(轉載)Python資料分析之pandas學習
轉載地址:http://www.cnblogs.com/nxld/p/6058591.html
Python中的pandas模組進行資料分析。
接下來pandas介紹中將學習到如下8塊內容:
1、資料結構簡介:DataFrame和Series
2、資料索引index
3、利用pandas查詢資料
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的資料透視表功能
8、多層索引的使用
一、資料結構介紹
在pandas中有兩類非常重要的資料結構,即序列Series和資料框DataFrame。Series類似於numpy中的一維陣列,除了通吃一維陣列可用的函式或方法,而且其可通過索引標籤的方式獲取資料,還具有索引的自動對齊功能;DataFrame類似於numpy中的二維陣列,同樣可以通用numpy陣列的函式和方法,而且還具有其他靈活應用,後續會介紹到。
1、Series的建立
序列的建立主要有三種方式:
1)通過一維陣列建立序列
import numpy as np, pandas as pd
arr1 = np.arange(10)
arr1
type(arr1)
s1 = pd.Series(arr1)
s1
type(s1)
2)通過字典的方式建立序列
dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}
dic1
type(dic1)
s2 = pd.Series(dic1)
s2
type(s2)
3)通過DataFrame中的某一行或某一列建立序列
這部分內容我們放在後面講,因為下面就開始將DataFrame的建立。
2、DataFrame的建立
資料框的建立主要有三種方式:
1)通過二維陣列建立資料框
arr2 = np.array(np.arange(12)).reshape(4,3)
arr2
type(arr2)
df1 = pd.DataFrame(arr2)
df1
type(df1)
2)通過字典的方式建立資料框
以下以兩種字典來建立資料框,一個是字典列表,一個是巢狀字典。
dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],
'c':[9,10,11,12],'d':[13,14,15,16]}
dic2
type(dic2)
df2 = pd.DataFrame(dic2)
df2
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}}
dic3
type(dic3)
df3 = pd.DataFrame(dic3)
df3
type(df3)
3)通過資料框的方式建立資料框
df4 = df3[['one','three']]
df4
type(df4)
s3 = df3['one']
s3
type(s3)
二、資料索引index
細緻的朋友可能會發現一個現象,不論是序列也好,還是資料框也好,物件的最左邊總有一個非原始資料物件,這個是什麼呢?不錯,就是我們接下來要介紹的索引。
在我看來,序列或資料框的索引有兩大用處,一個是通過索引值或索引標籤獲取目標資料,另一個是通過索引,可以使序列或資料框的計算、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籤獲取資料
s4 = pd.Series(np.array([1,1,2,3,5,8]))
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檢視序列的索引:
s4.index
現在我們為序列設定一個自定義的索引值:
s4.index = ['a','b','c','d','e','f']
s4
序列有了索引,就可以通過索引值或索引標籤進行資料的獲取:
s4[3]
s4['e']
s4[[1,3,5]]
s4[['a','b','d','f']]
s4[:4]
s4['c':]
s4['b':'e']
千萬注意:如果通過索引標籤獲取資料的話,末端標籤所對應的值是可以返回的!在一維陣列中,就無法通過索引標籤獲取資料,這也是序列不同於一維陣列的一個方面。
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.
s5 = pd.Series(np.array([10,15,20,30,55,80]),
index = ['a','b','c','d','e','f'])
s5
s6 = pd.Series(np.array([12,11,13,15,14,16]),
index = ['a','c','g','b','d','f'])
s6
s5 + s6
s5/s6
由於s5中沒有對應的g索引,s6中沒有對應的e索引,所以資料的運算會產生兩個缺失值NaN。注意,這裡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。對於資料框的對齊,不僅僅是行索引的自動對齊,同時也會自動對齊列索引(變數名)
資料框中同樣有索引,而且資料框是二維陣列的推廣,所以其不僅有行索引,而且還存在列索引,關於資料框中的索引相比於序列的應用要強大的多,這部分內容將放在資料查詢中講解。
三、利用pandas查詢資料
這裡的查詢資料相當於R語言裡的subset功能,可以通過布林索引有針對的選取原資料的子集、指定行、指定列等。我們先匯入一個student資料集:
student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')
查詢資料的前5行或末尾5行
student.head()
student.tail()
查詢指定的行
student.ix[[0,2,4,5,7]] #這裡的ix索引標籤函式必須是中括號[]
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
也可以通過ix索引標籤查詢指定的列
student.ix[:,['Name','Height','Weight']].head()
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資料的子集,現在我們來看看如何通過布林索引實現資料的子集查詢。
查詢所有女生的資訊
student[student['Sex']=='F']
查詢出所有12歲以上的女生資訊
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,需要注意的是,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模組為我們提供了非常多的描述性統計分析的指標函式,如總和、均值、最小值、最大值等,我們來具體看看這些函式:
首先隨機生成三組資料
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函式
d1.idxmax() #最大值的位置,類似於R中的which.max函式
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
必須注意的是,descirbe方法只能針對序列或資料框,一維陣列是沒有這個方法的
這裡自定義一個函式,將這些統計描述指標全部彙總到一起:
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'])
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資料框,如何將這個函式應用到資料框中的每一列呢?可以使用apply函式,這個非常類似於R中的apply的應用方法。
將之前建立的d1,d2,d3資料構建資料框:
df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
df.head()
df.apply(stats)
非常完美,就這樣很簡單的建立了數值型資料的統計性描述。如果是離散型資料呢?就不能用這個統計口徑了,我們需要統計離散變數的觀測數、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()
除以上的簡單描述性統計之外,還提供了連續變數的相關係數(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()
關於相關係數的計算可以呼叫pearson方法或kendell方法或spearman方法,預設使用pearson方法。
df.corr('spearman')
如果只想關注某一個變數與其餘變數的相關係數的話,可以使用corrwith,如下方只關心x1與其餘變數的相關係數:
df.corrwith(df['x1'])
數值型變數間的協方差矩陣
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,那麼pandas能否實現對資料的這幾項操作呢?答案是Of Course!
增:新增新行或增加新列
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]: student2
Out[101]:
Age Height Name Sex Weight
0 27 165.7 LiuShunxiang M 61
1 23 167.2 Zhangshan F 63
現在將student2中的資料新增到student中,可以通過concat函式實現:
注意到了嗎?在資料庫中union必須要求兩張表的列順序一致,而這裡concat函式可以自動對齊兩個資料框的變數!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、觀測行或變數列
刪除資料框student2,通過del命令實現,該命令可以刪除Python的所有物件。
刪除指定的行
原資料中的第1,2,4,7行的資料已經被刪除了。
根據布林索引刪除行資料,其實這個刪除就是保留刪除條件的反面資料,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引數。預設該引數為0,表示刪除行觀測,如果需要刪除列變數,則需設定為1。改:修改原始記錄的值
如果發現表中的某些資料錯誤了,如何更改原來的值呢?我們試試結合布林索引和賦值的方法:
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,就這樣輕鬆搞定資料的更改。查:有關資料查詢部分,上面已經介紹過,下面重點講講聚合、排序和多表連線操作。
聚合:pandas模組中可以通過groupby()函式實現資料的聚合操作
根據性別分組,計算各組別中學生身高和體重的平均值:
如果不對原始資料作限制的話,聚合函式會自動選擇數值型資料進行聚合計算。如果不想對年齡計算平均值的話,就需要剔除改變數:
groupby還可以使用多個分組變數,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實現序列和資料框的排序工作:
我們再試試降序排序的設定:
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資訊,即建議使用sort_values()函式進行按值排序。在資料框中一般都是按值排序,例如:
多表連線:
多表之間的連線也是非常常見的資料庫操作,連線分內連線和外連線,在資料庫語言中通過join關鍵字實現,pandas我比較建議使用merger函式實現資料的各種連線操作。
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?
注意,預設情況下,merge函式實現的是兩個表之間的內連線,即返回兩張表中共同部分的資料。可以通過how引數設定連線的方式,left為左連線;right為右連線;outer為外連線。左連線實現的是保留student表中的所有資訊,同時將score表的資訊與之配對,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
現實生活中的資料是非常雜亂的,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資料分析或挖掘工作,那麼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:當資料中的某個變數大部分值都是缺失值,可以考慮刪除改變數;當缺失值是隨機分佈的,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:對於連續型變數,如果變數的分佈近似或就是正態分佈的話,可以用均值替代那些缺失值;如果變數是有偏的,可以使用中位數來代替那些缺失值;對於離散型變數,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。我們這裡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函式和isnull函式來檢測資料中含有多少缺失值:In [130]: sum(pd.isnull(s))
Out[130]: 9
直接刪除缺失值
預設情況下,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,資料中只要含有缺失值NaN,該資料行就會被刪除,如果使用引數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函式實現簡單的填補工作:
1)用0填補所有缺失值2)採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、資料透視表
在Excel中有一個非常強大的功能就是資料透視表,通過托拉拽的方式可以迅速的檢視資料的聚合情況,這裡的聚合可以是計數、求和、均值、標準差等。
pandas為我們提供了非常強大的函式pivot_table(),該函式就是實現資料透視表功能的。對於上面所說的一些聚合函式,可以通過引數aggfunc設定。我們先看看這個函式的語法和引數吧:pivot_table(data,values=None,
index=None,
columns=None,
aggfunc='mean',
fill_value=None,
margins=False,
dropna=True,
margins_name='All')
data:需要進行資料透視表操作的資料框
values:指定需要聚合的欄位
index:指定某些原始變數作為行索引
columns:指定哪些離散的分組變數
aggfunc:指定相應的聚合函式
fill_value:使用一個常數替代缺失值,預設不替換
margins:是否進行行或列的彙總,預設不彙總
dropna:預設所有觀測為缺失的列
margins_name:預設行彙總或列彙總的名稱為'All'
我們仍然以student表為例,來認識一下資料透視表pivot_table函式的用法:
對一個分組變數(Sex),一個數值變數(Height)作統計彙總對一個分組變數(Sex),兩個數值變數(Height,Weight)作統計彙總
對兩個分組變數(Sex,Age),兩個數值變數(Height,Weight)作統計彙總
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?使用多個聚合函式
有關更多資料透視表的操作,可參考《Pandas透視表(pivot_table)詳解》一文,連結地址: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:
對於這樣的資料格式有什麼好處呢?pandas可以幫我們實現用低維度形式處理高維數資料,這裡舉個例子也許你就能明白了:
對於這種多層次索引的序列,取資料就顯得非常簡單了: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資料框的形式:
以上針對的是序列的多層次索引,資料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資料框:
同樣,資料框中的多層索引也可以非常便捷的取出大塊資料:在資料框中使用多層索引,可以將整個資料集控制在二維表結構中,這對於資料重塑和基於分組的操作(如資料透視表的生成)比較有幫助。
就拿student二維資料框為例,我們構造一個多層索引資料集:講到這裡,我們關於pandas模組的學習基本完成,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資料處理、統計分析等任務。有關更多的pandas介紹,可參考pandas官方文件:http://pandas.pydata.org/pandas-docs/version/0.17.0/whatsnew.html