沉淀，再出发：python中的pandas包

一、前言

    python中有很多的包，正是因为这些包工具才使得python能够如此强大，无论是在数据处理还是在web开发，python都发挥着重要的作用，下面我们看一下python用于数据处理的pandas包以及相应的用法。

二、pandas的使用

     2.1、pandas简介

    Numpy、Matplotlib，Pandas是Python科学计算的支柱。

NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!    全局解释器锁（Global Interpreter Lock）是计算机程序设计语言解释器用于同步线程的工具，使得任何时刻仅有一个线程在执行。 1、Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。2、Pandas 是python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。 Pandas的名称来自于面板数据（panel data）    和python数据分析（data analysis）。panel data是经济学中关于多维数据集的一个术语，在Pandas中也提供了panel的数据类型。3、数据结构：   Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。   Time-Series：以时间为索引的Series。   DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。以下的内容主要以DataFrame为主。   Panel ：三维的数组，可以理解为DataFrame的容器。   Pandas 有两种自己独有的基本数据结构。读者应该注意的是，它固然有着两种数据结构，因为它依然是 Python 的一个库，所以，Python 中有的数据类型在这里依然适用，也同样还可以使用类自己定义数据类型。只不过，Pandas 里面又定义了两种数据类型：Series 和 DataFrame，它们让数据操作更简单了。

      2.2、pandas的安装

    首先还是使用pip这个包管理工具来下载并自动安装pandas：

    Pandas基于两种数据类型：Series与dataframe。

一个series是一个一维的数据类型，其中每一个元素都有一个标签。如果阅读过关于Numpy的文章，就可以发现series类似于Numpy中元素带标签的数组。其中，标签可以是数字或者字符串。  一个dataframe是一个二维的表结构。Pandas的dataframe可以存储许多种不同的数据类型，并且每一个坐标轴都有自己的标签。你可以把它想象成一个series的字典项。

    2.3、Series

    之后我们打开python命令行来测试一下：导入pandas模块并使用别名，以及导入Series模块，以下使用基于本次导入。

from pandas import Seriesimport pandas as pd

    Series 就如同列表一样，一系列数据，每个数据对应一个索引值。Series 就是“竖起来”的 list，这里，我们实质上创建了一个 Series 对象，这个对象当然就有其属性和方法了。比如，下面的两个属性依次可以显示 Series 对象的数据值和索引：

    列表的索引只能是从 0 开始的整数，Series 数据类型在默认情况下，其索引也是如此。不过，区别于列表的是，Series 可以自定义索引： 

    每个元素都有了索引，就可以根据索引操作元素了。Series 中，根据索引查看其值和修改其值：

    前面定义 Series 对象的时候，用的是列表，即 Series() 方法的参数中，第一个列表就是其数据值，如果需要定义 index，放在后面，依然是一个列表。除了这种方法之外，还可以用下面的方法定义 Series 对象：

    这时候，索引依然可以组装成新的对象，Pandas 的优势在这里体现出来，如果自定义了索引，自定的索引会自动寻找原来的索引，如果一样的，就取原来索引对应的值，这个可以简称为“自动对齐”，在 Pandas 中，如果没有值，都对齐赋给 NaN。

    pandas有判断是否为空的方法，此外，Series 对象也有同样的方法：

      其实，对索引的名字，是可以重新定义的：

    对于 Series 数据，也可以做类似下面的运算：

     2.4、DataFrame

    DataFrame 是一种二维的数据结构，非常接近于电子表格或者类似 mysql 数据库的形式。它的竖行称之为 columns，横行跟前面的 Series 一样，称之为 index，也就是说可以通过 columns 和 index 来确定一个主句的位置。

 

     使用 dict是定义一个 DataFrame 对象的常用方法。字典的“键”（"name"，"marks"，"price"）就是 DataFrame 的 columns 的值（名称），字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。上面的定义中没有确定索引，所以，按照惯例（Series 中已经形成的惯例）就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构。

     DataFrame 数据的索引也能够自定义，定义 DataFrame 的方法，除了上面的之外，还可以使用“字典套字典”的方式。

 

    给同一列赋值:

    也可以单独的赋值，除了能够统一赋值之外，还能够“点对点”添加数值，结合前面的 Series，既然 DataFrame 对象的每竖列都是一个 Series 对象，那么可以先定义一个 Series 对象，然后把它放到 DataFrame 对象中。如下：

     还可以更精准的修改数据，完全仿照字典的操作：

    上面的所有操作：

>>> from pandas import Series>>> import pandas as pd>>> s = Series([1,4,'ww','tt'])>>> s0     11     42    ww3    ttdtype: object>>> s.indexRangeIndex(start=0, stop=4, step=1)>>> s.valuesarray([1, 4, 'ww', 'tt'], dtype=object)>>> s2 = Series(['zyr','man',24],index=['name','sex','age'])>>> s2name    zyrsex     manage      24dtype: object>>> s2['name']'zyr'>>> s2.name>>> s2['name']='lsx'>>> s2name    lsxsex     manage      24dtype: object>>> sd = {
    'python':9000,'c++':9001,'c#':9000}>>> sd{
     'python': 9000, 'c++': 9001, 'c#': 9000}>>> s3 = Series(sd)>>> s3python    9000c++       9001c#        9000dtype: int64>>> s4 = Series(sd,index=['java','c++','c#'])>>> s4java       NaNc++     9001.0c#      9000.0dtype: float64>>> pd.isnull(s4)java     Truec++     Falsec#      Falsedtype: bool>>> s4.isnull()java     Truec++     Falsec#      Falsedtype: bool>>> s4.index = ['语文','数学','English']>>> s4语文            NaN数学         9001.0English    9000.0dtype: float64>>> s4*2语文             NaN数学         18002.0English    18000.0dtype: float64>>> s4[s4 > 9000]数学    9001.0dtype: float64>>> from pandas import DataFrame>>> data = {
    "name":['google','baidu','yahoo'],"marks":[100,200,300],"price":[1,2,3]}>>> data{
     'name': ['google', 'baidu', 'yahoo'], 'marks': [100, 200, 300], 'price': [1, 2, 3]}>>> f1 = DataFrame(data)>>> f1     name  marks  price0  google    100      11   baidu    200      22   yahoo    300      3>>> f3 = DataFrame(data,columns=['name','marks','price'],index=['a','b','c'])>>> f3     name  marks  pricea  google    100      1b   baidu    200      2c   yahoo    300      3>>> newdata = {
    'lang':{
    'first':'python','second':'java'},'price':{
    'first':5000,'second':2000}}>>> f4=DataFrame(newdata)>>> f4          lang  pricefirst   python   5000second    java   2000>>> newdata = {
    "lang":{
    "firstline":"python","secondline":"java"}, "price":{
    "firstline":8000}}>>> f4 = DataFrame(newdata)>>> f4              lang   pricefirstline   python  8000.0secondline    java     NaN>>> f3['name']a    googleb     baiduc     yahooName: name, dtype: object>>> newdata1 = {
    'username':{
    'first':'wangxing','second':'dadiao'},'age':{
    'first':24,'second':25}}>>> f6 = DataFrame(newdata1,columns=['username','age','sex'])>>> f6        username  age  sexfirst   wangxing   24  NaNsecond    dadiao   25  NaN>>> f6['sex'] = 'man'>>> f6        username  age  sexfirst   wangxing   24  mansecond    dadiao   25  man>>> ssex = Series(['男','女'],index=['first','second'])>>> ssexfirst     男second    女dtype: object>>> f6['sex'] = ssex>>> f6        username  age sexfirst   wangxing   24   男second    dadiao   25   女>>> f6['age']['second'] = 30__main__:1: SettingWithCopyWarning:A value is trying to be set on a copy of a slice from a DataFrameSee the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy>>> f6        username  age sexfirst   wangxing   24   男second    dadiao   30   女

三、pandas的综合应用

    3.1、读取文件

    pandas更强大的是对文件（.xlsx,csv）的读取（可以从本地和远程读取）和使用：

   注意：这里读取.xlsx需要使用pd.read_excel(文件名)，安装依赖xlrd。

1 >>> import pandas as pd2 >>> import numpy as np3 >>> data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"4 >>> df = pd.read_csv(data_url)

    csv和xlsx分别用read_csv和read_xlsx

   查看数据df.head() ：默认出5行，​括号里可以填其他数据

   查看数据类型：df.dtypes

   查看基本统计量：

      df.describe(include='all')

 

     打印行列，以及数据转置：

    定位以及取出部分数据：

    舍弃某些列，axis 参数告诉函数到底舍弃列还是行。如果axis等于0，那么就舍弃行。

    3.2、可视化

1 >>> import numpy as np 2 >>> import matplotlib.pyplot as plt 3 >>> x = np.array([1,2,3,4,5,6,7,8]) 4 >>> x 5 array([1, 2, 3, 4, 5, 6, 7, 8]) 6 >>> y = np.array([3,5,7,6,2,6,10,15]) 7 >>> y 8 array([ 3,  5,  7,  6,  2,  6, 10, 15]) 9 >>> plt.plot(x,y,'r')10 [
     
      ]11 >>> plt.plot(x,y,'g',lw=10)12 [
      
       ]13 >>> plt.bar(x,y,0.2,alpha=1,color='b')14 
       
        15 >>> plt.show()
       
      
     

 

1 >>> import pandas as pd2 >>> data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"3 >>> df = pd.read_csv(data_url)4 >>> import matplotlib.pyplot as plt5 >>> df.plot(kind = 'box')6 
     
      7 >>> plt.show(df.plot(kind = 'box'))
     

四、几种python的解释器

       Python解释器或Python虚拟机有很多种实现，有CPython、PyPy、Jython以及IronPython等。CPython是最主流的实现。CPython同时也是别的虚拟机实现的参考解释器。PyPy是用Python实现的Python解释器，Jython是用Java实现运行在JVM上的解释器，IronPython是用Microsoft.NET CLR实现的解释器。除非解释器的选择非常非常重要，我们一般都用CPython。

    CPython是用C语言实现Pyhon，是目前应用最广泛的解释器。Python最新的语言特性都是在这个上面先实现，Linux，OS X等自带的也是这个版本，包括Anaconda里面用的也是CPython。CPython是官方版本加上对于C/Python API的全面支持，基本包含了所有第三方库支持，例如Numpy，Scipy等。但是CPython有几个缺陷，一是全局锁使Python在多线程效能上表现不佳，二是CPython无法支持JIT（即时编译），导致其执行速度不及Java和Javascipt等语言。于是出现了Pypy。

    Pypy是用Python自身实现的解释器。针对CPython的缺点进行了各方面的改良，性能得到很大的提升。最重要的一点就是Pypy集成了JIT。但是，Pypy无法支持官方的C/Python API，导致无法使用例如Numpy，Scipy等重要的第三方库，这也是现在Pypy没有被广泛使用的原因。

五、总结

    通过对pandas的学习，我们知道了很多的常用工具，基本语法，数据结构，绘图工具以及使用方法。

参考文献：

参考文献：