运小筹 | Python编程-系统性的学会 Pandas，看这一篇就够了！(含案例分析)

本文来源公众号“运小筹”，仅用于学术分享，侵权删，干货满满。篇幅略长，建议收藏！

原文链接：Python编程 | 系统性的学会 Pandas，看这一篇就够了！ (qq.com)

1、Pandas数据结构

• 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

1.1 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？

（1）增强图表可读性

• 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：

（2）便捷的数据处理能力

（3）读取文件方便

（4）封装了Matplotlib、Numpy的画图和计算

1.2 Pandas数据结构

Pandas中一共有三种数据结构，分别为：Series、DataFrame和MultiIndex（老版本中叫Panel ）。

其中Series是一维数据结构，DataFrame是二维的表格型数据结构，MultiIndex是三维的数据结构。

1.2.1 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。

（1）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:

• （1）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

• （2）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

• （3）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

（2）Series的属性

为了更方便地操作Series对象中的索引和数据，Series中提供了两个属性index和values：

• index：

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

1.2.2 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，表明不同行，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

（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

举例一：

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

结果：

举例二：创建学生成绩表

使用np创建的数组显示方式，比较两者的区别。

# 生成10名同学，5门功课的数据
score = np.random.randint(40, 100, (10, 5))#均匀分布

# 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]])

但是这样的数据形式很难看到存储的是什么的样的数据，可读性比较差！！

问题：如何让数据更有意义的显示？

# 使用Pandas中的数据结构
score_df = pd.DataFrame(score)

结果：

给分数数据增加行列索引,显示效果更佳：

• 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)

结果：

（2）DataFrame的属性

• （1）shape

data.shape

# 结果
(10, 5)

• （2）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')

• （3）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')

• （4）values

直接获取其中array的值

array([[54, 82, 62, 81, 47],
       [50, 58, 73, 72, 48],
       [88, 89, 49, 99, 83],
       [79, 81, 69, 45, 87],
       [87, 64, 62, 74, 85],
       [68, 56, 58, 77, 53],
       [77, 49, 82, 48, 82],
       [96, 49, 67, 94, 71],
       [98, 77, 44, 99, 41],
       [71, 52, 74, 90, 44]])

• （5）T转置

data.T

结果：

• （6）head(5)：显示前5行内容

如果不补充参数，默认5行。填入参数N则显示前N行

data.head(5)

结果：

• （7）tail(5):显示后5行内容

如果不补充参数，默认5行。填入参数N则显示后N行

data.tail(5)

结果：

（3）DatatFrame索引的设置

现在要将下图的行索引改变，变成下下图所示样子，怎么做呢？

• (1)修改行列索引值

stu = ["同学_" + 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，说明不能单独修改

# 错误修改方式，不能单个修改
data.index[3] = '学生_3'

• （2）重设索引

• • 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

  • reset_index(drop=False)

# 重置索引,drop=False
data.reset_index()

结果：

# 重置索引,drop=True
data.reset_index()

结果：

• （3）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

设置新索引案例：

1、创建

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

2、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

3、设置多个索引，以年和月份

df = df.set_index(['year', 'month'])
df
            sale
year  month
2012  1     55
2014  4     40
2013  7     84
2014  10    31

注：通过刚才的设置，这样DataFrame就变成了一个具有MultiIndex的DataFrame。

1.2.3 MultiIndex与Panel

（1）MultiIndex

MultiIndex是三维的数据结构;

多级索引（也称层次化索引）是pandas的重要功能，可以在Series、DataFrame对象上拥有2个以及2个以上的索引。

• （1）multiIndex的特性

打印刚才的df的行索引结果

df
            sale
year  month
2012  1     55
2014  4     40
2013  7     84
2014  10    31

df.index

MultiIndex(levels=[[2012, 2013, 2014], [1, 4, 7, 10]],
           labels=[[0, 2, 1, 2], [0, 1, 2, 3]],
           names=['year', 'month'])

多级或分层索引对象。

• index属性

• • names:levels的名称

  • levels：每个level的元组值

df.index.names
# FrozenList(['year', 'month'])

df.index.levels
# FrozenList([[2012, 2013, 2014], [1, 4, 7, 10]])

• （2）multiIndex的创建

arrays = [[1, 1, 2, 2], ['red', '