酷应用

资源 | 23种Pandas核心操作，你需要过一遍吗？

百家作者：机器之心 2018-08-26 08:39:05

选自 Medium

作者：George Seif

机器之心编译

参与：思源

Pandas 是一个 Python 软件库，它提供了大量能使我们快速便捷地处理数据的函数和方法。一般而言，Pandas 是使 Python 成为强大而高效的数据分析环境的重要因素之一。在本文中，作者从基本数据集读写、数据处理和 DataFrame 操作三个角度展示了 23 个 Pandas 核心方法。

Pandas 是基于 NumPy 构建的库，在数据处理方面可以把它理解为 NumPy 加强版，同时 Pandas 也是一项开源项目。它基于 Cython，因此读取与处理数据非常快，并且还能轻松处理浮点数据中的缺失数据（表示为 NaN）以及非浮点数据。在本文中，基本数据集操作主要介绍了 CSV 与 Excel 的读写方法，基本数据处理主要介绍了缺失值及特征抽取，最后的 DataFrame 操作则主要介绍了函数和排序等方法。

基本数据集操作

（1）读取 CSV 格式的数据集

pd.DataFrame.from_csv(“csv_file”)

或者：

pd.read_csv(“csv_file”)

（2）读取 Excel 数据集

pd.read_excel("excel_file")

（3）将 DataFrame 直接写入 CSV 文件

如下采用逗号作为分隔符，且不带索引：

df.to_csv("data.csv", sep=",", index=False)

（4）基本的数据集特征信息

df.info()

（5）基本的数据集统计信息

print(df.describe())

(6) Print data frame in a table

将 DataFrame 输出到一张表：

print(tabulate(print_table, headers=headers))

当「print_table」是一个列表，其中列表元素还是新的列表，「headers」为表头字符串组成的列表。

（7）列出所有列的名字

df.columns

基本数据处理

（8）删除缺失数据

df.dropna(axis=0, how='any')

返回一个 DataFrame，其中删除了包含任何 NaN 值的给定轴，选择 how=「all」会删除所有元素都是 NaN 的给定轴。

（9）替换缺失数据

df.replace(to_replace=None, value=None)

使用 value 值代替 DataFrame 中的 to_replace 值，其中 value 和 to_replace 都需要我们赋予不同的值。

（10）检查空值 NaN

pd.isnull(object)

检查缺失值，即数值数组中的 NaN 和目标数组中的 None/NaN。

（11）删除特征

df.drop('feature_variable_name', axis=1)

axis 选择 0 表示行，选择表示列。

（12）将目标类型转换为浮点型

pd.to_numeric(df["feature_name"], errors='coerce')

将目标类型转化为数值从而进一步执行计算，在这个案例中为字符串。

（13）将 DataFrame 转换为 NumPy 数组

df.as_matrix()

（14）取 DataFrame 的前面「n」行

df.head(n)

（15）通过特征名取数据

df.loc[feature_name]

DataFrame 操作

（16）对 DataFrame 使用函数

该函数将令 DataFrame 中「height」行的所有值乘上 2：

df["height"].apply(*lambda* height: 2 * height)

或：

def multiply(x):

 return x * 2

df["height"].apply(multiply)

（17）重命名行

下面代码会重命名 DataFrame 的第三行为「size」：

df.rename(columns = {df.columns[2]:'size'}, inplace=True)

（18）取某一行的唯一实体

下面代码将取「name」行的唯一实体：

df["name"].unique()

（19）访问子 DataFrame

以下代码将从 DataFrame 中抽取选定了的行「name」和「size」：

new_df = df[["name", "size"]]

（20）总结数据信息

# Sum of values in a data frame
df.sum()
# Lowest value of a data frame
df.min()
# Highest value
df.max()
# Index of the lowest value
df.idxmin()
# Index of the highest value
df.idxmax()
# Statistical summary of the data frame, with quartiles, median, etc.
df.describe()
# Average values
df.mean()
# Median values
df.median()
# Correlation between columns
df.corr()
# To get these values for only one column, just select it like this#
df["size"].median()