python 數據分析--pandas
接下來pandas介紹中將學習到如下8塊內容：
1、數據結構簡介：DataFrame和Series
2、數據索引index
3、利用pandas查詢數據
4、利用pandas的DataFrames進行統計分析
5、利用pandas實現SQL操作
6、利用pandas進行缺失值的處理
7、利用pandas實現Excel的數據透視表功能
8、多層索引的使用
一、數據結構介紹
在pandas中有兩類非常重要的數據結構，即序列Series和數據框DataFrame。Series類似於numpy中的一維數組，除了通吃一維數組可用的函數或方法，而且其可通過索引標簽的方式獲取數據，還具有索引的自動對齊功能；DataFrame類似於numpy中的二維數組，同樣可以通用numpy數組的函數和方法，而且還具有其他靈活應用，後續會介紹到。
1、Series的創建
序列的創建主要有三種方式：
1）通過一維數組創建序列
import numpy as np, pandas as pd arr1 = np.arange(10) print(arr1) print(type(arr1)) s1 = pd.Series(arr1) print(s1) print(type(s1))
結果：
[0 1 2 3 4 5 6 7 8 9] <class ‘numpy.ndarray‘> 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int32View Code<class ‘pandas.core.series.Series‘>
2）通過字典的方式創建序列
import numpy as np, pandas as pd
dic1 = {‘a‘:10,‘b‘:20,‘c‘:30,‘d‘:40,‘e‘:50}
print(dic1)
print(type(dic1))
s2 = pd.Series(dic1)
print(s2)
print(type(s2))
3）通過DataFrame中的某一行或某一列創建序列
這部分內容我們放在後面講，因為下面就開始將DataFrame的創建。
2、DataFrame的創建
數據框的創建主要有三種方式：
1）通過二維數組創建數據框
import numpy as np, pandas as pd
arr2 = np.array(np.arange(12)).reshape(4,3) print(arr2) print(type(arr2)) df1 = pd.DataFrame(arr2) print(df1) print(type(df1))
2）通過字典的方式創建數據框
以下以兩種字典來創建數據框，一個是字典列表，一個是嵌套字典。
import pandas as pd dic2 = {‘a‘:[1,2,3,4],‘b‘:[5,6,7,8],‘c‘:[9,10,11,12],‘d‘:[13,14,15,16]} print(dic2) print(type(dic2)) df2 = pd.DataFrame(dic2) print(df2) print(type(df2)) dic3 = {‘one‘:{‘a‘:1,‘b‘:2,‘c‘:3,‘d‘:4},‘two‘:{‘a‘:5,‘b‘:6,‘c‘:7,‘d‘:8},‘three‘:{‘a‘:9,‘b‘:10,‘c‘:11,‘d‘:12}} print(dic3) print(type(dic3)) df3 = pd.DataFrame(dic3) print(df3) print(type(df3))
import pandas as pd dic2 = {‘a‘:[1,2,3,4],‘b‘:[5,6,7,8],‘c‘:[9,10,11,12],‘d‘:[13,14,15,16]} print(dic2) print(type(dic2)) df2 = pd.DataFrame(dic2) print(df2) print(type(df2)) dic3 = {‘one‘:{‘a‘:1,‘b‘:2,‘c‘:3,‘d‘:4},‘two‘:{‘a‘:5,‘b‘:6,‘c‘:7,‘d‘:8},‘three‘:{‘a‘:9,‘b‘:10,‘c‘:11,‘d‘:12}} print(dic3) print(type(dic3)) df3 = pd.DataFrame(dic3) print(df3) print(type(df3))
import pandas as pd dic2 = {‘a‘:[1,2,3,4],‘b‘:[5,6,7,8],‘c‘:[9,10,11,12],‘d‘:[13,14,15,16]} print(dic2) print(type(dic2)) df2 = pd.DataFrame(dic2) print(df2) print(type(df2)) dic3 = {‘one‘:{‘a‘:1,‘b‘:2,‘c‘:3,‘d‘:4},‘two‘:{‘a‘:5,‘b‘:6,‘c‘:7,‘d‘:8},‘three‘:{‘a‘:9,‘b‘:10,‘c‘:11,‘d‘:12}} print(dic3) print(type(dic3)) df3 = pd.DataFrame(dic3) print(df3) print(type(df3))
3）通過數據框的方式創建數據框
import pandas as pd dic3 = {‘one‘:{‘a‘:1,‘b‘:2,‘c‘:3,‘d‘:4},‘two‘:{‘a‘:5,‘b‘:6,‘c‘:7,‘d‘:8},‘three‘:{‘a‘:9,‘b‘:10,‘c‘:11,‘d‘:12}} df3 = pd.DataFrame(dic3) df4 = df3[[‘one‘,‘three‘]] print(df4) print(type(df4)) s3 = df3[‘one‘] print(s3) print(type(s3))
二、數據索引index
細致的朋友可能會發現一個現象，不論是序列也好，還是數據框也好，對象的最左邊總有一個非原始數據對象，這個是什麽呢？不錯，就是我們接下來要介紹的索引。
在我看來，序列或數據框的索引有兩大用處，一個是通過索引值或索引標簽獲取目標數據，另一個是通過索引，可以使序列或數據框的計算、操作實現自動化對齊，下面我們就來看看這兩個功能的應用。
1、通過索引值或索引標簽獲取數據
import numpy as np import pandas as pd s4 = pd.Series(np.array([1,1,2,3,5,8])) print(s4)
如果不給序列一個指定的索引值，則序列自動生成一個從0開始的自增索引。可以通過index查看序列的索引：
s4.index
現在我們為序列設定一個自定義的索引值：
import numpy as np import pandas as pd s4 = pd.Series(np.array([1,1,2,3,5,8])) s4.index = [‘a‘,‘b‘,‘c‘,‘d‘,‘e‘,‘f‘] print(s4)
序列有了索引，就可以通過索引值或索引標簽進行數據的獲取：
s4[3] s4[‘e‘] s4[[1,3,5]] s4[[‘a‘,‘b‘,‘d‘,‘f‘]] s4[:4] s4[‘c‘:] s4[‘b‘:‘e‘]
千萬註意：如果通過索引標簽獲取數據的話，末端標簽所對應的值是可以返回的！在一維數組中，就無法通過索引標簽獲取數據，這也是序列不同於一維數組的一個方面。(根本沒索引)
2、自動化對齊
如果有兩個序列，需要對這兩個序列進行算術運算，這時索引的存在就體現的它的價值了—自動化對齊.
import numpy as np import pandas as pd s5 = pd.Series(np.array([10,15,20,30,55,80]), index = [‘a‘,‘b‘,‘c‘,‘d‘,‘e‘,‘f‘]) print(s5) s6 = pd.Series(np.array([12,11,13,15,14,16]), index = [‘a‘,‘c‘,‘g‘,‘b‘,‘d‘,‘f‘]) print(s6) print(s5 + s6) print(s5/s6)
由於s5中沒有對應的g索引，s6中沒有對應的e索引，所以數據的運算會產生兩個缺失值NaN。註意，這裏的算術結果就實現了兩個序列索引的自動對齊，而非簡單的將兩個序列加總或相除。對於數據框的對齊，不僅僅是行索引的自動對齊，同時也會自動對齊列索引（變量名）
數據框中同樣有索引，而且數據框是二維數組的推廣，所以其不僅有行索引，而且還存在列索引，關於數據框中的索引相比於序列的應用要強大的多，這部分內容將放在數據查詢中講解。
三、利用pandas查詢數據
這裏的查詢數據相當於R語言裏的subset功能，可以通過布爾索引有針對的選取原數據的子集、指定行、指定列等。我們先導入一個student數據集：
student = pd.io.parsers.read_csv(‘fileName.csv‘)
查詢數據的前5行或末尾5行
student.head()
student.tail()
查詢指定的行
student.ix[[0,2,4,5,7]] #這裏的ix索引標簽函數必須是中括號[]
查詢指定的列
student[[‘Name‘,‘Height‘,‘Weight‘]].head() #如果多個列的話，必須使用雙重中括號
查詢指定的行和列
student.ix[[0,2,4,5,7],[‘Name‘,‘Height‘,‘Weight‘]].head()
以上是從行或列的角度查詢數據的子集，現在我們來看看如何通過布爾索引實現數據的子集查詢。
查詢所有女生的信息
student[student[‘Sex‘]==‘F‘]
查詢出所有12歲以上的女生信息
student[(student[‘Sex‘]==‘F‘) & (student[‘Age‘]>12)]
查詢出所有12歲以上的女生姓名、身高和體重
student[(student[‘Sex‘]==‘F‘) & (student[‘Age‘]>12)][[‘Name‘,‘Height‘,‘Weight‘]]
上面的查詢邏輯其實非常的簡單，需要註意的是，如果是多個條件的查詢，必須在&（且）或者|（或）的兩端條件用括號括起來。
四、統計分析
pandas模塊為我們提供了非常多的描述性統計分析的指標函數，如總和、均值、最小值、最大值等，我們來具體看看這些函數：
首先隨機生成三組數據
np.random.seed(1234) d1 = pd.Series(2*np.random.normal(size = 100)+3) d2 = np.random.f(2,4,size = 100) d3 = np.random.randint(1,100,size = 100) d1.count() #非空元素計算 d1.min() #最小值 d1.max() #最大值 d1.idxmin() #最小值的位置，類似於R中的which.min函數 d1.idxmax() #最大值的位置，類似於R中的which.max函數 d1.quantile(0.1) #10%分位數 d1.sum() #求和 d1.mean() #均值 d1.median() #中位數 d1.mode() #眾數 d1.var() #方差 d1.std() #標準差 d1.mad() #平均絕對偏差 d1.skew() #偏度 d1.kurt() #峰度 d1.describe() #一次性輸出多個描述性統計指標
必須註意的是，descirbe方法只能針對序列或數據框，一維數組是沒有這個方法的
這裏自定義一個函數，將這些統計描述指標全部匯總到一起:
import pandas as pd
import numpy as np
def stats(x): return pd.Series([x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(),x.quantile(.75),x.mean(),x.max(),x.idxmax(),x.mad(),x.var(),x.std(),x.skew(),x.kurt()],index =[‘Count‘,‘Min‘,‘Whicn_Min‘,‘Q1‘,‘Median‘,‘Q3‘,‘Mean‘,‘Max‘,‘Which_Max‘,‘Mad‘,‘Var‘,‘Std‘,‘Skew‘,‘Kurt‘]) d1 = pd.Series(2*np.random.normal(size = 100)+3) stats(d1)
在實際的工作中，我們可能需要處理的是一系列的數值型數據框，如何將這個函數應用到數據框中的每一列呢？可以使用apply函數，這個非常類似於R中的apply的應用方法。
將之前創建的d1,d2,d3數據構建數據框:
import numpy as np
import pandas as pd
def stats(x):
return pd.Series([x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(),x.quantile(.75),x.mean(),x.max(),x.idxmax(),x.mad(),x.var(),x.std(),x.skew(),x.kurt()],index =[‘Count‘,‘Min‘,‘Whicn_Min‘,‘Q1‘,‘Median‘,‘Q3‘,‘Mean‘,‘Max‘,‘Which_Max‘,‘Mad‘,‘Var‘,‘Std‘,‘Skew‘,‘Kurt‘])
np.random.seed(1234)
d1 = pd.Series(2*np.random.normal(size = 100)+3)
d2 = np.random.f(2,4,size = 100)
d3 = np.random.randint(1,100,size = 100)
df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=[‘x1‘,‘x2‘,‘x3‘])
print(df.head())
print(df.apply(stats))
df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=[‘x1‘,‘x2‘,‘x3‘]) df.head() df.apply(stats)
結果：
x1 x2 x3 0 3.942870 1.369531 55.0 1 0.618049 0.943264 68.0 2 5.865414 0.590663 73.0 3 2.374696 0.206548 59.0 4 1.558823 0.223204 60.0 x1 x2 x3 Count 100.000000 100.000000 100.000000 Min -4.127033 0.014330 3.000000 Whicn_Min 81.000000 72.000000 76.000000 Q1 2.040101 0.249580 25.000000 Median 3.204555 1.000613 54.500000 Q3 4.434788 2.101581 73.000000 Mean 3.070225 2.028608 51.490000 Max 7.781921 18.791565 98.000000 Which_Max 39.000000 53.000000 96.000000 Mad 1.511288 1.922669 24.010800 Var 4.005609 10.206447 780.090808 Std 2.001402 3.194753 27.930106 Skew -0.649478 3.326246 -0.118917 Kurt 1.220109 12.636286 -1.211579View Code
非常完美，就這樣很簡單的創建了數值型數據的統計性描述。如果是離散型數據呢？就不能用這個統計口徑了，我們需要統計離散變量的觀測數、唯一值個數、眾數水平及個數。你只需要使用describe方法就可以實現這樣的統計了。
student[‘Sex‘].describe()
備註：數值數據，結果的索引將包括計數，平均值，標準差，最小值，最大值以及較低的百分位數和50。默認情況下，較低的百分位數為25，較高的百分位數為75.50百分位數與中位數相同。
除以上的簡單描述性統計之外，還提供了連續變量的相關系數（corr）和協方差矩陣（cov）的求解，這個跟R語言是一致的用法
df.corr()
關於相關系數的計算可以調用pearson方法或kendell方法或spearman方法，默認使用pearson方法。
df.corr(‘spearman‘)
其中，不同的系數運算方式對數據的形態是有不同的要求的
如果只想關註某一個變量與其余變量的相關系數的話，可以使用corrwith,如下方只關心x1與其余變量的相關系數:
df.corrwith(df[‘x1‘])
數值型變量間的協方差矩陣
df.cov()
五、類似於SQL的操作
在SQL中常見的操作主要是增、刪、改、查幾個動作，那麽pandas能否實現對數據的這幾項操作呢？答案是Of Course!
增：添加新行或增加新列
In [99]: dic = {‘Name‘:[‘LiuShunxiang‘,‘Zhangshan‘],...: ‘Sex‘:[‘M‘,‘F‘],‘Age‘:[27,23],...: ‘Height‘:[165.7,167.2],‘Weight‘:[61,63]}In [100]: student2 = pd.DataFrame(dic)In [101]: student2Out[101]:Age Height Name Sex Weight0 27 165.7 LiuShunxiang M 611 23 167.2 Zhangshan F 63
現在將student2中的數據新增到student中，可以通過concat函數實現：
註意到了嗎？在數據庫中union必須要求兩張表的列順序一致，而這裏concat函數可以自動對齊兩個數據框的變量！
新增列的話，其實在pandas中就更簡單了，例如在student2中新增一列學生成績：
對於新增的列沒有賦值，就會出現空NaN的形式。
刪：刪除表、觀測行或變量列
刪除數據框student2,通過del命令實現，該命令可以刪除Python的所有對象。
刪除指定的行
原數據中的第1,2,4,7行的數據已經被刪除了。
根據布爾索引刪除行數據，其實這個刪除就是保留刪除條件的反面數據，例如刪除所有14歲以下的學生：
刪除指定的列
我們發現，不論是刪除行還是刪除列，都可以通過drop方法實現，只需要設定好刪除的軸即可，即調整drop方法中的axis參數。默認該參數為0，表示刪除行觀測，如果需要刪除列變量，則需設置為1。
改：修改原始記錄的值
如果發現表中的某些數據錯誤了，如何更改原來的值呢？我們試試結合布爾索引和賦值的方法：
例如發現student3中姓名為Liushunxiang的學生身高錯了，應該是173，如何改呢？
這樣就可以把原來的身高修改為現在的170了。
看，關於索引的操作非常靈活、方便吧，就這樣輕松搞定數據的更改。
查：有關數據查詢部分，上面已經介紹過，下面重點講講聚合、排序和多表連接操作。
聚合：pandas模塊中可以通過groupby()函數實現數據的聚合操作
根據性別分組，計算各組別中學生身高和體重的平均值：
如果不對原始數據作限制的話，聚合函數會自動選擇數值型數據進行聚合計算。如果不想對年齡計算平均值的話，就需要剔除改變量：
groupby還可以使用多個分組變量，例如根本年齡和性別分組，計算身高與體重的平均值：
當然，還可以對每個分組計算多個統計量：
是不是很簡單，只需一句就能完成SQL中的SELECT…FROM…GROUP BY…功能，何樂而不為呢？
排序：
排序在日常的統計分析中還是比較常見的操作，我們可以使用order、sort_index和sort_values實現序列和數據框的排序工作：
我們再試試降序排序的設置：
上面兩個結果其實都是按值排序，並且結果中都給出了警告信息，即建議使用sort_values()函數進行按值排序。
在數據框中一般都是按值排序，例如：
多表連接:
多表之間的連接也是非常常見的數據庫操作，連接分內連接和外連接，在數據庫語言中通過join關鍵字實現，pandas我比較建議使用merger函數實現數據的各種連接操作。
如下是構造一張學生的成績表：
現在想把學生表student與學生成績表score做一個關聯，該如何操作呢？
註意，默認情況下，merge函數實現的是兩個表之間的內連接，即返回兩張表中共同部分的數據。可以通過how參數設置連接的方式，left為左連接；right為右連接；outer為外連接。
左連接實現的是保留student表中的所有信息，同時將score表的信息與之配對，能配多少配多少，對於沒有配對上的Name，將會顯示成績為NaN。
六、缺失值處理
現實生活中的數據是非常雜亂的，其中缺失值也是非常常見的，對於缺失值的存在可能會影響到後期的數據分析或挖掘工作，那麽我們該如何處理這些缺失值呢？常用的有三大類方法，即刪除法、填補法和插值法。
刪除法：當數據中的某個變量大部分值都是缺失值，可以考慮刪除改變量；當缺失值是隨機分布的，且缺失的數量並不是很多是，也可以刪除這些缺失的觀測。
替補法：對於連續型變量，如果變量的分布近似或就是正態分布的話，可以用均值替代那些缺失值；如果變量是有偏的，可以使用中位數來代替那些缺失值；對於離散型變量，我們一般用眾數去替換那些存在缺失的觀測。
插補法：插補法是基於蒙特卡洛模擬法，結合線性模型、廣義線性模型、決策樹等方法計算出來的預測值替換缺失值。
我們這裏就介紹簡單的刪除法和替補法：
這是一組含有缺失值的序列，我們可以結合sum函數和isnull函數來檢測數據中含有多少缺失值：
In [130]: sum(pd.isnull(s))Out[130]: 9
直接刪除缺失值
默認情況下，dropna會刪除任何含有缺失值的行，我們再構造一個數據框試試：
返回結果表明，數據中只要含有缺失值NaN,該數據行就會被刪除，如果使用參數how=’all’，則表明只刪除所有行為缺失值的觀測。
使用一個常量來填補缺失值，可以使用fillna函數實現簡單的填補工作：
1）用0填補所有缺失值
2)采用前項填充或後向填充
3)使用常量填充不同的列
4)用均值或中位數填充各自的列
很顯然，在使用填充法時，相對於常數填充或前項、後項填充，使用各列的眾數、均值或中位數填充要更加合理一點，這也是工作中常用的一個快捷手段。
七、數據透視表
pivot_table(data,values=None, index=None, columns=None, aggfunc=‘mean‘, fill_value=None, margins=False, dropna=True, margins_name=‘All‘) data：需要進行數據透視表操作的數據框 values：指定需要聚合的字段 index：指定某些原始變量作為行索引 columns：指定哪些離散的分組變量 aggfunc：指定相應的聚合函數 fill_value：使用一個常數替代缺失值，默認不替換 margins：是否進行行或列的匯總，默認不匯總 dropna：默認所有觀測為缺失的列 margins_name：默認行匯總或列匯總的名稱為‘All‘
我們仍然以student表為例，來認識一下數據透視表pivot_table函數的用法：
對一個分組變量（Sex），一個數值變量（Height）作統計匯總
對一個分組變量（Sex），兩個數值變量（Height,Weight）作統計匯總
對兩個分組變量（Sex，Age)，兩個數值變量（Height,Weight）作統計匯總
很顯然這樣的結果並不像Excel中預期的那樣，該如何變成列聯表的形式的？很簡單，只需將結果進行非堆疊操作（unstack）即可：
看，這樣的結果是不是比上面那種看起來更舒服一點？
使用多個聚合函數
有關更多數據透視表的操作，可參考《Pandas透視表（pivot_table）詳解》一文，鏈接地址：http://python.jobbole.com/81212/
八、多層索引的使用
最後我們再來講講pandas中的一個重要功能，那就是多層索引。在序列中它可以實現在一個軸上擁有多個索引，就類似於Excel中常見的這種形式：
對於這樣的數據格式有什麽好處呢？pandas可以幫我們實現用低維度形式處理高維數數據，這裏舉個例子也許你就能明白了：
對於這種多層次索引的序列，取數據就顯得非常簡單了：
對於這種多層次索引的序列，我們還可以非常方便的將其轉換為數據框的形式：
以上針對的是序列的多層次索引，數據框也同樣有多層次的索引，而且每條軸上都可以有這樣的索引，就類似於Excel中常見的這種形式：
我們不妨構造一個類似的高維數據框：
同樣，數據框中的多層索引也可以非常便捷的取出大塊數據：
在數據框中使用多層索引，可以將整個數據集控制在二維表結構中，這對於數據重塑和基於分組的操作（如數據透視表的生成）比較有幫助。
就拿student二維數據框為例，我們構造一個多層索引數據集：
講到這裏，我們關於pandas模塊的學習基本完成，其實在掌握了pandas這8個主要的應用方法就可以靈活的解決很多工作中的數據處理、統計分析等任務。有關更多的pandas介紹，可參考pandas官方文檔：http://pandas.pydata.org/pandas-docs/version/0.17.0/whatsnew.html。
感謝劉順祥作者分享
python 數據分析--pandas