Python數(shù)據(jù)科學入門

Dmitry Zinoviev著
熊子源 譯

---

第6章 使用Series和frame

Pandas模塊的初中時為了給Python添加Series和frame兩個抽象的數(shù)據(jù)結構，它們其實是Python的競爭對手、最早的數(shù)據(jù)科學語言——R語言的核心。

Pandas的frame本質是一個“智能”電子表格：具有標簽、列（變量）、行（觀測記錄），以及大量內置操作的表。（Series是一個只有一列的frame）表的數(shù)據(jù)部分（單元格）以numpy數(shù)組的方式實現(xiàn)。

第31單元 pandas數(shù)據(jù)結構

Series
Series是一維的數(shù)據(jù)矢量。是同構的：Series中左右數(shù)據(jù)項必須是相同的數(shù)據(jù)類型。
Series中的函數(shù)：

• head() 返回Series中前五行數(shù)據(jù)（默認5行）
• tail() 返回Series中后五行數(shù)據(jù)（默認5行）

Frame
Frame是一個行和列都具有標簽的表。可以通過二維numpy數(shù)組、元組列表、Python字典或一個frame構造出一個新的frame。

第32單元 數(shù)據(jù)重塑

索引：
Frame的索引是一組分配給frame行的標簽集合。

reset_index()	刪除現(xiàn)有索引
set_index()	建立一個新索引
drop()	返回一個刪除了一行或若干行的frame的副本。

重建索引：
從現(xiàn)有的frame或series中選擇一定的行排列、列排列或者行和列排列，來創(chuàng)建新的frame或Series。

分層索引：
也稱為多級索引或多重索引。由以下三個列表組成：

• 級別名稱
• 每個級別可能存在的所有標簽
• Frame或Series中每一項的實際值的列表。

MultiIndex.from_tuples() 使用帶有標簽的元組和可選的級別名稱列表生成多級索引。

堆疊和旋轉:
使用多級的列名可以將多級索引完全或部分扁平化，相反，使用多級索引也可以將多級的列名完全或部分扁平化。

stack()	增加索引的級別數(shù)，同時減少列名的級別數(shù)。
unstack()	增加列名的級別數(shù)，同時減少索引的級別數(shù)。
pivot(index,columns,values)	將frame轉換為另一個frame，新的frame使用列索引作為新的索引，columns作為新的列名列表，values作為數(shù)據(jù)。

第33單元 處理缺失數(shù)據(jù)

Pandas沿用了傳統(tǒng)的numpy.nan（第5章-第25單元）來表示缺失數(shù)據(jù)。Pandas還提供了識別和插補缺失值的函數(shù)。
缺失值必須被刪除或者插補（將其替換成有意義的值）。

刪除缺失值：
dropna()函數(shù) 可以刪除部分（how=”any”，默認）或全部（how=”all”）無效的列（axis=0，默認）或行（axis=1），并返回“干凈的”frame對象。

插補缺失數(shù)據(jù)：
兩種常見的插補技術是使用常數(shù)（0，1）和“干凈”值得平均數(shù)替換缺失值。
isnull()和notnull() 是互補的。當某個值是nan時，isnull()返回True；當某個值不是nan時，notnull()返回True。
根據(jù)IEEE 754的浮點數(shù)標準，表達式 np.nan==np.nan為False ，這使得直接比較是不可能的！

替換數(shù)據(jù)：
replace(val_or_list,new_val)函數(shù) 將一個值或值列表替換成一個新的值或值列表，列表的長度必須一樣。除非傳遞inplace=True參數(shù)（表示在原始表中修改），負責該函數(shù)會返回一個新的frame或series。

第34單元 組合數(shù)據(jù)

合并：
如果兩個frame具有一個相同的列，就可以將該列上的frame合并。即使沒有相同名稱的列，也可以指定其他列作為鍵。

            
              df = pd.merge(df1,df2,on=”key”)
df = pd.merge(df1,df2,left_on=”key1”,right_on=”key2”)

            
          

如果要在索引列而不是一般的列上合并，使用可選參數(shù)left_index=True和right_index=True實現(xiàn)。

join()和merge() 這兩個函數(shù)使用同一個可選參數(shù)how，它的可接受參數(shù)為“l(fā)eft”（join()的默認值），“right”，“inner”，“outer”（merge()的默認值）

連接：
Concat()函數(shù) 通過一組frame彼此“豎直”（axis=0，默認值）或“水平”（axis=1）放置在一起來連接它們，并返回一個新的frame。

            
              Pd.concat([alco2009,population],axis=0).tail()

            
          

如果frame的維度不匹配，pandas就會在所謂的“空位”處加入具有缺失值的行或列。

刪除重復行:

            
              duplicated([subset]，keep=””)

            
          

返回一個布爾型的Series，表示在所有列或subset（是一個列名稱組成的序列）表示的列中是否有重復的行。Keep表示控制標記的重復行是第一個重復行（“first”）、最后一個重復行（“l(fā)ast”）、每個重復行（“True”）都標記。

            
              drop_duplicates([subset]，keep=””,Inpalce=True)

            
          

返回一個刪除了所有列或subset（是一個列名稱組成的序列）表示的列中重復行的frame或Series。Keep表示控制刪除的行是第一個重復行（“first”）、最后一個重復行（“l(fā)ast”）、每個重復行（“True”）都刪除。Inpalce=True可以從原始對象中刪除重復項。

第35單元 數(shù)據(jù)的排序和描述

排序和分級：
sort_index()返回按照索引排序的frame。相關參數(shù)說明如下：

ascending	（默認值為True（升序））來控制升序或降序；
na_position	(取值為“first”或”last“)指定值為nan的單元在排序后的位置，
numeric_only	僅將等級限制為數(shù)值
na_option	（取值為“top”,”bottom”或“keep”）設定nan的處理方式：將它們轉移到新frame的頂部、底部或保留原始位置。

描述性統(tǒng)計量：

argmax()	找出最大值首次出現(xiàn)的索引位置（針對series）
idxmax()	找出最大值首次出現(xiàn)的索引位置（針對frame）
cumsum()	累積和
cumprod()	累計乘積
cummin()	累積最小值
cummax()	累積最大值
diff()	計算連續(xù)的列或Series項之間的滑動值

唯一性、計數(shù)、會員資格：

unique()	計算不同值的組成的數(shù)組，并能給出每個不同值出現(xiàn)的次數(shù)。用在Series中
value_counts()	計算不同值的組成的數(shù)組，并能給出每個不同值出現(xiàn)的次數(shù)。用在frame中
isin()	專門為Series和frame定義的。它返回一個與數(shù)據(jù)大小相同的布爾型的Series或frame，用于確定Series或frame的每一項是否存在于某個集合中。

第36單元 數(shù)據(jù)轉換

數(shù)據(jù)聚合：

groupby() 通過一個或多個分類的鍵值將行分到不同的組中，從而實現(xiàn)對frame的分割。
聚合函數(shù)包括以下幾種：

count()	返回組中的行數(shù)
sum()	返回組中數(shù)字行的總和
mean()	返回組中所有行相應的統(tǒng)計量度量
median()	返回組中所有行相應的統(tǒng)計量度量
std()	返回組中所有行相應的統(tǒng)計量度量
var()	返回組中所有行相應的統(tǒng)計量度量（沒錯，這四個函數(shù)效果一模一樣）
min()	返回組中最小的行
max()	返回組中最大的行
prod()	返回組中數(shù)字行的乘積
first()	返回組中的第一行（用在frame中）
last()	返回組中的最后一行（用在frame中）

離散化：

離散化是指將連續(xù)變量轉化為離散（分類）變量，通常用于直方圖和機器學習。
qcuts() 與cuts()類似，不同的是qucts()使用分位數(shù)而不是區(qū)間寬度進行分割。可以用它來計算分位數(shù)。
qet_dummies() 將數(shù)組、series或frame轉換為與原始對象擁有相同索引的另一個frame，每個列對應一個虛擬變量。

映射：

map() 將任意的單參數(shù)函數(shù)應用于選中列中的每一個元素。（非常低效）

第37單元 掌握pandas的文件讀寫功能

Pandas支持：

• 自動索引和列名提取
• 數(shù)據(jù)類型推斷、數(shù)據(jù)轉換和缺失值的檢測
• 日期時間解析
• 消除“不干凈”的數(shù)據(jù)
• 數(shù)據(jù)分塊

讀取CSV和表格文件：

read_csv() 根據(jù)文件名或打開的文件句柄，從指定的CSV文件中讀取一個frame。該函數(shù)具有近50個可選參數(shù)。
read_csv()函數(shù)中重要參數(shù)說明：

sep/delimiter	列分隔符，可以接受正則表達式
header	作為列名的行號（如果有自己的行號，則傳遞None）
index_col	作為索引的列名（False表示默認數(shù)字索引）
skiprows	要跳過的文件頭行號或行號列表
thousands	表示大數(shù)時使用的千位分隔符
names	列名列表
na_values	用于處理缺失數(shù)據(jù)的字符串或字符串列表

---

（ "What you get is what you get.What you do with what you get, that's more the point."--《City of Ember 》 ）