f    8

dtype: int32

In [46]: s4[['a','b','d','f']]

Out[46]:

a    1

b    1

d    3

f    8

dtype: int32

In [47]: s4[:4]

Out[47]:

a    1

b    1

c    2

d    3

dtype: int32

In [48]: s4['c':]

Out[48]:

c    2

d    3

e    5

f    8

dtype: int32

In [49]: s4['b':'e']

Out[49]:

b    1

c    2

d    3

e    5

dtype: int32

千万注意:如果通过索引标签获取数据的话,末端标签所对应的值是可以返回的!在一维数组中,就无法通过索引标签获取数据,这也是序列不同于一维数组的一个方面。


2、自动化对齐

如果有两个序列,需要对这两个序列进行算术运算,这时索引的存在就体现的它的价值了--自动化对齐。

In [50]: s5 = pd.Series(np.array([10,15,20,30,55,80]),

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

In [51]: s5

Out[51]:

a    10

b    15

c    20

d    30

e    55

f    80

dtype: int32


In [52]: s6 = pd.Series(np.array([12,11,13,15,14,16]),

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

In [53]: s6

Out[53]:

a    12

c    11

g    13

b    15

d    14

f    16

dtype: int32


In [54]: s5 + s6

Out[54]:

a    22.0

b    30.0

c    31.0

d    44.0

e     NaN

f    96.0

g     NaN

dtype: float64


In [55]: s5/s6

Out[55]:

a    0.833333

b    1.000000

c    1.818182

d    2.142857

e         NaN

f    5.000000

g         NaN

dtype: float64

由于s5中没有对应的g索引,s6中没有对应的e索引,所以数据的运算会产生两个缺失值NaN。注意,这里的算术结果就实现了两个序列索引的自动对齐,而非简单的将两个序列加总或相除。对于数据框的对齐,不仅仅是行索引的自动对齐,同时也会自动对齐列索引(变量名)。


数据框中同样有索引,而且数据框是二维数组的推广,所以数据框不仅有行索引,而且还存在列索引,关于数据框中的索引相比于序列的应用要强大的多,这部分内容将放在下面的数据查询中讲解。


三、利用pandas查询数据

这里的查询数据相当于R语言里的subset功能,可以通过布尔索引有针对的选取原数据的子集、指定行、指定列等。我们先导入一个student数据集:

In [56]: student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')

查询数据的前5行或末尾5行:

In [57]: student.head()

Out[57]:

Name Sex  Age  Height  Weight

0   Alfred   M   14    69.0   112.5

1    Alice   F   13    56.5    84.0

2  Barbara   F   13    65.3    98.0

3    Carol   F   14    62.8   102.5

4    Henry   M   14    63.5   102.5


In [58]: student.tail()

Out[58]:

Name Sex  Age  Height  Weight

14   Philip   M   16    72.0   150.0

15   Robert   M   12    64.8   128.0

16   Ronald   M   15    67.0   133.0

17   Thomas   M   11    57.5    85.0

18  William   M   15    66.5   112.0


查询指定的行:

In [59]: student.ix[[0,2,4,5,7]] #这里的ix索引标签函数必须是中括号[]

Out[59]:

Name Sex  Age  Height  Weight

0   Alfred   M   14    69.0   112.5

2  Barbara   F   13    65.3    98.0

4    Henry   M   14    63.5   102.5

5    James   M   12    57.3    83.0

7    Janet   F   15    62.5   112.5


查询指定的列:

In [60]: student[['Name','Height','Weight']].head()  #如果多个列的话,必须使用双重中括号

Out[60]:

Name  Height  Weight

0   Alfred    69.0   112.5

1    Alice    56.5    84.0

2  Barbara    65.3    98.0

3    Carol    62.8   102.5

4    Henry    63.5   102.5


也可以通过ix索引标签查询指定的列:

In [61]: student.ix[:,['Name','Height','Weight']].head()

Out[61]:

Name  Height  Weight

0   Alfred    69.0   112.5

1    Alice    56.5    84.0

2  Barbara    65.3    98.0

3    Carol    62.8   102.5

4    Henry    63.5   102.5


查询指定的行和列:

In [62]: student.ix[[0,2,4,5,7],['Name','Height','Weight']].head()

Out[62]:

Name  Height  Weight

0   Alfred    69.0   112.5

2  Barbara    65.3    98.0

4    Henry    63.5   102.5

5    James    57.3    83.0

7    Janet    62.5   112.5


这里简单说明一下ix的用法df.ix[行索引,列索引]

1)ix后面必须是中括号

2)多个行索引或列索引必须用中括号括起来

3)如果选择所有行索引或列索引,则用英文状态下的冒号:表示


以上是从行或列的角度查询数据的子集,现在我们来看看如何通过布尔索引实现数据的子集查询。

查询所有女生的信息:

In [63]: student[student['Sex']=='F']

Out[63]:

Name Sex  Age  Height  Weight

1     Alice   F   13    56.5    84.0

2   Barbara   F   13    65.3    98.0

3     Carol   F   14    62.8   102.5

6      Jane   F   12    59.8    84.5

7     Janet   F   15    62.5   112.5

10    Joyce   F   11    51.3    50.5

11     Judy   F   14    64.3    90.0

12   Louise   F   12    56.3    77.0

13     Mary   F   15    66.5   112.0


查询出所有12岁以上的女生信息:

In [64]: student[(student['Sex']=='F') & (student['Age']>12)]

Out[64]:

Name Sex  Age  Height  Weight

1     Alice   F   13    56.5    84.0

2   Barbara   F   13    65.3    98.0

3     Carol   F   14    62.8   102.5

7     Janet   F   15    62.5   112.5

11     Judy   F   14    64.3    90.0

13     Mary   F   15    66.5   112.0


查询出所有12岁以上的女生姓名、身高和体重:

In [66]: student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]

Out[66]:

Name  Height  Weight

1     Alice    56.5    84.0

2   Barbara    65.3    98.0

3     Carol    62.8   102.5

7     Janet    62.5   112.5

11     Judy    64.3    90.0

13     Mary    66.5   112.0

上面的查询逻辑其实非常的简单,需要注意的是如果是多个条件的查询,必须在&(且)或者|(或)的两端条件用括号括起来


四、统计分析

pandas模块为我们提供了非常多的描述性统计分析的指标函数,如总和、均值、最小值、最大值等,我们来具体看看这些函数:

首先随机生成三组数据

In [67]: np.random.seed(1234)

In [68]: d1 = pd.Series(2*np.random.normal(size = 100)+3)

In [69]: d2 = np.random.f(2,4,size = 100)

In [70]: d3 = np.random.randint(1,100,size = 100)


In [71]: d1.count()  #非空元素计算

Out[71]: 100

In [72]: d1.min()    #最小值

Out[72]: -4.1270333212494705

In [73]: d1.max()    #最大值

Out[73]: 7.7819210309260658

In [74]: d1.idxmin() #最小值的位置,类似于R中的which.min函数

Out[74]: 81

In [75]: d1.idxmax() #最大值的位置,类似于R中的which.max函数

Out[75]: 39

In [76]: d1.quantile(0.1)    #10%分位数

Out[76]: 0.68701846440699277

In [77]: d1.sum()    #求和

Out[77]: 307.0224566250874

In [78]: d1.mean()   #均值

Out[78]: 3.070224566250874

In [79]: d1.median() #中位数

Out[79]: 3.204555266776845

In [80]: d1.mode()   #众数

Out[80]: Series([], dtype: float64)

In [81]: d1.var()    #方差

Out[81]: 4.005609378535085

In [82]: d1.std()    #标准差

Out[82]: 2.0014018533355777

In [83]: d1.mad()    #平均绝对偏差

Out[83]: 1.5112880411556109

In [84]: d1.skew()   #偏度

Out[84]: -0.64947807604842933

In [85]: d1.kurt()   #峰度

Out[85]: 1.2201094052398012

In [86]: d1.describe()   #一次性输出多个描述性统计指标

Out[86]:

count    100.000000

mean       3.070225

std        2.001402

min       -4.127033

25%        2.040101

50%        3.204555

75%        4.434788

max        7.781921

dtype: float64

必须注意的是,describe方法只能针对序列或数据框,一维数组是没有这个方法的。


这里自定义一个函数,将这些统计描述指标全部汇总到一起:

In [87]: def stats(x):

    ...:     return pd.Series([x.count(),x.min(),x.idxmin(),

    ...:                x.quantile(.25),x.median(),

    ...:                x.quantile(.75),x.mean(),

    ...:                x.max(),x.idxmax(),

    ...:                x.mad(),x.var(),

    ...:                x.std(),x.skew(),x.kurt()],

    ...:               index = ['Count','Min','Whicn_Min',

    ...:                        'Q1','Median','Q3','Mean',

    ...:                        'Max','Which_Max','Mad',

    ...:                        'Var','Std','Skew','Kurt'])


In [88]: stats(d1)

Out[88]:

Count        100.000000

Min           -4.127033

Whicn_Min     81.000000

Q1             2.040101

Median         3.204555

Q3             4.434788

Mean           3.070225

Max            7.781921

Which_Max     39.000000

Mad            1.511288

Var            4.005609

Std            2.001402

Skew          -0.649478

Kurt           1.220109

dtype: float64


在实际的工作中,我们可能需要处理的是一系列的数值型数据框,如何将这个函数应用到数据框中的每一列呢?可以使用apply函数,这个非常类似于R中的apply的应用方法。

将之前创建的d1,d2,d3数据构建数据框:

In [89]: df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])

In [90]: df.head()

Out[90]:

x1        x2    x3

0  3.942870  1.369531  55.0

1  0.618049  0.943264  68.0

2  5.865414  0.590663  73.0

3  2.374696  0.206548  59.0

4  1.558823  0.223204  60.0


In [91]: df.apply(stats)

Out[91]:

x1          x2          x3

Count      100.000000  100.000000  100.000000

Min         -4.127033    0.014330    3.000000

Whicn_Min   81.000000   72.000000   76.000000

Q1           2.040101    0.249580   25.000000

Median       3.204555    1.000613   54.500000

Q3           4.434788    2.101581   73.000000

Mean         3.070225    2.028608   51.490000

Max          7.781921   18.791565   98.000000

Which_Max   39.000000   53.000000   96.000000

Mad          1.511288    1.922669   24.010800

Var          4.005609   10.206447  780.090808

Std          2.001402    3.194753   27.930106

Skew        -0.649478    3.326246   -0.118917

Kurt         1.220109   12.636286   -1.211579


非常完美,就这样很简单的创建了数值型数据的统计性描述。如果是离散型数据呢?就不能用这个统计口径了,我们需要统计离散变量的观测数、唯一值个数、众数水平及个数。你只需要使用describe方法就可以实现这样的统计了。

In [92]: student['Sex'].describe()

Out[92]:

count     19

unique     2

top        M

freq      10

Name: Sex, dtype: object


除以上的简单描述性统计之外,还提供了连续变量的相关系数(corr)和协方差矩阵(cov)的求解,这个跟R语言是一致的用法。

In [93]: df.corr()

Out[93]:

x1        x2        x3

x1  1.000000  0.136085  0.037185

x2  0.136085  1.000000 -0.005688

x3  0.037185 -0.005688  1.000000

关于相关系数的计算可以调用pearson方法或kendell方法或spearman方法,默认使用pearson方法。

In [94]: df.corr('spearman')

Out[94]:

x1        x2        x3

x1  1.00000  0.178950  0.006590

x2  0.17895  1.000000 -0.033874

x3  0.00659 -0.033874  1.000000

如果只想关注某一个变量与其余变量的相关系数的话,可以使用corrwith,如下方只关心x1与其余变量的相关系数:

In [95]: df.corrwith(df['x1'])

Out[95]:

x1    1.000000

x2    0.136085

x3    0.037185

dtype: float64


数值型数据的协方差矩阵:

In [96]: df.cov()

Out[96]:

x1         x2          x3

x1  4.005609   0.870124    2.078596

x2  0.870124  10.206447   -0.507512

x3  2.078596  -0.507512  780.090808



--------------------------------------------------------------------------------------------------------

由于正文部分不能超过20000字符,接下来的部分将在《Python数据分析之pandas学习(二)》中继续讲解。

--------------------------------------------------------------------------------------------------------


每天进步一点点2015

学习与分享,取长补短,关注小号!

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。
    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约