> Pandas提供快速，靈活和富於表現力的**資料結構**，是強大的**資料分析**Python庫。 本文收錄於[機器學習前置教程系列](https://mp.weixin.qq.com/mp/appmsgalbum?action=getalbum&__biz=MzUxMjU4NjI4MQ==&scene=1&album_id=1627166768236412929&count=3#wechat_redirect)。 # 一、Series和DataFrame Pandas建立在NumPy之上，更多**NumPy**相關的知識點可以參考我之前寫的文章[前置機器學習（三）：30分鐘掌握常用NumPy用法](http://blog.caiyongji.com/2020/12/06/pre-ml-numpy-3.html)。 Pandas特別適合處理表格資料，如SQL表格、EXCEL表格。有序或無序的時間序列。具有行和列標籤的任意矩陣資料。 開啟Jupyter Notebook，匯入numpy和pandas開始我們的教程： ``` import numpy as np import pandas as pd ``` ## 1. pandas.Series Series是帶有索引的一維ndarray陣列。索引值可不唯一，但必須是可雜湊的。 ``` pd.Series([1, 3, 5, np.nan, 6, 8]) ``` 輸出： ``` 0 1.0 1 3.0 2 5.0 3 NaN 4 6.0 5 8.0 dtype: float64 ``` 我們可以看到預設索引值為0、1、2、3、4、5這樣的數字。新增`index`屬性，指定其為'c','a','i','yong','j','i'。 ``` pd.Series([1, 3, 5, np.nan, 6, 8], index=['c','a','i','yong','j','i']) ``` 輸出如下，我們可以看到index是可重複的。 ``` c 1.0 a 3.0 i 5.0 yong NaN j 6.0 i 8.0 dtype: float64 ``` ## 2. pandas.DataFrame DataFrame是帶有行和列的表格結構。可以理解為多個Series物件的字典結構。 ``` pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), index=['i','ii','iii'], columns=['A', 'B', 'C']) ``` 輸出表格如下，其中`index`對應它的行，`columns`對應它的列。 | | A | B | C | |:----|----:|----:|----:| | i | 1 | 2 | 3 | | ii | 4 | 5 | 6 | | iii | 7 | 8 | 9 | # 二、Pandas常見用法 ## 1. 訪問資料 準備資料，隨機生成6行4列的二維陣列，行標籤為從20210101到20210106的日期，列標籤為A、B、C、D。 ``` import numpy as np import pandas as pd np.random.seed(20201212) df = pd.DataFrame(np.random.randn(6, 4), index=pd.date_range('20210101', periods=6), columns=list('ABCD')) df ``` 展示表格如下： | | A | B | C | D | |:--------------------|----------:|----------:|----------:|----------:| | 2021-01-01 | 0.270961 | -0.405463 | 0.348373 | 0.828572 | | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | | 2021-01-03 | 0.325415 | -0.602236 | -0.134508 | 1.28121 | | 2021-01-04 | -0.33032 | -1.40384 | -0.93809 | 1.48804 | | 2021-01-05 | 0.348708 | 1.27175 | 0.626011 | -0.253845 | | 2021-01-06 | -0.816064 | 1.30197 | 0.656281 | -1.2718 | ### 1.1 head()和tail() 查看錶格前幾行： ``` df.head(2) ``` 展示表格如下： | | A | B | C | D | |:--------------------|---------:|----------:|----------:|----------:| | 2021-01-01 | 0.270961 | -0.405463 | 0.348373 | 0.828572 | | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | 查看錶格後幾行： ``` df.tail(3) ``` 展示表格如下： | | A | B | C | D | |:--------------------|----------:|---------:|----------:|----------:| | 2021-01-04 | -0.33032 | -1.40384 | -0.93809 | 1.48804 | | 2021-01-05 | 0.348708 | 1.27175 | 0.626011 | -0.253845 | | 2021-01-06 | -0.816064 | 1.30197 | 0.656281 | -1.2718 | ### 1.2 describe() `describe`方法用於生成DataFrame的描述統計資訊。可以很方便的檢視資料集的分佈情況。注意，這裡的統計分佈不包含``NaN``值。 ``` df.describe() ``` 展示如下： | | A | B | C | D | |:------|-----------:|-----------:|----------:|----------:| | count | 6 | 6 | 6 | 6 | | mean | 0.0825402 | 0.0497552 | -0.181309 | 0.22896 | | std | 0.551412 | 1.07834 | 0.933155 | 1.13114 | | min | -0.816064 | -1.40384 | -1.64592 | -1.2718 | | 25% | -0.18 | -0.553043 | -0.737194 | -0.587269 | | 50% | 0.298188 | -0.134555 | 0.106933 | 0.287363 | | 75% | 0.342885 | 0.987901 | 0.556601 | 1.16805 | | max | 0.696541 | 1.30197 | 0.656281 | 1.48804 | 我們首先回顧一下我們掌握的數學公式。 **平均數(mean)**： $$\bar x = \frac{\sum_{i=1}^{n}{x_i}}{n}$$ **方差(variance)**: $$s^2 = \frac{\sum_{i=1}^{n}{(x_i -\bar x)^2}}{n}$$ **標準差(std)**: $$s = \sqrt{\frac{\sum_{i=1}^{n}{(x_i -\bar x)^2}}{n}}$$ 我們解釋一下pandas的describe統計資訊各屬性的意義。我們僅以 `A` 列為例。 * `count`表示計數。A列有6個數據不為空。 * `mean`表示平均值。A列所有不為空的資料平均值為0.0825402。 * `std`表示標準差。A列的標準差為0.551412。 * `min`表示最小值。A列最小值為-0.816064。即，0%的資料比-0.816064小。 * `25%`表示四分之一分位數。A列的四分之一分位數為-0.18。即，25%的資料比-0.18小。 * `50%`表示二分之一分位數。A列的四分之一分位數為0.298188。即，50%的資料比0.298188小。 * `75%`表示四分之三分位數。A列的四分之三分位數為0.342885。即，75%的資料比0.342885小。 * `max`表示最大值。A列的最大值為0.696541。即，100%的資料比0.696541小。 ### 1.3 T `T`一般表示`Transpose`的縮寫，即轉置。行列轉換。 ``` df.T ``` 展示表格如下： | | 2021-01-01 | 2021-01-02 | 2021-01-03 | 2021-01-04 | 2021-01-05 | 2021-01-06 | |:---|-------------:|-------------:|-------------:|-------------:|-------------:|-------------:| | A | 0.270961 | 0.696541 | 0.325415 | -0.33032 | 0.348708 | -0.816064 | | B | -0.405463 | 0.136352 | -0.602236 | -1.40384 | 1.27175 | 1.30197 | | C | 0.348373 | -1.64592 | -0.134508 | -0.93809 | 0.626011 | 0.656281 | | D | 0.828572 | -0.69841 | 1.28121 | 1.48804 | -0.253845 | -1.2718 | ### 1.4 sort_values() 指定某一列進行排序，如下程式碼根據`C`列進行正序排序。 ``` df.sort_values(by='C') ``` 展示表格如下： | | A | B | C | D | |:-----------|----------:|----------:|----------:|----------:| | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | | 2021-01-04 | -0.33032 | -1.40384 | -0.93809 | 1.48804 | | 2021-01-03 | 0.325415 | -0.602236 | -0.134508 | 1.28121 | | 2021-01-01 | 0.270961 | -0.405463 | 0.348373 | 0.828572 | | 2021-01-05 | 0.348708 | 1.27175 | 0.626011 | -0.253845 | | 2021-01-06 | -0.816064 | 1.30197 | 0.656281 | -1.2718 | ### 1.5 nlargest() 選擇某列最大的n行資料。如：`df.nlargest(2,'A')`表示，返回A列最大的2行資料。 ``` df.nlargest(2,'A') ``` 展示表格如下： | | A | B | C | D | |:-----------|---------:|---------:|----------:|----------:| | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | | 2021-01-05 | 0.348708 | 1.27175 | 0.626011 | -0.253845 | ### 1.6 sample() `sample`方法表示檢視隨機的樣例資料。 `df.sample(5)`表示返回隨機5行資料。 ``` df.sample(5) ``` 引數`frac`表示fraction，分數的意思。frac=0.01即返回1%的隨機資料作為樣例展示。 ``` df.sample(frac=0.01) ``` ## 2. 選擇資料 ### 2.1 根據標籤選擇 我們輸入`df['A']`命令選取A列。 ``` df['A'] ``` 輸出A列資料，同時也是一個Series物件： ``` 2021-01-01 0.270961 2021-01-02 0.696541 2021-01-03 0.325415 2021-01-04 -0.330320 2021-01-05 0.348708 2021-01-06 -0.816064 Name: A, dtype: float64 ``` `df[0:3]`該程式碼與``df.head(3)``同理。但`df[0:3]`是NumPy的陣列選擇方式，這說明了Pandas對於NumPy具有良好的支援。 ``` df[0:3] ``` 展示表格如下： | | A | B | C | D | |:-----------|---------:|----------:|----------:|----------:| | 2021-01-01 | 0.270961 | -0.405463 | 0.348373 | 0.828572 | | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | | 2021-01-03 | 0.325415 | -0.602236 | -0.134508 | 1.28121 | 通過loc方法指定行列標籤。 ``` df.loc['2021-01-01':'2021-01-02', ['A', 'B']] ``` 展示表格如下： | | A | B | |:-----------|---------:|----------:| | 2021-01-01 | 0.270961 | -0.405463 | | 2021-01-02 | 0.696541 | 0.136352 | ### 2.2 根據位置選擇 `iloc` 與`loc`不同。`loc`指定具體的標籤，而`iloc`指定標籤的索引位置。`df.iloc[3:5, 0:3]`表示選取索引為3、4的行，索引為0、1、2的列。即，第4、5行，第1、2、3列。 注意，索引序號從0開始。冒號表示區間，左右兩側分別表示開始和結束。如`3:5`表示左開右閉區間`[3,5)`，即不包含5自身。 ``` df.iloc[3:5, 0:3] ``` | | A | B | C | |:-----------|----------:|---------:|----------:| | 2021-01-04 | -0.33032 | -1.40384 | -0.93809 | | 2021-01-05 | 0.348708 | 1.27175 | 0.626011 | ``` df.iloc[:, 1:3] ``` | | B | C | |:-----------|----------:|----------:| | 2021-01-01 | -0.405463 | 0.348373 | | 2021-01-02 | 0.136352 | -1.64592 | | 2021-01-03 | -0.602236 | -0.134508 | | 2021-01-04 | -1.40384 | -0.93809 | | 2021-01-05 | 1.27175 | 0.626011 | | 2021-01-06 | 1.30197 | 0.656281 | ### 2.3 布林索引 DataFrame可根據條件進行篩選，當條件判斷`True`時，返回。當條件判斷為`False`時，過濾掉。 我們設定一個過濾器用來判斷A列是否大於0。 ``` filter = df['A'] > 0 filter ``` 輸出結果如下，可以看到`2021-01-04`和`2021-01-06`的行為False。 ``` 2021-01-01 True 2021-01-02 True 2021-01-03 True 2021-01-04 False 2021-01-05 True 2021-01-06 False Name: A, dtype: bool ``` 我們通過過濾器檢視資料集。 ``` df[filter] # df[df['A'] > 0] ``` 查看錶格我們可以發現，`2021-01-04`和`2021-01-06`的行被過濾掉了。 | | A | B | C | D | |:-----------|---------:|----------:|----------:|----------:| | 2021-01-01 | 0.270961 | -0.405463 | 0.348373 | 0.828572 | | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | | 2021-01-03 | 0.325415 | -0.602236 | -0.134508 | 1.28121 | | 2021-01-05 | 0.348708 | 1.27175 | 0.626011 | -0.253845 | ## 3. 處理缺失值 準備資料。 ``` df2 = df.copy() df2.loc[:3, 'E'] = 1.0 f_series = {'2021-01-02': 1.0,'2021-01-03': 2.0,'2021-01-04': 3.0,'2021-01-05': 4.0,'2021-01-06': 5.0} df2['F'] = pd.Series(f_series) df2 ``` 展示表格如下： | | A | B | C | D | F | E | |:-----------|----------:|----------:|----------:|----------:|----:|----:| | 2021-01-01 | 0.270961 | -0.405463 | 0.348373 | 0.828572 | nan | 1 | | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | 1 | 1 | | 2021-01-03 | 0.325415 | -0.602236 | -0.134508 | 1.28121 | 2 | 1 | | 2021-01-04 | -0.33032 | -1.40384 | -0.93809 | 1.48804 | 3 | nan | | 2021-01-05 | 0.348708 | 1.27175 | 0.626011 | -0.253845 | 4 | nan | | 2021-01-06 | -0.816064 | 1.30197 | 0.656281 | -1.2718 | 5 | nan | ### 3.1 dropna() 使用dropna方法清空NaN值。注意：dropa方法返回新的DataFrame，並不會改變原有的DataFrame。 ``` df2.dropna(how='any') ``` 以上程式碼表示，當行資料有任意的數值為空時，刪除。 | | A | B | C | D | F | E | |:-----------|---------:|----------:|----------:|---------:|----:|----:| | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | 1 | 1 | | 2021-01-03 | 0.325415 | -0.602236 | -0.134508 | 1.28121 | 2 | 1 | ### 3.2 fillna() 使用filna命令填補NaN值。 ``` df2.fillna(df2.mean()) ``` 以上程式碼表示，使用每一列的平均值來填補空缺。同樣地，fillna並不會更新原有的DataFrame，如需更新原有DataFrame使用程式碼`df2 = df2.fillna(df2.mean())`。 展示表格如下： | | A | B | C | D | F | E | |:-----------|----------:|----------:|----------:|----------:|----:|----:| | 2021-01-01 | 0.270961 | -0.405463 | 0.348373 | 0.828572 | 3 | 1 | | 2021-01-02 | 0.696541 | 0.136352 | -1.64592 | -0.69841 | 1 | 1 | | 2021-01-03 | 0.325415 | -0.602236 | -0.134508 | 1.28121 | 2 | 1 | | 2021-01-04 | -0.33032 | -1.40384 | -0.93809 | 1.48804 | 3 | 1 | | 2021-01-05 | 0.348708 | 1.27175 | 0.626011 | -0.253845 | 4 | 1 | | 2021-01-06 | -0.816064 | 1.30197 | 0.656281 | -1.2718 | 5 | 1 | ## 4. 操作方法 ### 4.1 agg() agg是Aggregate的縮寫，意為聚合。 常用聚合方法如下： * mean(): Compute mean of groups * sum(): Compute sum of group values * size(): Compute group sizes * count(): Compute count of group * std(): Standard deviation of groups * var(): Compute variance of groups * sem(): Standard error of the mean of groups * describe(): Generates descriptive statistics * first(): Compute first of group values * last(): Compute last of group values * nth() : Take nth value, or a subset if n is a list * min(): Compute min of group values * max(): Compute max of group values ``` df.mean() ``` 返回各列平均值 ``` A 0.082540 B 0.049755 C -0.181309 D 0.228960 dtype: float64 ``` 可通過加引數axis檢視行平均值。 ``` df.mean(axis=1) ``` 輸出： ``` 2021-01-01 0.260611 2021-01-02 -0.377860 2021-01-03 0.217470 2021-01-04 -0.296053 2021-01-05 0.498156 2021-01-06 -0.032404 dtype: float64 ``` 如果我們想檢視某一列的多項聚合統計怎麼辦？ 這時我們可以呼叫**agg**方法： ``` df.agg(['std','mean'])['A'] ``` 返回結果顯示標準差std和均值mean： ``` std 0.551412 mean 0.082540 Name: A, dtype: float64 ``` 對於不同的列應用不同的聚合函式： ``` df.agg({'A':['max','mean'],'B':['mean','std','var']}) ``` 返回結果如下： | | A | B | |:-----|------------:|------------:| | max | 0.696541 | nan | | mean | 0.0825402 | 0.0497552 | | std | nan | 1.07834 | | var | nan | 1.16281 | ### 4.2 apply() apply()是對方法的呼叫。 如`df.apply(np.sum)`表示每一列呼叫np.sum方法，返回每一列的數值和。 ``` df.apply(np.sum) ``` 輸出結果為： ``` A 0.495241 B 0.298531 C -1.087857 D 1.373762 dtype: float64 ``` apply方法支援lambda表示式。 ``` df.apply(lambda n: n*2) ``` | | A | B | C | D | |:-----------|----------:|----------:|----------:|---------:| | 2021-01-01 | 0.541923 | -0.810925 | 0.696747 | 1.65714 | | 2021-01-02 | 1.39308 | 0.272704 | -3.29185 | -1.39682 | | 2021-01-03 | 0.65083 | -1.20447 | -0.269016 | 2.56242 | | 2021-01-04 | -0.66064 | -2.80768 | -1.87618 | 2.97607 | | 2021-01-05 | 0.697417 | 2.5435 | 1.25202 | -0.50769 | | 2021-01-06 | -1.63213 | 2.60393 | 1.31256 | -2.5436 | ### 4.3 value_counts() value_counts方法檢視各行、列的數值重複統計。 我們重新生成一些整數資料，來保證有一定的資料重複。 ``` np.random.seed(101) df3 = pd.DataFrame(np.random.randint(0,9,size = (6,4)),columns=list('ABCD')) df3 ``` | | A | B | C | D | |---:|----:|----:|----:|----:| | 0 | 1 | 6 | 7 | 8 | | 1 | 4 | 8 | 5 | 0 | | 2 | 5 | 8 | 1 | 3 | | 3 | 8 | 3 | 3 | 2 | | 4 | 8 | 3 | 7 | 0 | | 5 | 7 | 8 | 4 | 3 | 呼叫value_counts()方法。 ``` df3['A'].value_counts() ``` 檢視輸出我們可以看到 A列的數字8有兩個，其他數字的數量為1。 ``` 8 2 7 1 5 1 4 1 1 1 Name: A, dtype: int64 ``` ### 4.4 str Pandas內建字串處理方法。 ``` names = pd.Series(['andrew','bobo','claire','david','4']) names.str.upper() ``` 通過以上程式碼我們將Series中的字串全部設定為大寫。 ``` 0 ANDREW 1 BOBO 2 CLAIRE 3 DAVID 4 4 dtype: object ``` 首字母大寫： ``` names.str.capitalize() ``` 輸出為： ``` 0 Andrew 1 Bobo 2 Claire 3 David 4 4 dtype: object ``` 判斷是否為數字： ``` names.str.isdigit() ``` 輸出為： ``` 0 False 1 False 2 False 3 False 4 True dtype: bool ``` 字串分割： ``` tech_finance = ['GOOG,APPL,AMZN','JPM,BAC,GS'] tickers = pd.Series(tech_finance) tickers.str.split(',').str[0:2] ``` 以逗號分割字串，結果為： ``` 0 [GOOG, APPL] 1 [JPM, BAC] dtype: object ``` ## 5. 合併 ### 5.1 concat() concat用來將資料集串聯起來。我們先準備資料。 ``` data_one = {'Col1': ['A0', 'A1', 'A2', 'A3'],'Col2': ['B0', 'B1', 'B2', 'B3']} data_two = {'Col1': ['C0', 'C1', 'C2', 'C3'], 'Col2': ['D0', 'D1', 'D2', 'D3']} one = pd.DataFrame(data_one) two = pd.DataFrame(data_two) ``` 使用concat方法將兩個資料集串聯起來。 ``` pt(pd.concat([one,two])) ``` 得到表格： | | Col1 | Col2 | |---:|:-------|:-------| | 0 | A0 | B0 | | 1 | A1 | B1 | | 2 | A2 | B2 | | 3 | A3 | B3 | | 0 | C0 | D0 | | 1 | C1 | D1 | | 2 | C2 | D2 | | 3 | C3 | D3 | ### 5.2 merge() merge相當於SQL操作中的join方法，用於將兩個資料集通過某種關係連線起來 ``` registrations = pd.DataFrame({'reg_id':[1,2,3,4],'name':['Andrew','Bobo','Claire','David']}) logins = pd.DataFrame({'log_id':[1,2,3,4],'name':['Xavier','Andrew','Yolanda','Bobo']}) ``` 我們根據`name`來連線兩個張表，連線方式為`outer`。 ``` pd.merge(left=registrations, right=logins, how='outer',on='name') ``` 返回結果為： | | reg_id | name | log_id | |---:|---------:|:--------|---------:| | 0 | 1 | Andrew | 2 | | 1 | 2 | Bobo | 4 | | 2 | 3 | Claire | nan | | 3 | 4 | David | nan | | 4 | nan | Xavier | 1 | | 5 | nan | Yolanda | 3 | 我們注意，**how : {'left', 'right', 'outer', 'inner'}** 有4種連線方式。表示是否選取左右兩側表的nan值。如left表示保留左側表中所有資料，當遇到右側表資料為nan值時，不顯示右側的資料。 簡單來說，把left表和right表看作兩個集合。 * left表示取左表全部集合+兩表交集 * right表示取右表全部集合+兩表交集 * outer表示取兩表並集 * inner表示取兩表交集 ## 6. 分組GroupBy Pandas中的分組功能非常類似於SQL語句`SELECT Column1, Column2, mean(Column3), sum(Column4)FROM SomeTableGROUP BY Column1, Column2`。即使沒有接觸過SQL也沒有關係，分組就相當於把表格資料按照某一列進行拆分、統計、合併的過程。 準備資料。 ``` np.random.seed(20201212) df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'], 'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'], 'C': np.random.randn(8), 'D': np.random.randn(8)}) df ``` 可以看到，我們的A列和B列有很多重複資料。這時我們可以根據foo/bar或者one/two進行分組。 | | A | B | C | D | |---:|:----|:------|----------:|----------:| | 0 | foo | one | 0.270961 | 0.325415 | | 1 | bar | one | -0.405463 | -0.602236 | | 2 | foo | two | 0.348373 | -0.134508 | | 3 | bar | three | 0.828572 | 1.28121 | | 4 | foo | two | 0.696541 | -0.33032 | | 5 | bar | two | 0.136352 | -1.40384 | | 6 | foo | one | -1.64592 | -0.93809 | | 7 | foo | three | -0.69841 | 1.48804 | ### 6.1 單列分組 我們應用`groupby`方法將上方表格中的資料進行分組。 ``` df.groupby('A') ``` 執行上方程式碼可以看到，groupby方法返回的是一個型別為`DataFrameGroupBy`的物件。我們無法直接檢視，需要應用聚合函式。參考本文4.1節