這兩行代碼輸出如下：pandas是一個(gè)Python語(yǔ)言的軟件包，在我們使用Python語(yǔ)言進(jìn)行機(jī)器學(xué)習(xí)編程的時(shí)候，這是一個(gè)非常常用的基礎(chǔ)編程庫(kù)。本文是對(duì)它的一個(gè)入門(mén)教程。
pandas提供了快速，靈活和富有表現(xiàn)力的數(shù)據(jù)結(jié)構(gòu)，目的是使“關(guān)系”或“標(biāo)記”數(shù)據(jù)的工作既簡(jiǎn)單又直觀。它旨在成為在Python中進(jìn)行實(shí)際數(shù)據(jù)分析的高級(jí)構(gòu)建塊。
入門(mén)介紹
pandas適合于許多不同類型的數(shù)據(jù)，包括：
具有異構(gòu)類型列的表格數(shù)據(jù)，例如SQL表格或Excel數(shù)據(jù)
有序和無(wú)序（不一定是固定頻率）時(shí)間序列數(shù)據(jù)。
具有行列標(biāo)簽的任意矩陣數(shù)據(jù)（均勻類型或不同類型）
任何其他形式的觀測(cè)/統(tǒng)計(jì)數(shù)據(jù)集。
由于這是一個(gè)Python語(yǔ)言的軟件包，因此需要你的機(jī)器上首先需要具備Python語(yǔ)言的環(huán)境。關(guān)于這一點(diǎn)，請(qǐng)自行在網(wǎng)絡(luò)上搜索獲取方法。
關(guān)于如何獲取pandas請(qǐng)參閱官網(wǎng)上的說(shuō)明：pandas Installation。
通常情況下，我們可以通過(guò)pip來(lái)執(zhí)行安裝：
或者通過(guò)conda來(lái)安裝pandas：
目前（2018年2月）pandas的最新版本是v0.22.0（發(fā)布時(shí)間：2017年12月29日）。
我已經(jīng)將本文的源碼和測(cè)試數(shù)據(jù)放到Github上：pandas_tutorial，讀者可以前往獲取。
另外，pandas常常和NumPy一起使用，本文中的源碼中也會(huì)用到NumPy。
建議讀者先對(duì)NumPy有一定的熟悉再來(lái)學(xué)習(xí)pandas，我之前也寫(xiě)過(guò)一個(gè)NumPy的基礎(chǔ)教程，參見(jiàn)這里：Python 機(jī)器學(xué)習(xí)庫(kù) NumPy 教程
核心數(shù)據(jù)結(jié)構(gòu)
pandas最核心的就是Series和DataFrame兩個(gè)數(shù)據(jù)結(jié)構(gòu)。
這兩種類型的數(shù)據(jù)結(jié)構(gòu)對(duì)比如下：
DataFrame可以看做是Series的容器，即：一個(gè)DataFrame中可以包含若干個(gè)Series。
注：在0.20.0版本之前，還有一個(gè)三維的數(shù)據(jù)結(jié)構(gòu)，名稱為Panel。這也是pandas庫(kù)取名的原因：pan(el)-da(ta)-s。但這種數(shù)據(jù)結(jié)構(gòu)由于很少被使用到，因此已經(jīng)被廢棄了。
Series
由于Series是一維結(jié)構(gòu)的數(shù)據(jù)，我們可以直接通過(guò)數(shù)組來(lái)創(chuàng)建這種數(shù)據(jù)，像這樣：
這段代碼輸出如下：
這段輸出說(shuō)明如下：
輸出的最后一行是Series中數(shù)據(jù)的類型，這里的數(shù)據(jù)都是int64類型的。
數(shù)據(jù)在第二列輸出，第一列是數(shù)據(jù)的索引，在pandas中稱之為Index。
我們可以分別打印出Series中的數(shù)據(jù)和索引：
這兩行代碼輸出如下：
如果不指定（像上面這樣），索引是[1, N-1]的形式。不過(guò)我們也可以在創(chuàng)建Series的時(shí)候指定索引。索引未必一定需要是整數(shù)，可以是任何類型的數(shù)據(jù)，例如字符串。例如我們以七個(gè)字母來(lái)映射七個(gè)音符。索引的目的是可以通過(guò)它來(lái)獲取對(duì)應(yīng)的數(shù)據(jù)，例如下面這樣：
這段代碼輸出如下：
DataFrame
下面我們來(lái)看一下DataFrame的創(chuàng)建。我們可以通過(guò)NumPy的接口來(lái)創(chuàng)建一個(gè)4×4的矩陣，以此來(lái)創(chuàng)建一個(gè)DataFrame，像這樣：
這段代碼輸出如下：
從這個(gè)輸出我們可以看到，默認(rèn)的索引和列名都是[0, N-1]的形式。
我們可以在創(chuàng)建DataFrame的時(shí)候指定列名和索引，像這樣：
這段代碼輸出如下：
我們也可以直接指定列數(shù)據(jù)來(lái)創(chuàng)建DataFrame：
這段代碼輸出如下：
請(qǐng)注意：
DataFrame的不同列可以是不同的數(shù)據(jù)類型
如果以Series數(shù)組來(lái)創(chuàng)建DataFrame，每個(gè)Series將成為一行，而不是一列
例如：
df4的輸出如下：
我們可以通過(guò)下面的形式給DataFrame添加或者刪除列數(shù)據(jù)：
這段代碼輸出如下：
Index對(duì)象與數(shù)據(jù)訪問(wèn)
pandas的Index對(duì)象包含了描述軸的元數(shù)據(jù)信息。當(dāng)創(chuàng)建Series或者DataFrame的時(shí)候，標(biāo)簽的數(shù)組或者序列會(huì)被轉(zhuǎn)換成Index?？梢酝ㄟ^(guò)下面的方式獲取到DataFrame的列和行的Index對(duì)象：
這兩行代碼輸出如下：
請(qǐng)注意：
Index并非集合，因此其中可以包含重復(fù)的數(shù)據(jù)
Index對(duì)象的值是不可以改變，因此可以通過(guò)它安全的訪問(wèn)數(shù)據(jù)
DataFrame提供了下面兩個(gè)操作符來(lái)訪問(wèn)其中的數(shù)據(jù)：
loc：通過(guò)行和列的索引來(lái)訪問(wèn)數(shù)據(jù)
iloc：通過(guò)行和列的下標(biāo)來(lái)訪問(wèn)數(shù)據(jù)
例如這樣：
第一行代碼訪問(wèn)了行索引為0和1，列索引為“note”的元素。第二行代碼訪問(wèn)了行下標(biāo)為0和1（對(duì)于df3來(lái)說(shuō)，行索引和行下標(biāo)剛好是一樣的，所以這里都是0和1，但它們卻是不同的含義），列下標(biāo)為0的元素。
這兩行代碼輸出如下：
文件操作
pandas庫(kù)提供了一系列的read_函數(shù)來(lái)讀取各種格式的文件，它們?nèi)缦滤荆?/p>
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
讀取Excel文件
注：要讀取Excel文件，還需要安裝另外一個(gè)庫(kù)：xlrd
通過(guò)pip可以這樣完成安裝：
安裝完之后可以通過(guò)pip查看這個(gè)庫(kù)的信息：
接下來(lái)我們看一個(gè)讀取Excel的簡(jiǎn)單的例子：
這個(gè)Excel的內(nèi)容如下：
注：本文的代碼和數(shù)據(jù)文件可以通過(guò)文章開(kāi)頭提到的Github倉(cāng)庫(kù)獲取。
讀取CSV文件
下面，我們?cè)賮?lái)看讀取CSV文件的例子。
第一個(gè)CSV文件內(nèi)容如下：
讀取的方式也很簡(jiǎn)單：
我們?cè)賮?lái)看第2個(gè)例子，這個(gè)文件的內(nèi)容如下：
嚴(yán)格的來(lái)說(shuō)，這并不是一個(gè)CSV文件了，因?yàn)樗臄?shù)據(jù)并不是通過(guò)逗號(hào)分隔的。在這種情況下，我們可以通過(guò)指定分隔符的方式來(lái)讀取這個(gè)文件，像這樣：
實(shí)際上，read_csv支持非常多的參數(shù)用來(lái)調(diào)整讀取的參數(shù)，如下表所示：
詳細(xì)的read_csv函數(shù)說(shuō)明請(qǐng)參見(jiàn)這里：pandas.read_csv
處理無(wú)效值
現(xiàn)實(shí)世界并非完美，我們讀取到的數(shù)據(jù)常常會(huì)帶有一些無(wú)效值。如果沒(méi)有處理好這些無(wú)效值，將對(duì)程序造成很大的干擾。
對(duì)待無(wú)效值，主要有兩種處理方法：直接忽略這些無(wú)效值；或者將無(wú)效值替換成有效值。
下面我先創(chuàng)建一個(gè)包含無(wú)效值的數(shù)據(jù)結(jié)構(gòu)。然后通過(guò)pandas.isna函數(shù)來(lái)確認(rèn)哪些值是無(wú)效的：
這段代碼輸出如下：
忽略無(wú)效值
我們可以通過(guò)pandas.DataFrame.dropna函數(shù)拋棄無(wú)效值：
注：dropna默認(rèn)不會(huì)改變?cè)鹊臄?shù)據(jù)結(jié)構(gòu)，而是返回了一個(gè)新的數(shù)據(jù)結(jié)構(gòu)。如果想要直接更改數(shù)據(jù)本身，可以在調(diào)用這個(gè)函數(shù)的時(shí)候傳遞參數(shù)inplace = True。
對(duì)于原先的結(jié)構(gòu)，當(dāng)無(wú)效值全部被拋棄之后，將不再是一個(gè)有效的DataFrame，因此這行代碼輸出如下：
我們也可以選擇拋棄整列都是無(wú)效值的那一列：
注：axis=1表示列的軸。how可以取值’any’或者’all’，默認(rèn)是前者。
這行代碼輸出如下：
替換無(wú)效值
我們也可以通過(guò)fillna函數(shù)將無(wú)效值替換成為有效值。像這樣：
這段代碼輸出如下：
將無(wú)效值全部替換成同樣的數(shù)據(jù)可能意義不大，因此我們可以指定不同的數(shù)據(jù)來(lái)進(jìn)行填充。為了便于操作，在填充之前，我們可以先通過(guò)rename方法修改行和列的名稱：
這段代碼輸出如下;
處理字符串
數(shù)據(jù)中常常牽涉到字符串的處理，接下來(lái)我們就看看pandas對(duì)于字符串操作。
Series的str字段包含了一系列的函數(shù)用來(lái)處理字符串。并且，這些函數(shù)會(huì)自動(dòng)處理無(wú)效值。
下面是一些實(shí)例，在第一組數(shù)據(jù)中，我們故意設(shè)置了一些包含空格字符串：
在這個(gè)實(shí)例中我們看到了對(duì)于字符串strip的處理以及判斷字符串本身是否是數(shù)字，這段代碼輸出如下：
下面是另外一些示例，展示了對(duì)于字符串大寫(xiě)，小寫(xiě)以及字符串長(zhǎng)度的處理：
該段代碼輸出如下：
結(jié)束語(yǔ)
本文是pandas的入門(mén)教程，因此我們只介紹了最基本的操作。對(duì)于
MultiIndex/Advanced Indexing
Merge, join, concatenate
Computational tools
之類的高級(jí)功能，以后有機(jī)會(huì)我們?cè)賮?lái)一起學(xué)習(xí)。
