Pandas ist ein Python-Sprachsoftwarepaket. Wenn wir die Python-Sprache für die Programmierung maschinellen Lernens verwenden, ist dies eine sehr häufig verwendete grundlegende Programmierbibliothek. Dieser Artikel ist ein Einführungs-Tutorial zur Python-Datenverarbeitungsbibliothek. Interessierte Freunde sollten einen Blick darauf werfen.
Pandas ist ein Python-Sprachsoftwarepaket Maschinelles Lernen ist eine sehr häufig verwendete grundlegende Programmierbibliothek. Dieser Artikel ist ein Einführungstutorial dazu.
Pandas bietet schnelle, flexible und ausdrucksstarke Datenstrukturen, die die Arbeit mit „relationalen“ oder „getaggten“ Daten einfach und intuitiv machen. Es soll ein High-Level-Baustein für die praktische Datenanalyse in Python sein.
Erste Schritte
Pandas eignet sich für viele verschiedene Arten von Daten, darunter:
Tabellarische Daten mit heterogenen Spaltentypen, wie SQL-Tabellen oder Excel-Daten
Geordnete und ungeordnete (nicht unbedingt feste Häufigkeit) Zeitreihendaten.
Beliebige Matrixdaten (einheitlichen oder unterschiedlichen Typs) mit Zeilen- und Spaltenbeschriftungen
Jede andere Form von Beobachtung/statistischem Datensatz.
Da es sich um ein Python-Sprachsoftwarepaket handelt, benötigen Sie zunächst eine Python-Sprachumgebung auf Ihrem Computer. Bitte recherchieren Sie diesbezüglich im Internet, wie Sie es erhalten können.
Informationen zum Erhalt von Pandas finden Sie in den Anweisungen auf der offiziellen Website: Pandas-Installation.
Normalerweise können wir die Installation über pip durchführen:
sudo pip3 install pandas
oder über conda to install Pandas:
conda install pandas
Derzeit (Februar 2018) ist die neueste Version von Pandas v0.22.0 (veröffentlicht: Dezember). 29, 2017).
Ich habe den Quellcode und die Testdaten dieses Artikels auf Github gestellt: pandas_tutorial, Leser können ihn sich holen.
Darüber hinaus wird Pandas häufig zusammen mit NumPy verwendet, und NumPy wird auch im Quellcode in diesem Artikel verwendet.
Es wird empfohlen, dass Leser sich mit NumPy vertraut machen, bevor sie Pandas lernen. Ich habe auch bereits ein grundlegendes Tutorial zu NumPy geschrieben, siehe hier: Python Machine Learning Library NumPy Tutorial
Kerndatenstruktur
Der Kern von Pandas sind die beiden Datenstrukturen Series und DataFrame.
Der Vergleich dieser beiden Arten von Datenstrukturen ist wie folgt:
DataFrame kann als Container einer Serie betrachtet werden, das heißt: ein DataFrame kann enthalten mehrere Serien.
Hinweis: Vor Version 0.20.0 gab es eine dreidimensionale Datenstruktur namens Panel. Aus diesem Grund heißt die Pandas-Bibliothek auch: pan-da-s. Diese Datenstruktur wurde jedoch aufgegeben, da sie selten verwendet wird.
Serien
Da es sich bei Serien um eindimensionale strukturierte Daten handelt, können wir diese Art von Daten direkt durch erstellen ein Array wie folgt:
# data_structure.py
import pandas as pd
import numpy as np
series1 = pd.Series([1, 2, 3, 4])
print("series1:\n{}\n".format(series1))Die Ausgabe dieses Codes lautet wie folgt:
series1: 0 1 1 2 2 3 3 4 dtype: int64
Die Beschreibung dieser Ausgabe lautet wie folgt:
Die letzte Ausgabezeile ist der Datentyp in Serie, und die Daten hier sind alle vom Typ int64.
Die Daten werden in der zweiten Spalte ausgegeben, und die erste Spalte ist der Index der Daten, der in Pandas als Index bezeichnet wird.
Wir können die Daten und den Index in der Serie separat ausdrucken:
# data_structure.py
print("series1.values: {}\n".format(series1.values))
print("series1.index: {}\n".format(series1.index))Die Ausgabe dieser beiden Codezeilen ist wie folgt:
series1.values: [1 2 3 4] series1.index: RangeIndex(start=0, stop=4, step=1)
Wenn nicht angegeben (wie oben). ), der Index hat die Form [ 1, N-1]. Wir können den Index jedoch auch beim Erstellen der Serie angeben. Der Index muss nicht unbedingt eine Ganzzahl sein, er kann ein beliebiger Datentyp sein, beispielsweise eine Zeichenfolge. Beispielsweise verwenden wir sieben Buchstaben, um sieben Noten abzubilden. Der Zweck des Index besteht darin, die entsprechenden Daten zu erhalten, beispielsweise die folgenden:
# data_structure.py
series2 = pd.Series([1, 2, 3, 4, 5, 6, 7],
index=["C", "D", "E", "F", "G", "A", "B"])
print("series2:\n{}\n".format(series2))
print("E is {}\n".format(series2["E"]))Die Ausgabe dieses Codes lautet wie folgt:
series2: C 1 D 2 E 3 F 4 G 5 A 6 B 7 dtype: int64 E is 3 DataFrame
Werfen wir einen Blick auf die Erstellung von DataFrame. Wir können über die NumPy-Schnittstelle eine 4x4-Matrix erstellen, um einen DataFrame zu erstellen, etwa so:
# data_structure.py
df1 = pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1))Die Ausgabe dieses Codes lautet wie folgt:
df1: 0 1 2 3 0 0 1 2 3 1 4 5 6 7 2 8 9 10 11 3 12 13 14 15
Aus dieser Ausgabe können wir ersehen, dass die Standardindex- und Spaltennamen die Form [0, N-1] haben.
Wir können beim Erstellen eines DataFrame Spaltennamen und Indizes wie folgt angeben:
# data_structure.py
df2 = pd.DataFrame(np.arange(16).reshape(4,4),
columns=["column1", "column2", "column3", "column4"],
index=["a", "b", "c", "d"])
print("df2:\n{}\n".format(df2))Die Ausgabe dieses Codes ist wie folgt :
df2: column1 column2 column3 column4 a 0 1 2 3 b 4 5 6 7 c 8 9 10 11 d 12 13 14 15
Wir können Spaltendaten auch direkt angeben, um einen DataFrame zu erstellen:
# data_structure.py
df3 = pd.DataFrme({"note" : ["C", "D", "E", "F", "G", "A", "B"],
"weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})
print("df3:\n{}\n".format(df3))Die Ausgabe dieses Codes ist wie folgt:
df3: note weekday 0 C Mon 1 D Tue 2 E Wed 3 F Thu 4 G Fri 5 A Sat 6 B Sun
Bitte beachten Sie:
Die verschiedenen Spalten des DataFrame können unterschiedliche Datentypen sein
Wenn Sie einen DataFrame mit einem Series-Array erstellen, wird jede Series zu einer Zeile statt zu einer Spalte
Zum Beispiel:
# data_structure.py
noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"],
index=[1, 2, 3, 4, 5, 6, 7])
weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
index=[1, 2, 3, 4, 5, 6, 7])
df4 = pd.DataFrame([noteSeries, weekdaySeries])
print("df4:\n{}\n".format(df4))df4的输出如下：
df4: 1 2 3 4 5 6 7 0 C D E F G A B 1 Mon Tue Wed Thu Fri Sat Sun
我们可以通过下面的形式给DataFrame添加或者删除列数据：
# data_structure.py
df3["No."] = pd.Series([1, 2, 3, 4, 5, 6, 7])
print("df3:\n{}\n".format(df3))
del df3["weekday"]
print("df3:\n{}\n".format(df3))这段代码输出如下：
df3: note weekday No. 0 C Mon 1 1 D Tue 2 2 E Wed 3 3 F Thu 4 4 G Fri 5 5 A Sat 6 6 B Sun 7 df3: note No. 0 C 1 1 D 2 2 E 3 3 F 4 4 G 5 5 A 6 6 B 7
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：
# data_structure.py
print("df3.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\n".format(df3.index))这两行代码输出如下：
df3.columns Index(['note', 'No.'], dtype='object') df3.index RangeIndex(start=0, stop=7, step=1)
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：
# data_structure.py
print("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"]))
print("Note C, D is:\n{}\n".format(df3.iloc[[0, 1], 0]))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：
Note C, D is: 0 C 1 D Name: note, dtype: object Note C, D is: 0 C 1 D Name: note, dtype: object
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：
sudo pip3 install xlrd
安装完之后可以通过pip查看这个库的信息：
$ pip3 show xlrd Name: xlrd Version: 1.1.0 Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet files Home-page: http://www.python-excel.org/ Author: John Machin Author-email: sjmachin@lexicon.net License: BSD Location: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages Requires:
接下来我们看一个读取Excel的简单的例子：
# file_operation.py
import pandas as pd
import numpy as np
df1 = pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1))这个Excel的内容如下：
df1: C Mon 0 D Tue 1 E Wed 2 F Thu 3 G Fri 4 A Sat 5 B Sun
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：
$ cat test1.csv C,Mon D,Tue E,Wed F,Thu G,Fri A,Sat
读取的方式也很简单：
# file_operation.py
df2 = pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))我们再来看第2个例子，这个文件的内容如下：
$ cat test2.csv C|Mon D|Tue E|Wed F|Thu G|Fri A|Sat
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：
# file_operation.py
df3 = pd.read_csv("data/test2.csv", sep="|")
print("df3:\n{}\n".format(df3))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：
| Parameter | Beschreibung |
|---|---|
| Pfad | Dateipfad |
| Trennzeichen oder Trennzeichen | Feldtrennzeichen |
| Kopfzeile | Die Anzahl der Zeilen im Spaltennamen, der Standardwert ist 0 (Erste Zeile) |
| index_col | Die Spaltennummer oder der Name wird als Zeilenindex im Ergebnis verwendet |
| Namen | Liste der Spaltennamen für das Ergebnis |
| Skiprows | Anzahl der Zeilen, die von der Startposition aus übersprungen werden sollen |
| na_values | Eine Folge von Werten, die NA |
| Kommentar | Das Zeichen, das Kommentare durch Zeilenenden trennt< ersetzt 🎜> |
| parse_dates | versucht, die Daten in datetime zu analysieren. Standardmäßig ist False |
| keep_date_col | Wenn Sie eine Spalte mit einem analysierten Datum verketten, behalten Sie die verkettete Spalte bei. Der Standardwert ist False. |
| Konverter | Konverter für Spalten |
| dayfirst | Beim Parsen werden Daten gespeichert, die zu Mehrdeutigkeiten führen können in innerer Form.Der Standardwert ist False |
| data_parser | Funktion zum Analysieren von Daten |
| nrows | von Die Anzahl der Zeilen, mit denen in der Datei mit dem Lesen begonnen werden soll |
| iterator | Gibt ein TextParser-Objekt zum Lesen eines Teils des Inhalts zurück |
| chunksize | Geben Sie die Größe des Leseblocks an |
| skip_footer | Die Anzahl der Zeilen, die am Ende der Datei ignoriert werden sollen |
| ausführlich | Verschiedene Parsing-Ausgabeinformationen ausgeben |
| Kodierung | Dateikodierung |
| Squeeze | Wenn die analysierten Daten nur eine Spalte enthalten, geben Sie ein Series |
| Tausender | Tausendertrennzeichen | <🎜 zurück >
