整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
andas是一個Python語言的軟件包，在我們使用Python語言進行機器學習編程的時候，這是一個非常常用的基礎編程庫。本文是對它的一個入門教程。
pandas提供了快速，靈活和富有表現力的數據結構，目的是使“關系”或“標記”數據的工作既簡單又直觀。它旨在成為在Python中進行實際數據分析的高級構建塊。
pandas適合于許多不同類型的數據，包括：
由于這是一個Python語言的軟件包，因此需要你的機器上首先需要具備Python語言的環境。關于這一點，請自行在網絡上搜索獲取方法。
關于如何獲取pandas請參閱官網上的說明：pandas Installation（http://pandas.pydata.org/pandas-docs/stable/install.html?spm=a2c4e.11153940.blogcont596296.14.67e04526nmEaeg）。
通常情況下，我們可以通過pip來執行安裝：
sudo pip3 install pandas
或者通過conda（http://pandas.pydata.org/pandas-docs/stable/install.html?spm=a2c4e.11153940.blogcont596296.15.67e04526nmEaeg#installing-pandas-with-anaconda） 來安裝pandas：
conda install pandas
目前（2018年2月）pandas的最新版本是v0.22.0（http://pandas.pydata.org/pandas-docs/stable/whatsnew.html?spm=a2c4e.11153940.blogcont596296.16.67e04526nmEaeg#v0-22-0-december-29-2017）（發布時間：2017年12月29日）。
我已經將本文的源碼和測試數據放到Github上： pandas_tutorial（https://github.com/paulQuei/pandas_tutorial?spm=a2c4e.11153940.blogcont596296.17.67e04526nmEaeg） ，讀者可以前往獲取。
另外，pandas常常和NumPy一起使用，本文中的源碼中也會用到NumPy（http://www.numpy.org/?spm=a2c4e.11153940.blogcont596296.18.67e04526nmEaeg）。
建議讀者先對NumPy有一定的熟悉再來學習pandas。
pandas最核心的就是Series和DataFrame兩個數據結構。
這兩種類型的數據結構對比如下：
DataFrame可以看做是Series的容器，即：一個DataFrame中可以包含若干個Series。
注：在0.20.0版本之前，還有一個三維的數據結構，名稱為Panel。這也是pandas庫取名的原因：pan(el)-da(ta)-s。但這種數據結構由于很少被使用到，因此已經被廢棄了。
Series
由于Series是一維結構的數據，我們可以直接通過數組來創建這種數據，像這樣：
# data_structure.py
import pandas as pd
import numpy as np
series1=pd.Series([1, 2, 3, 4])
print("series1:\n{}\n".format(series1))
這段代碼輸出如下：
series1: 0 1 1 2 2 3 3 4 dtype: int64
這段輸出說明如下：
我們可以分別打印出Series中的數據和索引：
# data_structure.py
print("series1.values: {}\n".format(series1.values))
print("series1.index: {}\n".format(series1.index))
這兩行代碼輸出如下：
series1.values: [1 2 3 4] series1.index: RangeIndex(start=0, stop=4, step=1)
如果不指定（像上面這樣），索引是[1, N-1]的形式。不過我們也可以在創建Series的時候指定索引。索引未必一定需要是整數，可以是任何類型的數據，例如字符串。例如我們以七個字母來映射七個音符。索引的目的是可以通過它來獲取對應的數據，例如下面這樣：
# data_structure.py
series2=pd.Series([1, 2, 3, 4, 5, 6, 7],
index=["C", "D", "E", "F", "G", "A", "B"])
print("series2:\n{}\n".format(series2))
print("E is {}\n".format(series2["E"]))
這段代碼輸出如下：
series2: C 1 D 2 E 3 F 4 G 5 A 6 B 7 dtype: int64 E is 3
DataFrame
下面我們來看一下DataFrame的創建。我們可以通過NumPy的接口來創建一個4x4的矩陣，以此來創建一個DataFrame，像這樣：
# data_structure.py
df1=pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1))
這段代碼輸出如下：
df1: 0 1 2 3 0 0 1 2 3 1 4 5 6 7 2 8 9 10 11 3 12 13 14 15
從這個輸出我們可以看到，默認的索引和列名都是[0, N-1]的形式。
我們可以在創建DataFrame的時候指定列名和索引，像這樣：
# data_structure.py
df2=pd.DataFrame(np.arange(16).reshape(4,4),
columns=["column1", "column2", "column3", "column4"],
index=["a", "b", "c", "d"])
print("df2:\n{}\n".format(df2))
這段代碼輸出如下：
df2: column1 column2 column3 column4 a 0 1 2 3 b 4 5 6 7 c 8 9 10 11 d 12 13 14 15
我們也可以直接指定列數據來創建DataFrame：
# data_structure.py
df3=pd.DataFrame({"note" : ["C", "D", "E", "F", "G", "A", "B"],
"weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})
print("df3:\n{}\n".format(df3))
這段代碼輸出如下：
df3: note weekday 0 C Mon 1 D Tue 2 E Wed 3 F Thu 4 G Fri 5 A Sat 6 B Sun
請注意：
例如：
# data_structure.py
noteSeries=pd.Series(["C", "D", "E", "F", "G", "A", "B"],
index=[1, 2, 3, 4, 5, 6, 7])
weekdaySeries=pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
index=[1, 2, 3, 4, 5, 6, 7])
df4=pd.DataFrame([noteSeries, weekdaySeries])
print("df4:\n{}\n".format(df4))
df4的輸出如下：
df4: 1 2 3 4 5 6 7 0 C D E F G A B 1 Mon Tue Wed Thu Fri Sat Sun
我們可以通過下面的形式給DataFrame添加或者刪除列數據：
# data_structure.py
df3["No."]=pd.Series([1, 2, 3, 4, 5, 6, 7])
print("df3:\n{}\n".format(df3))
del df3["weekday"]
print("df3:\n{}\n".format(df3))
這段代碼輸出如下：
df3: note weekday No. 0 C Mon 1 1 D Tue 2 2 E Wed 3 3 F Thu 4 4 G Fri 5 5 A Sat 6 6 B Sun 7 df3: note No. 0 C 1 1 D 2 2 E 3 3 F 4 4 G 5 5 A 6 6 B 7
Index對象與數據訪問
pandas的Index對象包含了描述軸的元數據信息。當創建Series或者DataFrame的時候，標簽的數組或者序列會被轉換成Index?？梢酝ㄟ^下面的方式獲取到DataFrame的列和行的Index對象：
# data_structure.py
print("df3.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\n".format(df3.index))
這兩行代碼輸出如下：
df3.columns Index(['note', 'No.'], dtype='object') df3.index RangeIndex(start=0, stop=7, step=1)
請注意：
DataFrame提供了下面兩個操作符來訪問其中的數據：
例如這樣：
# data_structure.py
print("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"]))
print("Note C, D is:\n{}\n".format(df3.iloc[[0, 1], 0]))
第一行代碼訪問了行索引為0和1，列索引為“note”的元素。第二行代碼訪問了行下標為0和1（對于df3來說，行索引和行下標剛好是一樣的，所以這里都是0和1，但它們卻是不同的含義），列下標為0的元素。
這兩行代碼輸出如下：
Note C, D is: 0 C 1 D Name: note, dtype: object Note C, D is: 0 C 1 D Name: note, dtype: object
pandas庫提供了一系列的read_函數來讀取各種格式的文件，它們如下所示：
讀取Excel文件
注：要讀取Excel文件，還需要安裝另外一個庫：xlrd
通過pip可以這樣完成安裝：
sudo pip3 install xlrd
安裝完之后可以通過pip查看這個庫的信息：
$ pip3 show xlrd Name: xlrd Version: 1.1.0 Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet files Home-page: http://www.python-excel.org/ Author: John Machin Author-email: sjmachin@lexicon.net License: BSD Location: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages Requires:
接下來我們看一個讀取Excel的簡單的例子：
# file_operation.py
import pandas as pd
import numpy as np
df1=pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1))
這個Excel的內容如下：
df1: C Mon 0 D Tue 1 E Wed 2 F Thu 3 G Fri 4 A Sat 5 B Sun
注：本文的代碼和數據文件可以通過文章開頭提到的Github倉庫獲取。
讀取CSV文件
下面，我們再來看讀取CSV文件的例子。
第一個CSV文件內容如下：
$ cat test1.csv C,Mon D,Tue E,Wed F,Thu G,Fri A,Sat
讀取的方式也很簡單：
# file_operation.py
df2=pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))
我們再來看第2個例子，這個文件的內容如下：
$ cat test2.csv C|Mon D|Tue E|Wed F|Thu G|Fri A|Sat
嚴格的來說，這并不是一個CSV文件了，因為它的數據并不是通過逗號分隔的。在這種情況下，我們可以通過指定分隔符的方式來讀取這個文件，像這樣：
# file_operation.py
df3=pd.read_csv("data/test2.csv", sep="|")
print("df3:\n{}\n".format(df3))
實際上，read_csv支持非常多的參數用來調整讀取的參數，如下表所示：
詳細的read_csv函數說明請參見這里：pandas.read_csv（http://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_csv.html?spm=a2c4e.11153940.blogcont596296.22.67e04526nmEaeg&highlight=read_csv#pandas.read_csv）
現實世界并非完美，我們讀取到的數據常常會帶有一些無效值。如果沒有處理好這些無效值，將對程序造成很大的干擾。
對待無效值，主要有兩種處理方法：直接忽略這些無效值；或者將無效值替換成有效值。
下面我先創建一個包含無效值的數據結構。然后通過pandas.isna函數來確認哪些值是無效的：
# process_na.py
import pandas as pd
import numpy as np
df=pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
[5.0, np.nan, np.nan, 8.0],
[9.0, np.nan, np.nan, 12.0],
[13.0, np.nan, 15.0, 16.0]])
print("df:\n{}\n".format(df));
print("df:\n{}\n".format(pd.isna(df)));****
這段代碼輸出如下：
df: 0 1 2 3 0 1.0 NaN 3.0 4.0 1 5.0 NaN NaN 8.0 2 9.0 NaN NaN 12.0 3 13.0 NaN 15.0 16.0 df: 0 1 2 3 0 False True False False 1 False True True False 2 False True True False 3 False True False False
忽略無效值
我們可以通過pandas.DataFrame.dropna函數拋棄無效值：
# process_na.py
print("df.dropna():\n{}\n".format(df.dropna()));
注：dropna默認不會改變原先的數據結構，而是返回了一個新的數據結構。如果想要直接更改數據本身，可以在調用這個函數的時候傳遞參數 inplace=True。
對于原先的結構，當無效值全部被拋棄之后，將不再是一個有效的DataFrame，因此這行代碼輸出如下：
df.dropna(): Empty DataFrame Columns: [0, 1, 2, 3] Index: []
我們也可以選擇拋棄整列都是無效值的那一列：
# process_na.py
print("df.dropna(axis=1, how='all'):\n{}\n".format(df.dropna(axis=1, how='all')));
注：axis=1表示列的軸。how可以取值'any'或者'all'，默認是前者。
這行代碼輸出如下：
df.dropna(axis=1, how='all'): 0 2 3 0 1.0 3.0 4.0 1 5.0 NaN 8.0 2 9.0 NaN 12.0 3 13.0 15.0 16.0
替換無效值
我們也可以通過fillna函數將無效值替換成為有效值。像這樣：
# process_na.py
print("df.fillna(1):\n{}\n".format(df.fillna(1)));
這段代碼輸出如下：
df.fillna(1): 0 1 2 3 0 1.0 1.0 3.0 4.0 1 5.0 1.0 1.0 8.0 2 9.0 1.0 1.0 12.0 3 13.0 1.0 15.0 16.0
將無效值全部替換成同樣的數據可能意義不大，因此我們可以指定不同的數據來進行填充。為了便于操作，在填充之前，我們可以先通過rename方法修改行和列的名稱：
# process_na.py
df.rename(index={0: 'index1', 1: 'index2', 2: 'index3', 3: 'index4'},
columns={0: 'col1', 1: 'col2', 2: 'col3', 3: 'col4'},
inplace=True);
df.fillna(value={'col2': 2}, inplace=True)
df.fillna(value={'col3': 7}, inplace=True)
print("df:\n{}\n".format(df));
這段代碼輸出如下：
df: col1 col2 col3 col4 index1 1.0 2.0 3.0 4.0 index2 5.0 2.0 7.0 8.0 index3 9.0 2.0 7.0 12.0 index4 13.0 2.0 15.0 16.0
數據中常常牽涉到字符串的處理，接下來我們就看看pandas對于字符串操作。
Series的str字段包含了一系列的函數用來處理字符串。并且，這些函數會自動處理無效值。
下面是一些實例，在第一組數據中，我們故意設置了一些包含空格字符串：
# process_string.py
import pandas as pd
s1=pd.Series([' 1', '2 ', ' 3 ', '4', '5']);
print("s1.str.rstrip():\n{}\n".format(s1.str.lstrip()))
print("s1.str.strip():\n{}\n".format(s1.str.strip()))
print("s1.str.isdigit():\n{}\n".format(s1.str.isdigit()))
在這個實例中我們看到了對于字符串strip的處理以及判斷字符串本身是否是數字，這段代碼輸出如下：
s1.str.rstrip(): 0 1 1 2 2 3 3 4 4 5 dtype: object s1.str.strip(): 0 1 1 2 2 3 3 4 4 5 dtype: object s1.str.isdigit(): 0 False 1 False 2 False 3 True 4 True dtype: bool
下面是另外一些示例，展示了對于字符串大寫，小寫以及字符串長度的處理：
# process_string.py
s2=pd.Series(['Stairway to Heaven', 'Eruption', 'Freebird',
'Comfortably Numb', 'All Along the Watchtower'])
print("s2.str.lower():\n{}\n".format(s2.str.lower()))
print("s2.str.upper():\n{}\n".format(s2.str.upper()))
print("s2.str.len():\n{}\n".format(s2.str.len()))
該段代碼輸出如下：
s2.str.lower(): 0 stairway to heaven 1 eruption 2 freebird 3 comfortably numb 4 all along the watchtower dtype: object s2.str.upper(): 0 STAIRWAY TO HEAVEN 1 ERUPTION 2 FREEBIRD 3 COMFORTABLY NUMB 4 ALL ALONG THE WATCHTOWER dtype: object s2.str.len(): 0 18 1 8 2 8 3 16 4 24 dtype: int64
本文來自阿里云云棲社區，未經許可禁止轉載。
更多資訊，盡在云棲科技快訊~
來科技快訊看新聞鴨~
快點關注我認識我愛上我啊~~~
讀：任何原始格式的數據載入DataFrame后，都可以使用類似DataFrame.to_csv()的方法輸出到相應格式的文件或者目標系統里。本文將介紹一些常用的數據輸出目標格式。
作者：李慶輝
來源：華章科技
DataFrame.to_csv方法可以將DataFrame導出為CSV格式的文件，需要傳入一個CSV文件名。
df.to_csv('done.csv')
df.to_csv('data/done.csv') # 可以指定文件目錄路徑
df.to_csv('done.csv', index=False) # 不要索引另外還可以使用sep參數指定分隔符，columns傳入一個序列指定列名，編碼用encoding傳入。如果不需要表頭，可以將header設為False。如果文件較大，可以使用compression進行壓縮：
# 創建一個包含out.csv的壓縮文件out.zip
compression_opts=dict(method='zip',
archive_name='out.csv')
df.to_csv('out.zip', index=False,
compression=compression_opts) 將DataFrame導出為Excel格式也很方便，使用DataFrame.to_excel方法即可。要想把DataFrame對象導出，首先要指定一個文件名，這個文件名必須以.xlsx或.xls為擴展名，生成的文件標簽名也可以用sheet_name指定。
如果要導出多個DataFrame到一個Excel，可以借助ExcelWriter對象來實現。
# 導出，可以指定文件路徑
df.to_excel('path_to_file.xlsx')
# 指定sheet名，不要索引
df.to_excel('path_to_file.xlsx', sheet_name='Sheet1', index=False)
# 指定索引名，不合并單元格
df.to_excel('path_to_file.xlsx', index_label='label', merge_cells=False)多個數據的導出如下：
# 將多個df分不同sheet導入一個Excel文件中
with pd.ExcelWriter('path_to_file.xlsx') as writer:
df1.to_excel(writer, sheet_name='Sheet1')
df2.to_excel(writer, sheet_name='Sheet2')使用指定的Excel導出引擎如下：
# 指定操作引擎
df.to_excel('path_to_file.xlsx', sheet_name='Sheet1', engine='xlsxwriter')
# 在'engine'參數中設置ExcelWriter使用的引擎
writer=pd.ExcelWriter('path_to_file.xlsx', engine='xlsxwriter')
df.to_excel(writer)
writer.save()
# 設置系統引擎
from pandas import options # noqa: E402
options.io.excel.xlsx.writer='xlsxwriter'
df.to_excel('path_to_file.xlsx', sheet_name='Sheet1')DataFrame.to_html會將DataFrame中的數據組裝在HTML代碼的table標簽中，輸入一個字符串，這部分HTML代碼可以放在網頁中進行展示，也可以作為郵件正文。
print(df.to_html())
print(df.to_html(columns=[0])) # 輸出指定列
print(df.to_html(bold_rows=False)) # 表頭不加粗
# 表格指定樣式，支持多個
print(df.to_html(classes=['class1', 'class2']))將DataFrame中的數據保存到數據庫的對應表中：
# 需要安裝SQLAlchemy庫
from sqlalchemy import create_engine
# 創建數據庫對象，SQLite內存模式
engine=create_engine('sqlite:///:memory:')
# 取出表名為data的表數據
with engine.connect() as conn, conn.begin():
data=pd.read_sql_table('data', conn)
# data
# 將數據寫入
data.to_sql('data', engine)
# 大量寫入
data.to_sql('data_chunked', engine, chunksize=1000)
# 使用SQL查詢
pd.read_sql_query('SELECT * FROM data', engine)Markdown是一種常用的技術文檔編寫語言，Pandas支持輸出Markdown格式的字符串，如下：
print(cdf.to_markdown())
'''
| | x | y | z |
|:---|----:|----:|----:|
| a | 1 | 2 | 3 |
| b | 4 | 5 | 6 |
| c | 7 | 8 | 9 |
'''本文介紹了如何將DataFrame對象數據進行輸出，數據經輸出、持久化后會成為固定的數據資產，供我們進行歸檔和分析。
關于作者：李慶輝，數據產品專家，某電商公司數據產品團隊負責人，擅長通過數據治理、數據分析、數據化運營提升公司的數據應用水平。精通Python數據科學及Python Web開發，曾獨立開發公司的自動化數據分析平臺，參與教育部“1+X”數據分析（Python）職業技能等級標準評審。中國人工智能學會會員，企業數字化、數據產品和數據分析講師，在個人網站“蓋若”上編寫的技術和產品教程廣受歡迎。
本書摘編自《深入淺出Pandas：利用Python進行數據處理與分析》，機械工業出版社華章公司2021年出版。轉載請與我們取得授權。
延伸閱讀《深入淺出Pandas》
推薦語：這是一本全面覆蓋了Pandas使用者的普遍需求和痛點的著作，基于實用、易學的原則，從功能、使用、原理等多個維度對Pandas做了全方位的詳細講解，既是初學者系統學習Pandas難得的入門書，又是有經驗的Python工程師案頭必不可少的查詢手冊?！独肞ython進行數據分析》學習伴侶，用好Python必備。
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
