pandas入门教程

pandas是一个Python语言的软件包，在我们使用Python语言进行机器学习编程的时候，这是一个非常常用的基础编程库。本文是对它的一个入门教程。

pandas提供了快速，灵活和富有表现力的数据结构，目的是使“关系”或“标记”数据的工作既简单又直观。它旨在成为在Python中进行实际数据分析的高级构建块。

入门介绍

pandas适合于许多不同类型的数据，包括：

• 具有异构类型列的表格数据，例如SQL表格或Excel数据
• 有序和无序（不一定是固定频率）时间序列数据。
• 具有行列标签的任意矩阵数据（均匀类型或不同类型）
• 任何其他形式的观测/统计数据集。

由于这是一个Python语言的软件包，因此需要你的机器上首先需要具备Python语言的环境。关于这一点，请自行在网络上搜索获取方法。

关于如何获取pandas请参阅官网上的说明：pandas Installation。

通常情况下，我们可以通过pip来执行安装：

或者通过conda 来安装pandas：

目前（2018年2月）pandas的最新版本是v0.22.0（发布时间：2017年12月29日）。

我已经将本文的源码和测试数据放到Github上： pandas_tutorial ，读者可以前往获取。

另外，pandas常常和NumPy一起使用，本文中的源码中也会用到NumPy。

建议读者先对NumPy有一定的熟悉再来学习pandas，我之前也写过一个NumPy的基础教程，参见这里：Python 机器学习库 NumPy 教程

核心数据结构

pandas最核心的就是Series和DataFrame两个数据结构。

这两种类型的数据结构对比如下：

DataFrame可以看做是Series的容器，即：一个DataFrame中可以包含若干个Series。

注：在0.20.0版本之前，还有一个三维的数据结构，名称为Panel。这也是pandas库取名的原因：pan(el)-da(ta)-s。但这种数据结构由于很少被使用到，因此已经被废弃了。

Series

由于Series是一维结构的数据，我们可以直接通过数组来创建这种数据，像这样：

这段代码输出如下：

这段输出说明如下：

• 输出的最后一行是Series中数据的类型，这里的数据都是int64类型的。
• 数据在第二列输出，第一列是数据的索引，在pandas中称之为Index。

我们可以分别打印出Series中的数据和索引：

这两行代码输出如下：

如果不指定（像上面这样），索引是[1, N-1]的形式。不过我们也可以在创建Series的时候指定索引。索引未必一定需要是整数，可以是任何类型的数据，例如字符串。例如我们以七个字母来映射七个音符。索引的目的是可以通过它来获取对应的数据，例如下面这样：

这段代码输出如下：

DataFrame

下面我们来看一下DataFrame的创建。我们可以通过NumPy的接口来创建一个4x4的矩阵，以此来创建一个DataFrame，像这样：

这段代码输出如下：

从这个输出我们可以看到，默认的索引和列名都是[0, N-1]的形式。

我们可以在创建DataFrame的时候指定列名和索引，像这样：

这段代码输出如下：

我们也可以直接指定列数据来创建DataFrame：

这段代码输出如下：

请注意：

• DataFrame的不同列可以是不同的数据类型
• 如果以Series数组来创建DataFrame，每个Series将成为一行，而不是一列

例如：

df4的输出如下：

我们可以通过下面的形式给DataFrame添加或者删除列数据：

这段代码输出如下：

Index对象与数据访问

pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候，标签的数组或者序列会被转换成Index。可以通过下面的方式获取到DataFrame的列和行的Index对象：

这两行代码输出如下：

请注意：

• Index并非集合，因此其中可以包含重复的数据
• Index对象的值是不可以改变，因此可以通过它安全的访问数据
• DataFrame提供了下面两个操作符来访问其中的数据：
• loc：通过行和列的索引来访问数据
• iloc：通过行和列的下标来访问数据

例如这样：

第一行代码访问了行索引为0和1，列索引为“note”的元素。第二行代码访问了行下标为0和1（对于df3来说，行索引和行下标刚好是一样的，所以这里都是0和1，但它们却是不同的含义），列下标为0的元素。

这两行代码输出如下：

文件操作

pandas库提供了一系列的read_函数来读取各种格式的文件，它们如下所示：

read_csv

read_table

read_fwf

read_clipboard

read_excel

read_hdf

read_html

read_json

read_msgpack

read_pickle

read_sas

read_sql

read_stata

read_feather

读取Excel文件

注：要读取Excel文件，还需要安装另外一个库：xlrd

通过pip可以这样完成安装：

安装完之后可以通过pip查看这个库的信息：

接下来我们看一个读取Excel的简单的例子：

这个Excel的内容如下：

注：本文的代码和数据文件可以通过文章开头提到的Github仓库获取。

读取CSV文件

下面，我们再来看读取CSV文件的例子。

第一个CSV文件内容如下：

读取的方式也很简单：

我们再来看第2个例子，这个文件的内容如下：

严格的来说，这并不是一个CSV文件了，因为它的数据并不是通过逗号分隔的。在这种情况下，我们可以通过指定分隔符的方式来读取这个文件，像这样：

实际上，read_csv支持非常多的参数用来调整读取的参数，如下表所示：

详细的read_csv函数说明请参见这里：pandas.read_csv

处理无效值

现实世界并非完美，我们读取到的数据常常会带有一些无效值。如果没有处理好这些无效值，将对程序造成很大的干扰。

对待无效值，主要有两种处理方法：直接忽略这些无效值；或者将无效值替换成有效值。

下面我先创建一个包含无效值的数据结构。然后通过pandas.isna函数来确认哪些值是无效的：

这段代码输出如下：

忽略无效值

我们可以通过pandas.DataFrame.dropna函数抛弃无效值：

注：dropna默认不会改变原先的数据结构，而是返回了一个新的数据结构。如果想要直接更改数据本身，可以在调用这个函数的时候传递参数 inplace = True。

对于原先的结构，当无效值全部被抛弃之后，将不再是一个有效的DataFrame，因此这行代码输出如下：

我们也可以选择抛弃整列都是无效值的那一列：

注：axis=1表示列的轴。how可以取值'any'或者'all'，默认是前者。

这行代码输出如下：

替换无效值

我们也可以通过fillna函数将无效值替换成为有效值。像这样：

这段代码输出如下：

将无效值全部替换成同样的数据可能意义不大，因此我们可以指定不同的数据来进行填充。为了便于操作，在填充之前，我们可以先通过rename方法修改行和列的名称：

这段代码输出如下：

处理字符串

数据中常常牵涉到字符串的处理，接下来我们就看看pandas对于字符串操作。

Series的str字段包含了一系列的函数用来处理字符串。并且，这些函数会自动处理无效值。

下面是一些实例，在第一组数据中，我们故意设置了一些包含空格字符串：

在这个实例中我们看到了对于字符串strip的处理以及判断字符串本身是否是数字，这段代码输出如下：

下面是另外一些示例，展示了对于字符串大写，小写以及字符串长度的处理：

该段代码输出如下：

结束语

本文是pandas的入门教程，因此我们只介绍了最基本的操作。更深入的内容，以后有机会我们再来一起学习。

读者也可以根据下面的链接获取更多的知识。