pandas的資料結構介紹

要使用pandas，你首先就得熟悉它的兩個主要資料結構：Series和DataFrame。雖然它們並不能解決所有問題，但它們為大多數應用提供了一種可靠的、易於使用的基礎。

In [1]: from pandas import Series,DataFrame

In [2]: import pandas as pd

In [3]: import numpy as np

Series

Series是一種類似於一維陣列的物件，它由一組資料（各種NumPy資料型別）以及一組與之相關的資料標籤（即索引）組成。僅由一組資料即可產生最簡單的Series。

In
 
 [4]: obj=Series([5,8,-6,2])

In [5]: obj
Out[5]: 
0 5
1 8
2 -6
3 2
dtype: int64

Series的字串表現形式為：索引在左邊，值在右邊。由於我們沒有為資料指定索引，於是會自動建立一個0到N1（N為資料的長度）的整數型索引。你可以通過Series 的values和index屬性獲取其陣列表示形式和索引物件。

In [6]: obj.values
Out[6]: array([ 5, 8, -6, 2], dtype=int64)

In [7]: obj.index
Out[7]: RangeIndex(start=0
 
, stop=4, step=1)

希望所建立的Series帶有一個可以對各個資料點進行標記的索引

In [8]: obj2=Series([4,8,-6,3],index=['d','a','b','c'])

In [9]: obj2
Out[9]: 
d 4
a 8
b -6
c 3
dtype: int64

與普通NumPy陣列相比，你可以通過索引的方式選取Series中的單個或一組值

In [10]: obj2['b']
Out[10]: -6

In [11]: obj2['d']=9

In [12]: obj2[['c','a','d']]
Out[12]: 
c 3
 

a 8
d 9
dtype: int64

NumPy陣列運算（如根據布林型陣列進行過濾、標量乘法、應用數學函式等）都會保留索引和值之間的連結

In [13]: obj2
Out[13]: 
d 9
a 8
b -6
c 3
dtype: int64

In [14]: obj2[obj2>0]
Out[14]: 
d 9
a 8
c 3
dtype: int64

In [15]: obj2*3
Out[15]: 
d 27
a 24
b -18
c 9
dtype: int64

In [16]: np.exp(obj2)
Out[16]: 
d 8103.083928
a 2980.957987
b 0.002479
c 20.085537
dtype: float64

可以將Series看成是一個定長的有序字典，因為它是索引值到資料值的一個對映。它可以用在許多原本需要字典引數的函式中。

In [17]: 'b' in obj2
Out[17]: True

In [18]: 'k' in obj2
Out[18]: False

如果資料被存放在一個Python字典中，也可以直接通過這個字典來建立Series

In [19]: sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}

In [20]: obj3=Series(sdata)

In [21]: obj3
Out[21]: 
Ohio 35000
Oregon 16000
Texas 71000
Utah 5000
dtype: int64

如果只傳入一個字典，則結果Series中的索引就是原字典的鍵（有序排列）

In [22]: states = ['California', 'Ohio', 'Oregon', 'Texas']

In [23]: obj4 = Series(sdata, index=states)

In [24]: obj4
Out[24]: 
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64

sdata中跟states索引相匹配的那3個值會被找出來並放到相應的位置上，但由於”California”所對應的sdata值找不到，所以其結果就為NaN（即“非數字”（not a number），在pandas中，它用於表示缺失或NA值）。我將使用缺失（missing）或NA表示缺失資料。pandas的isnull和notnull函式可用於檢測缺失資料

In [25]: pd.isnull(obj4)
Out[25]: 
California True
Ohio False
Oregon False
Texas False
dtype: bool

In [26]: pd.notnull(obj4)
Out[26]: 
California False
Ohio True
Oregon True
Texas True
dtype: bool

In [27]: obj4.isnull()
Out[27]: 
California True
Ohio False
Oregon False
Texas False
dtype: bool

Series最重要的一個功能是：它在算術運算中會自動對齊不同索引的資料。

In [28]: obj3
Out[28]: 
Ohio 35000
Oregon 16000
Texas 71000
Utah 5000
dtype: int64

In [29]: obj4
Out[29]: 
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64

In [30]: obj3+obj4
Out[30]: 
California NaN
Ohio 70000.0
Oregon 32000.0
Texas 142000.0
Utah NaN
dtype: float64

Series物件本身及其索引都有一個name屬性，該屬性跟pandas其他的關鍵功能關係非常密切

In [31]: obj4.name = 'population'

In [32]: obj4.index.name = 'state'

In [33]: obj4
Out[33]: 
state
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
Name: population, dtype: float64

In [34]: obj
Out[34]: 
0 5
1 8
2 -6
3 2
dtype: int64

Series的索引可以通過賦值的方式就地修改

In [35]: obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan']

In [36]: obj
Out[36]: 
Bob 5
Steve 8
Jeff -6
Ryan 2
dtype: int64

DataFrame

DataFrame是一個表格型的資料結構，它含有一組有序的列，每列可以是不同的值型別（數值、字串、布林值等）。DataFrame既有行索引也有列索引，它可以被看做由Series組成的字典（共用同一個索引）。DataFrame中的資料是以一個或多個二維塊存放的（而不是列表、字典或別的一維資料結構）。
注意： 雖然DataFrame是以二維結構儲存資料的，但你仍然可以輕鬆地將其表示為更高維度的資料。

構建DataFrame的辦法有很多，最常用的一種是直接傳入一個由等長列表或NumPy陣列組成的字典。

In [37]: data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
    ...:         'year': [2000, 2001, 2002, 2001, 2002],
    ...:         'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}

In [38]: frame=DataFrame(data)

結果DataFrame會自動加上索引（跟Series一樣），且全部列會被有序排列

In [39]: frame
Out[39]: 
pop state year
0 1.5 Ohio 2000
1 1.7 Ohio 2001
2 3.6 Ohio 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002

如果指定了列序列，則DataFrame的列就會按照指定順序進行排序

In [40]: DataFrame(data, columns=['year', 'state', 'pop'])
Out[40]: 
year state pop
0 2000 Ohio 1.5
1 2001 Ohio 1.7
2 2002 Ohio 3.6
3 2001 Nevada 2.4
4 2002 Nevada 2.9

In [41]: frame2 = DataFrame(data, columns=['year', 'state', 'pop', 'debt'],
    ...:                       index=['one', 'two', 'three', 'four', 'five'])

跟Series一樣，如果傳入的列在資料中找不到，就會產生NA值

In [42]: frame2
Out[42]: 
year state pop debt
one 2000 Ohio 1.5 NaN
two 2001 Ohio 1.7 NaN
three 2002 Ohio 3.6 NaN
four 2001 Nevada 2.4 NaN
five 2002 Nevada 2.9 NaN

In [43]: frame2.columns
Out[43]: Index(['year', 'state', 'pop', 'debt'], dtype='object')

通過類似字典標記的方式或屬性的方式，可以將DataFrame的列獲取為一個Series

In [44]: frame2['state']
Out[44]: 
one Ohio
two Ohio
three Ohio
four Nevada
five Nevada
Name: state, dtype: object

In [45]: frame2.year
Out[45]: 
one 2000
two 2001
three 2002
four 2001
five 2002
Name: year, dtype: int64

注意，返回的Series擁有原DataFrame相同的索引，且其name屬性也已經被相應地設定好了。行也可以通過位置或名稱的方式進行獲取，比如用索引欄位ix(被捨棄使用)，可以使用loc

In [46]: frame2.ix['three']
C:\ProgramData\Anaconda3\lib\site-packages\ipykernel_launcher.py:1: DeprecationWarning: 
.ix is deprecated. Please use
.loc for label based indexing or
.iloc for positional indexing

See the documentation here:
http://pandas.pydata.org/pandas-docs/stable/indexing.html#deprecate_ix
"""Entry point for launching an IPython kernel.
Out[46]: 
year 2002
state Ohio
pop 3.6
debt NaN
Name: three, dtype: object

In [47]: frame2.loc['three']
Out[47]: 
year 2002
state Ohio
pop 3.6
debt NaN
Name: three, dtype: object

列可以通過賦值的方式進行修改。例如，我們可以給那個空的”debt”列賦上一個標量值或一組值

In [48]: frame2['debt'] = 18.5

In [49]: frame2
Out[49]: 
year state pop debt
one 2000 Ohio 1.5 18.5
two 2001 Ohio 1.7 18.5
three 2002 Ohio 3.6 18.5
four 2001 Nevada 2.4 18.5
five 2002 Nevada 2.9 18.5

In [50]: frame2['debt'] = np.arange(5.)

In [51]: frame2
Out[51]: 
year state pop debt
one 2000 Ohio 1.5 0.0
two 2001 Ohio 1.7 1.0
three 2002 Ohio 3.6 2.0
four 2001 Nevada 2.4 3.0
five 2002 Nevada 2.9 4.0

將列表或陣列賦值給某個列時，其長度必須跟DataFrame的長度相匹配。如果賦值的是一個Series，就會精確匹配DataFrame的索引，所有的空位都將被填上缺失值

In [52]: val = Series([-1.2, -1.5, -1.7], index=['two', 'four', 'five'])

In [53]: frame2['debt']=val

In [54]: frame2
Out[54]: 
year state pop debt
one 2000 Ohio 1.5 NaN
two 2001 Ohio 1.7 -1.2
three 2002 Ohio 3.6 NaN
four 2001 Nevada 2.4 -1.5
five 2002 Nevada 2.9 -1.7

為不存在的列賦值會創建出一個新列。關鍵字del用於刪除列

In [55]: frame2['eastern'] = frame2.state == 'Ohio'

In [56]: frame2
Out[56]: 
year state pop debt eastern
one 2000 Ohio 1.5 NaN True
two 2001 Ohio 1.7 -1.2 True
three 2002 Ohio 3.6 NaN True
four 2001 Nevada 2.4 -1.5 False
five 2002 Nevada 2.9 -1.7 False

In [57]: del frame2['eastern']

In [58]: frame2.columns
Out[58]: Index(['year', 'state', 'pop', 'debt'], dtype='object')

警告： 通過索引方式返回的列只是相應資料的檢視而已，並不是副本。因此，對返回的Series所做的任何就地修改全都會反映到源DataFrame上。通過Series的copy方法即可顯式地複製列。
另一種常見的資料形式是巢狀字典（也就是字典的字典）,如果將它傳給DataFrame，它就會被解釋為：外層字典的鍵作為列，內層鍵則作為行索引。

In [64]: pop = {'Nevada': {2001: 2.4, 2002: 2.9},'Ohio': {2000: 1.5, 2001: 1.7, 2002: 3.6}}
In [65]: frame3=DataFrame(pop)
In [66]: frame3
Out[66]: 
Nevada Ohio
2000 NaN 1.5
2001 2.4 1.7
2002 2.9 3.6

對該結果進行轉置

In [67]: frame3.T
Out[67]: 
2000 2001 2002
Nevada NaN 2.4 2.9
Ohio 1.5 1.7 3.6

內層字典的鍵會被合併、排序以形成最終的索引。如果顯式指定了索引，則不會這樣

In [68]: DataFrame(pop, index=[2001, 2002, 2003])
Out[68]: 
Nevada Ohio
2001 2.4 1.7
2002 2.9 3.6
2003 NaN NaN

由Series組成的字典差不多也是一樣的用法

In [69]: pdata = {'Ohio': frame3['Ohio'][:-1],'Nevada': frame3['Nevada'][:2]}

In [70]: DataFrame(pdata)
Out[70]: 
Nevada Ohio
2000 NaN 1.5
2001 2.4 1.7

表5-1列出了DataFrame建構函式所能接受的各種資料

如果設定了DataFrame的index和columns的name屬性，則這些資訊也會被顯示出來

In [71]: frame3.index.name = 'year'; frame3.columns.name = 'state'
In [72]: frame3
Out[72]: 
state Nevada Ohio
year 
2000 NaN 1.5
2001 2.4 1.7
2002 2.9 3.6

跟Series一樣，values屬性也會以二維ndarray的形式返回DataFrame中的資料

In [73]: frame3.values
Out[73]: 
array([[ nan, 1.5],
[ 2.4, 1.7],
[ 2.9, 3.6]])

如果DataFrame各列的資料型別不同，則值陣列的資料型別就會選用能相容所有列的資料型別

In [74]: frame2.values
Out[74]: 
array([[2000, 'Ohio', 1.5, nan],
[2001, 'Ohio', 1.7, -1.2],
[2002, 'Ohio', 3.6, nan],
[2001, 'Nevada', 2.4, -1.5],
[2002, 'Nevada', 2.9, -1.7]], dtype=object)

索引物件
pandas的索引物件負責管理軸標籤和其他元資料（比如軸名稱等）。構建Series或DataFrame時，所用到的任何陣列或其他序列的標籤都會被轉換成一個Index：

In [75]: obj = Series(range(3), index=['a', 'b', 'c'])

In [76]: obj
Out[76]: 
a 0
b 1
c 2
dtype: int32

In [77]: index=obj.index

In [78]: index
Out[78]: Index(['a', 'b', 'c'], dtype='object')

In [79]: index[1:]
Out[79]: Index(['b', 'c'], dtype='object')

Index物件是不可修改的（immutable），因此使用者不能對其進行修改

In [80]: index[1]='d'
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-80-d3f90986bdb1> in <module>()
----> 1 index[1]='d'

C:\ProgramData\Anaconda3\lib\site-packages\pandas\core\indexes\base.py in __setitem__(self, key, value)
1618 
1619 def __setitem__(self, key, value):
-> 1620 raise TypeError("Index does not support mutable operations")
1621 
1622 def __getitem__(self, key):

TypeError: Index does not support mutable operations

不可修改性非常重要，因為這樣才能使Index物件在多個數據結構之間安全共享

In [81]: index = pd.index(np.arange(3))
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-81-5eb0f1ff3872> in <module>()
----> 1 index = pd.index(np.arange(3))

AttributeError: module 'pandas' has no attribute 'index'

In [82]: index = pd.Index(np.arange(3))

In [83]: index
Out[83]: Int64Index([0, 1, 2], dtype='int64')

In [84]: obj2 = Series([1.5, -3.5, 0], index=index)

In [85]: obj2
Out[85]: 
0 1.5
1 -3.5
2 0.0
dtype: float64

In [86]: obj2.index is index
Out[86]: True

表5-2列出了pandas庫中內建的Index類

除了長得像陣列，Index的功能也類似一個固定大小的集合

In [87]: frame3
Out[87]: 
state Nevada Ohio
year 
2000 NaN 1.5
2001 2.4 1.7
2002 2.9 3.6

In [88]: 'Ohio' in frame3.columns
Out[88]: True

In [89]: 2003 in frame3.index
Out[89]: False

每個索引都有一些方法和屬性，它們可用於設定邏輯並回答有關該索引所包含的資料的常見問題。表5-3列出了這些函式。

pandas資料結構的按照書本上進行練習，通過練習操作，可以更好的懂著這些基本的資料結構。