pandas 基础札记 (with Jupyter)_usecols什么意思-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_39478208/article/details/115869191

本文介绍了Pandas库的基础使用方法，覆盖文件读写、数据结构、常用函数等内容，并通过实例展示了如何利用Jupyter Notebook进行数据分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

利用 Jupyter Notebook 一步步运行 pandas 库的关键函数

在机器学习领域，pandas 库的使用是每个人都绕不过去的障碍，如何使用好 pandas ，关键是要理解文件IO、数据存储结构、滑窗对象以及 pandas 关键函数之间的关系。作为只少量接触过 pandas 的小白，我对于 pandas 库库函数的学习和理解过程或许可以对大家有所帮助。下面废话不多说，一起进入 pandas 库的世界。（以下内容主要参考 joyfulpandas，强烈推荐，基础且高效！）

利用 Jupyter Notebook 一步步运行 pandas 库的关键函数

参考内容：

Joyful Pandas （主要）
Pandas 中文网

一、文件的读取和写入

1. 数据读取

我们现在有如下形式的 .csv .txt .xlsx 文件，三个文件内存储的数据内容相同：

我们试试，利用 pandas 如何一步读取：

import numpy as np
import pandas as pd

df_csv = pd.read_csv('../data/my_csv.csv')
df_txt = pd.read_table('../data/my_table.txt')
df_excel = pd.read_excel('../data/my_excel.xlsx')

读入之后，分别显示如下：

真的就是原封不动的就读取过来。此外，还有一些常用的公共参数：

header = None表示第一行不作为列名；
index_col 表示把某一列或几列作为索引；
usecols 表示读取列的集合，默认读取所有的列；
parse_dates 表示需要转化为时间的列；
nrows 表示读取的数据行数。

这5个常用参数在上述的三个文件读取函数里都可以使用。具体的运行结果如下：

在读取 txt 文件时，经常遇到分隔符非空格的情况，read_table 有一个分割参数 sep，它使得用户可以自定义分割符号，进行 txt 数据的读取（或者其它文件的读取）。例如，下面的读取的表以||||为分割：

pd.read_table('../data/my_table_special_sep.txt', sep=' \|\|\|\| ', engine='python')

在使用 read_table 的时候需要注意，参数 sep 中使用的是正则表达式，因此需要对 | 进行转义变成 \|，否则无法读取到正确的结果。

2. 数据写入

一般在数据写入中，最常用的操作是把 index 设置为 False，特别当索引没有特殊意义的时候，这样的行为能把索引在保存的时候去除。

df_csv.to_csv('../data/my_csv_saved.csv', index=False)
df_excel.to_excel('../data/my_excel_saved.xlsx', index=False)
df_txt.to_csv('../data/my_txt_saved.txt', sep='\t', index=False)

pandas 中没有定义 to_table 函数，但是 to_csv 可以保存为 txt 文件，并且允许自定义分隔符，常用制表符 \t 分割。

二、基本数据结构

1. Series

主要用来存储一维数值，由四个部分组成，分别为序列的值 data、索引 index、存储类型 dtype、序列的名字 name。其中，索引也可以指定它的名字。

s = pd.Series(data = [100, 'a', {'dic1':5}],
              index = pd.Index(['id1', 20, 'third'], name='my_idx'),
              dtype = 'object',
              name = 'my_name')

object代表了一种混合类型，正如上面的例子中存储了整数、字符串以及Python的字典数据结构。此外，目前pandas把纯字符串序列也默认认为是一种object类型的序列，但它也可以用string类型存储

对于 Series 中的值，都可以通过 . 的方式来获取。

利用 .shape 可以获取序列的长度。

利用 '[index_item]' 可以单独取出索引的值。

2. DataFrame

DataFrame在Series的基础上增加了列索引，一个数据框可以由二维的data与行列索引来构造。

data = [[1, 'a', 1.2], [2, 'b', 2.2], [3, 'c', 3.2]]
df = pd.DataFrame(data = data,
                  index = ['row_%d'%i for i in range(3)],
                  columns=['col_0', 'col_1', 'col_2'])

但一般而言，更多的时候会采用从列索引名到数据的映射来构造数据框，同时再加上行索引：

由于这种映射关系，在DataFrame中可以用[col_name]与[col_list]来取出相应的列与由多个列组成的表，结果分别为Series和DataFrame：

通过.T可以把DataFrame进行转置：

三、常用基本函数

为了进行举例说明，在接下来的部分和其余章节都将会使用一份 learn_pandas.csv 的虚拟数据集，它记录了四所学校学生的体测个人信息（清北复交，我浙三本没牌面x），数据示意如下：

咱们先读取进来，瞅瞅列号：

df = pd.read_csv('../data/learn_pandas.csv')

上述列名依次代表学校、年级、姓名、性别、身高、体重、是否为转系生、体测场次、测试时间、1000米成绩，假设只需使用其中的前七列。

df = df[df.columns[:7]]

1. 汇总函数

head, tail函数分别表示返回表或者序列的前n行和后n行，其中n默认为5：

df.head(2)

df.tail(3)

info, describe分别返回表的信息概况和表中数值列对应的主要统计量：

2. 特征统计函数

在Series和DataFrame上定义了许多统计函数，最常见的是sum, mean, median, var, std, max, min。例如，选出身高和体重列进行演示：

此外，需要介绍的是quantile, count, idxmax这三个函数，它们分别返回的是分位数、非缺失值个数、最大值对应的索引：

上面这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数axis，默认为0代表逐列聚合，如果设置为1则表示逐行聚合：

3. 唯一值函数

对序列使用unique和nunique可以分别得到其唯一值组成的列表和唯一值的个数：

value_counts可以得到唯一值和其对应出现的频数：

如果想要观察多个列组合的唯一值，可以使用drop_duplicates。其中的关键参数是keep，默认值first表示每个组合保留第一次出现的所在行，last表示保留最后一次出现的所在行，False表示把所有重复组合所在的行剔除。

此外，duplicated和drop_duplicates的功能类似，但前者返回了是否为唯一值的布尔列表，其keep参数与后者一致。其返回的序列，把重复元素设为True，否则为False。 drop_duplicates等价于把duplicated为True的对应行剔除。

4. 替换函数

一般而言，替换操作是针对某一个列进行的，因此下面的例子都以Series举例。pandas中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。此处介绍 replace，映射替换的用法。

在replace中，可以通过字典构造，或者传入两个列表来进行替换：

另外，replace还有一种特殊的方向替换，指定method参数为ffill则为用前面一个最近的未被替换的值进行替换，bfill则使用后面最近的未被替换的值进行替换。从下面的例子可以看到，它们的结果是不同的：

逻辑替换包括了where和mask，这两个函数是完全对称的：where函数在传入条件为False的对应行进行替换，而mask在传入条件为True的对应行进行替换，当不指定替换值时，替换为缺失值。

数值替换包含了round, abs, clip方法，它们分别表示按照给定精度四舍五入、取绝对值和截断：

5. 排序函数

排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是sort_values和sort_index。

为了演示排序函数，下面先利用set_index方法把年级和姓名两列作为索引：

对身高进行排序，默认参数 ascending=True 为升序：

在排序中，经常遇到多列排序的问题，比如在体重相同的情况下，对身高进行排序，并且保持身高降序排列，体重升序排列：

索引排序的用法和值排序完全一致，只不过元素的值在索引中，此时需要指定索引层的名字或者层号，用参数level表示。另外，需要注意的是字符串的排列顺序由字母顺序决定。

6. apply 方法

apply方法常用于DataFrame的行迭代或者列迭代，它的axis含义与第2小节中的统计聚合函数一致，apply的参数往往是一个以序列为输入的函数。例如对于.mean()，使用apply可以如下地写出：

同样的，可以利用lambda表达式使得书写简洁，这里的x就指代被调用的df_demo表中逐个输入的序列：

若指定axis=1，那么每次传入函数的就是行元素组成的Series，其结果与之前的逐行均值结果一致。

得益于传入自定义函数的处理，apply的自由度很高，但这是以性能为代价的。一般而言，使用pandas的内置函数处理和apply来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用apply。

四、窗口对象

pandas中有3类窗口，分别是滑动窗口rolling、扩张窗口expanding以及指数加权窗口ewm。

1. 滑窗对象

要使用滑窗函数，就必须先要对一个序列使用.rolling得到滑窗对象，其最重要的参数为窗口大小window。

在得到了滑窗对象后，能够使用相应的聚合函数进行计算，需要注意的是窗口包含当前行所在的元素，例如在第四个位置进行均值运算时，应当计算(2+3+4)/3，而不是(1+2+3)/3：

对于滑动相关系数 corr 或滑动协方差 cov 的计算，可以如下写出：

2. 扩张窗口

扩张窗口又称累计窗口，可以理解为一个动态长度的窗口，其窗口的大小就是从序列开始处到具体操作的对应位置，其使用的聚合函数会作用于这些逐步扩张的窗口上。具体地说，设序列为a1, a2, a3, a4，则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。

3. 指数加权窗口

在扩张窗口中，用户可以使用各类函数进行历史的累计指标统计，但这些内置的统计函数往往把窗口中的所有元素赋予了同样的权重。事实上，可以给出不同的权重来赋给窗口中的元素，指数加权窗口就是这样一种特殊的扩张窗口。其中，最重要的参数是 alpha，它决定了默认情况下的窗口权重为 $_\omega {i}=\left ( 1-\alpha \right )^{i}, i\in \left \{ 0, 1, ..., t \right \}$ ，其中 𝑖 = t 表示当前元素，𝑖 = 0 表示序列的第一个元素。从权重公式可以看出，离开当前值越远则权重越小，若记原序列为𝑥，更新后的当前元素为𝑦𝑡，此时通过加权公式归一化后可知：