Python进阶第三方库之Pandas

了解Numpy与Pandas的不同

说明Pandas的Series与Dataframe两种结构的区别

了解Pandas的MultiIndex与panel结构

应用Pandas实现基本数据操作

应用Pandas实现数据的合并

应用crosstab和pivot_table实现交叉表与透视表

应用groupby和聚合函数实现数据的分组与聚合

了解Pandas的plot画图功能

应用Pandas实现数据的读取和存储

Pandas介绍

2008年WesMcKinney开发出的库

专门用于数据挖掘的开源python库

以Numpy为基础，借力Numpy模块在计算方面性能高的优势

基于matplotlib，能够简便的画图

独特的数据结构

为什么使用Pandas

Numpy已经能够帮助我们处理数据，能够结合matplotlib解决部分数据展示等问题，那么pandas学习的目的在什么地方呢？

增强图表可读性

回忆我们在numpy当中创建学生成绩表样式：

返回结果：

array([[92, 55, 78, 50, 50],

[71, 76, 50, 48, 96],

[45, 84, 78, 51, 68],

[81, 91, 56, 54, 76],

[86, 66, 77, 67, 95],

[46, 86, 56, 61, 99],

[46, 95, 44, 46, 56],

[80, 50, 45, 65, 57],

[41, 93, 90, 41, 97],

[65, 83, 57, 57, 40]])

如果数据展示为这样，可读性就会更友好：

便捷的数据处理能力

读取文件方便

封装了Matplotlib、Numpy的画图和计算

Pandas数据结构

Series

Series是一个类似于一维数组的数据结构，它能够保存任何类型的数据，比如整数、字符串、浮点数等，主要由一组数据和与之相关的索引两部分构成

Series的创建

# 导入pandas

import pandas as pd

pd.Series(data=None, index=None, dtype=None)

参数：

data：传入的数据，可以是ndarray、list等

index：索引，必须是唯一的，且与数据的长度相等。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。

dtype：数据的类型

通过已有数据创建

指定内容，默认索引

pd.Series(np.arange(10))

# 运行结果

0 0

1 1

2 2

3 3

4 4

5 5

6 6

7 7

8 8

9 9

dtype: int64

指定索引

pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5])

# 运行结果

1 6.7

2 5.6

3 3.0

4 10.0

5 2.0

dtype: float64

通过字典数据创建

color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})

color_count

# 运行结果

blue 200

green 500

red 100

yellow 1000

dtype: int64

Series的属性

index

color_count.index

# 结果

Index(['blue', 'green', 'red', 'yellow'], dtype='object')

values

color_count.values

# 结果

array([ 200, 500, 100, 1000])

也可以使用索引来获取数据：

color_count[2]

# 结果

100

DataFrame

DataFrame是一个类似于二维数组或表格(如excel)的对象，既有行索引，又有列索引

行索引，表名不同行，横向索引，叫index，0轴，axis=0

列索引，表名不同列，纵向索引，叫columns，1轴，axis=1

DataFrame的创建

# 导入pandas

import pandas as pd

pd.DataFrame(data=None, index=None, columns=None)

参数：

index：行标签。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。

columns：列标签。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。

通过已有数据创建

pd.DataFrame(np.random.randn(2,3))

# 生成10名同学，5门功课的数据
score = np.random.randint(40, 100, (10, 5))
# 结果
array([[92, 55, 78, 50, 50],
[71, 76, 50, 48, 96],
[45, 84, 78, 51, 68],
[81, 91, 56, 54, 76],
[86, 66, 77, 67, 95],
[46, 86, 56, 61, 99],
[46, 95, 44, 46, 56],
[80, 50, 45, 65, 57],
[41, 93, 90, 41, 97],
[65, 83, 57, 57, 40]])
# 使用Pandas中的数据结构
score_df = pd.DataFrame(score)

增加行、列索引

# 构造行索引序列

subjects = ["语文", "数学", "英语", "政治", "体育"]

# 构造列索引序列

stu = ['同学' + str(i) for i in range(score_df.shape[0])]

# 添加行索引

data = pd.DataFrame(score, columns=subjects, index=stu)

DataFrame的属性

shape

data.shape

# 结果

(10, 5)

index

DataFrame的行索引列表

data.index

# 结果

Index(['同学0', '同学1', '同学2', '同学3', '同学4', '同学5', '同学6', '同学7', '同学8', '同学9'], dtype='object')

columns

DataFrame的列索引列表

data.columns

# 结果

Index(['语文', '数学', '英语', '政治', '体育'], dtype='object')

values

直接获取其中array的值

data.values

array([[92, 55, 78, 50, 50],

[71, 76, 50, 48, 96],

[45, 84, 78, 51, 68],

[81, 91, 56, 54, 76],

[86, 66, 77, 67, 95],

[46, 86, 56, 61, 99],

[46, 95, 44, 46, 56],

[80, 50, 45, 65, 57],

[41, 93, 90, 41, 97],

[65, 83, 57, 57, 40]])

T

转置

data.T

DatatFrame索引的设置

修改行列索引值

stu = ["学生_" + str(i) for i in range(score_df.shape[0])]

# 必须整体全部修改

data.index = stu

注意：以下修改方式是错误的

# 错误修改方式

data.index[3] = '学生_3'

重设索引

reset_index(drop=False)

设置新的下标索引

drop:默认为False，不删除原来索引，如果为True,删除原来的索引值

# 重置索引,drop=False

data.reset_index()

# 重置索引,drop=True

data.reset_index(drop=True)

以某列值设置为新的索引

set_index(keys, drop=True)

keys : 列索引名成或者列索引名称的列表

drop : boolean, default True.当做新的索引，删除原来的列

df = pd.DataFrame({'month': [1, 4, 7, 10],

'year': [2012, 2014, 2013, 2014],

'sale':[55, 40, 84, 31]})

        month         sale         year

0         1               55           2012

1         4               40           2014

2         7               84           2013

3         10             31           2014

以月份设置新的索引

df.set_index('month')

sale year

month

1 55 2012

4 40 2014

7 84 2013

10 31 2014