Python 是開源的，它很棒，但是也無法避免開源的一些固有問題：很多包都在做（或者在嘗試做）同樣的事情。如果你是 Python 新手，那么你很難知道某個特定任務(wù)的最佳包是哪個，你需要有經(jīng)驗(yàn)的人告訴你。有一個用于數(shù)據(jù)科學(xué)的包絕對是必需的，它就是 pandas。

[[383840]]

pandas 最有趣的地方在于里面隱藏了很多包。它是一個核心包，里面有很多其他包的功能。這點(diǎn)很棒，因?yàn)槟阒恍枰褂?pandas 就可以完成工作。

pandas 相當(dāng)于 python 中 excel：它使用表（也就是 dataframe)，能在數(shù)據(jù)上做各種變換，但還有其他很多功能。

如果你早已熟知 python 的使用，可以直接跳到第三段。

讓我們開始吧： 

import pandas as pd 

別問為什么是「pd」而不是「p」，就是這樣。用就行了:)

pandas 最基本的功能

讀取數(shù)據(jù) 

data = pd.read_csv( my_file.csv )  
data = pd.read_csv( my_file.csv , sep= ; , encoding= latin-1 , nrows=1000, skiprows=[2,5]) 

sep 代表的是分隔符。如果你在使用法語數(shù)據(jù)，excel 中 csv 分隔符是「;」，因此你需要顯式地指定它。編碼設(shè)置為 latin-1 來讀取法語字符。nrows=1000 表示讀取前 1000 行數(shù)據(jù)。skiprows=[2,5] 表示你在讀取文件的時候會移除第 2 行和第 5 行。

•  最常用的功能：read_csv, read_excel
•  其他一些很棒的功能：read_clipboard, read_sql

寫數(shù)據(jù)

data.to_csv( my_new_file.csv , index=None) 

index=None 表示將會以數(shù)據(jù)本來的樣子寫入。如果沒有寫 index=None，你會多出一個第一列，內(nèi)容是 1，2，3，...，一直到最后一行。

我通常不會去使用其他的函數(shù)，像.to_excel, .to_json, .to_pickle 等等，因?yàn)?to_csv 就能很好地完成工作，并且 csv 是最常用的表格保存方式。

檢查數(shù)據(jù)

Gives (#rows, #columns) 

給出行數(shù)和列數(shù) 

data.describe() 

計(jì)算基本的統(tǒng)計(jì)數(shù)據(jù)

查看數(shù)據(jù) 

data.head(3) 

打印出數(shù)據(jù)的前 3 行。與之類似，.tail() 對應(yīng)的是數(shù)據(jù)的最后一行。

data.loc[8] 

打印出第八行 

data.loc[8,  column_1 ] 

打印第八行名為「column_1」的列 

data.loc[range(4,6)] 

第四到第六行（左閉右開）的數(shù)據(jù)子集

pandas 的基本函數(shù)

邏輯運(yùn)算 

data[data[ column_1 ]== french ]  
data[(data[ column_1 ]== french ) & (data[ year_born ]==1990)]  
data[(data[ column_1 ]== french ) & (data[ year_born ]==1990) & ~(data[ city ]== London )] 

通過邏輯運(yùn)算來取數(shù)據(jù)子集。要使用 & (AND)、 ~ (NOT) 和 | (OR)，必須在邏輯運(yùn)算前后加上「and」。 

data[data[ column_1 ].isin([ french ,  english ])] 

除了可以在同一列使用多個 OR，你還可以使用.isin() 函數(shù)。

基本繪圖

matplotlib 包使得這項(xiàng)功能成為可能。正如我們在介紹中所說，它可以直接在 pandas 中使用。 

data[ column_numerical ].plot() 

（）.plot() 輸出的示例 

data[ column_numerical ].hist() 

畫出數(shù)據(jù)分布（直方圖）

.hist() 輸出的示例 

%matplotlib inline 

如果你在使用 Jupyter，不要忘記在畫圖之前加上以上代碼。

更新數(shù)據(jù) 

data.loc[8,  column_1 ] =  english 

將第八行名為 column_1 的列替換為「english」 

data.loc[data[ column_1 ]== french ,  column_1 ] =  French 

在一行代碼中改變多列的值

好了，現(xiàn)在你可以做一些在 excel 中可以輕松訪問的事情了。下面讓我們深入研究 excel 中無法實(shí)現(xiàn)的一些令人驚奇的操作吧。

中級函數(shù)

統(tǒng)計(jì)出現(xiàn)的次數(shù) 

data[ column_1 ].value_counts() 

.value_counts() 函數(shù)輸出示例

在所有的行、列或者全數(shù)據(jù)上進(jìn)行操作 

data[ column_1 ].map(len) 

len() 函數(shù)被應(yīng)用在了「column_1」列中的每一個元素上

.map() 運(yùn)算給一列中的每一個元素應(yīng)用一個函數(shù) 

data[ column_1 ].map(len).map(lambda x: x/100).plot() 

pandas 的一個很好的功能就是鏈?zhǔn)椒椒ǎ?a >https://tomaugspurger.github.io/method-chaining）。它可以幫助你在一行中更加簡單、高效地執(zhí)行多個操作（.map() 和.plot()）。 

data.apply(sum) 

.apply() 會給一個列應(yīng)用一個函數(shù)。

.applymap() 會給表 (DataFrame) 中的所有單元應(yīng)用一個函數(shù)。

tqdm, 唯一的

在處理大規(guī)模數(shù)據(jù)集時，pandas 會花費(fèi)一些時間來進(jìn)行.map()、.apply()、.applymap() 等操作。tqdm 是一個可以用來幫助預(yù)測這些操作的執(zhí)行何時完成的包（是的，我說謊了，我之前說我們只會使用到 pandas）。 

from tqdm import tqdm_notebook  
tqdm_notebook().pandas() 

用 pandas 設(shè)置 tqdm

data[ column_1 ].progress_map(lambda x: x.count( e )) 

用 .progress_map() 代替.map()、.apply() 和.applymap() 也是類似的。

在 Jupyter 中使用 tqdm 和 pandas 得到的進(jìn)度條

相關(guān)性和散射矩陣 

data.corr()  
data.corr().applymap(lambda x: int(x*100)/100) 

.corr() 會給出相關(guān)性矩陣 

pd.plotting.scatter_matrix(data, figsize=(12,8)) 

散點(diǎn)矩陣的例子。它在同一幅圖中畫出了兩列的所有組合。

pandas 中的高級操作

The SQL 關(guān)聯(lián)

在 pandas 中實(shí)現(xiàn)關(guān)聯(lián)是非常非常簡單的 

data.merge(other_data, on=[ column_1 ,  column_2 ,  column_3 ]) 

關(guān)聯(lián)三列只需要一行代碼

分組

一開始并不是那么簡單，你首先需要掌握語法，然后你會發(fā)現(xiàn)你一直在使用這個功能。 

data.groupby( column_1 )[ column_2 ].apply(sum).reset_index() 

按一個列分組，選擇另一個列來執(zhí)行一個函數(shù)。.reset_index() 會將數(shù)據(jù)重構(gòu)成一個表。

正如前面解釋過的，為了優(yōu)化代碼，在一行中將你的函數(shù)連接起來。

行迭代 

dictionary = {}  
for i,row in data.iterrows():  
 dictionary[row[ column_1 ]] = row[ column_2 ] 

.iterrows() 使用兩個變量一起循環(huán)：行索引和行的數(shù)據(jù) (上面的 i 和 row)

總而言之，pandas 是 python 成為出色的編程語言的原因之一

我本可以展示更多有趣的 pandas 功能，但是已經(jīng)寫出來的這些足以讓人理解為何數(shù)據(jù)科學(xué)家離不開 pandas?？偨Y(jié)一下，pandas 有以下優(yōu)點(diǎn)：

•  易用，將所有復(fù)雜、抽象的計(jì)算都隱藏在背后了；
•  直觀；
•  快速，即使不是最快的也是非?？斓?。

它有助于數(shù)據(jù)科學(xué)家快速讀取和理解數(shù)據(jù)，提高其工作效率