python|聊聊我的 Pandas 学习经历及动手实践机器学习|深度学习|python

想入门人工智能或者数据分析，要重视可以快速上手的学习技能：掌握一些基本概念，建立一个知识框架，然后就去实战，在实战中学习新知识，来填充这个框架。
我根据之前整理的一些pandas知识，总结了一个pandas的快速入门的知识框架。有了这些知识，然后去通过项目实战，然后再补充。希望能帮助大家快速上手。喜欢本文记得收藏、点赞、关注。我将这些资料整理成PDF版本，需要的可以问题找我获取。

文章图片

推荐文章

李宏毅《机器学习》国语课程(2022)来了
有人把吴恩达老师的机器学习和深度学习做成了中文版
上瘾了，最近又给公司撸了一个可视化大屏(附源码)
如此优雅，4款 Python 自动数据分析神器真香啊
梳理半月有余，精心准备了17张知识思维导图，这次要讲清统计学
年终汇总：20份可视化大屏模板，直接套用真香(文末附源码)

Pandas入门知识框架
1. 什么是Pandas？熊猫？ Pandas 可以说是基于 NumPy 构建的含有更高级数据结构和分析能力的工具包，实现了类似Excel表的功能，可以对二维数据表进行很方便的操作。
在数据分析工作中，Pandas 的使用频率是很高的，一方面是因为 Pandas 提供的基础数据结构 DataFrame 与 json 的契合度很高，转换起来就很方便。另一方面，如果我们日常的数据清理工作不是很复杂的话，你通常用几句 Pandas 代码就可以对数据进行规整。
Pandas的核心数据结构：Series 和 DataFrame 这两个核心数据结构。他们分别代表着一维的序列和二维的表结构。基于这两种数据结构，Pandas 可以对数据进行导入、清洗、处理、统计和输出。
快速掌握Pandas，就要快速学会这两种核心数据结构。
2. 两种核心数据结构 2.1 Series
Series 是个定长的字典序列。说是定长是因为在存储的时候，相当于两个 ndarray，这也是和字典结构最大的不同。因为在字典的结构里，元素的个数是不固定的。
Series 有两个基本属性：index 和 values。在 Series 结构中，index 默认是 0,1,2,……递增的整数序列，当然我们也可以自己来指定索引，比如 index=[‘a’, ‘b’, ‘c’, ‘d’]。

import pandas as pd from pandas import Series, DataFrame x1 = Series([1,2,3,4]) x2 = Series(data=https://www.it610.com/article/[1,2,3,4], index=['a', 'b', 'c', 'd']) print x1 print x2

上面这个例子中，x1 中的 index 采用的是默认值，x2 中 index 进行了指定。我们也可以采用字典的方式来创建 Series，比如：

d = {'a':1, 'b':2, 'c':3, 'd':4} x3 = Series(d) print x3

Series的增删改查

创建一个Series

In [85]: ps = pd.Series(data=https://www.it610.com/article/[-3,2,1],index=['a','f','b'],dtype=np.float32)In [86]: ps Out[86]: a-3.0 f2.0 b1.0 dtype: float32
增加元素append

In [112]: ps.append(pd.Series(data=https://www.it610.com/article/[-8.0],index=['f'])) Out[112]: a4.0 f2.0 b1.0 f-8.0 dtype: float64
删除元素drop

In [119]: ps Out[119]: a4.0 f2.0 b1.0 dtype: float32In [120]: psd = ps.drop('f') In [121]: psd Out[121]: a4.0 b1.0 dtype: float32

注意不管是 append 操作，还是 drop 操作，都是发生在原数据的副本上，不是原数据上。
修改元素
通过标签修改对应数据，如下所示：

In [123]: psn Out[123]: a4.0 f2.0 b1.0 f-8.0 dtype: float64In [124]: psn['f'] = 10.0 In [125]: psn Out[125]: a4.0 f10.0 b1.0 f10.0 dtype: float64

Series里面允许标签相同，且如果相同，标签都会被修改。
访问元素
一种通过默认的整数索引，在 Series 对象未被显示的指定 label 时，都是通过索引访问；另一种方式是通过标签访问。

In [126]: ps Out[126]: a4.0 f2.0 b1.0 dtype: float32In [128]: ps[2] # 索引访问 Out[128]: 1.0In [127]: ps['b']# 标签访问 Out[127]: 1.0

2.2 DataFrame
DataFrame 类型数据结构类似数据库表。它包括了行索引和列索引，我们可以将 DataFrame 看成是由相同索引的 Series 组成的字典类型。

import pandas as pd from pandas import Series, DataFrame data = https://www.it610.com/article/{'Chinese': [66, 95, 93, 90,80],'English': [65, 85, 92, 88, 90],'Math': [30, 98, 96, 77, 90]} df1= DataFrame(data) df2 = DataFrame(data, index=['ZhangFei', 'GuanYu', 'ZhaoYun', 'HuangZhong', 'DianWei'], columns=['English', 'Math', 'Chinese']) print df1 print df2

在后面的案例中，我一般会用 df, df1, df2 这些作为 DataFrame 数据类型的变量名，我们以例子中的 df2 为例，列索引是[‘English’, ‘Math’, ‘Chinese’]，行索引是[‘ZhangFei’, ‘GuanYu’, ‘ZhaoYun’, ‘HuangZhong’, ‘DianWei’]，所以 df2 的输出是：

EnglishMathChinese ZhangFei653066 GuanYu859895 ZhaoYun929693 HuangZhong887790 DianWei909080

2.2.1基本操作
（1）数据的导入与输出
Pandas 允许直接从 xlsx，csv 等文件中导入数据，也可以输出到 xlsx, csv 等文件，非常方便。
需要说明的是，在运行的过程可能会存在缺少 xlrd 和 openpyxl 包的情况，到时候如果缺少了，可以在命令行模式下使用“pip install”命令来进行安装。

import pandas as pd from pandas import Series, DataFrame score = DataFrame(pd.read_excel('data.xlsx')) score.to_excel('data1.xlsx') print score

关于数据导入， pandas提供了强劲的读取支持，比如读写CSV文件， read_csv()函数有38个参数之多，这里面有一些很有用，主要可以分为下面几个维度来梳理：

基本参数
filepathorbuffer: 数据的输入路径，可以是文件路径，也可是是URL或者实现read方法的任意对象
sep: 数据文件的分隔符，默认为逗号
delim_whitespace: 表示分隔符为空白字符，可以是一个空格，两个空格
header: 设置导入DataFrame的列名称，如果names没赋值， header会选取数据文件的第一行作为列名
index_col: 表示哪个或者哪些列作为index
usecols: 选取数据文件的哪些列到DataFrame中
prefix: 当导入的数据没有header时，设置此参数会自动加一个前缀
通用解析参数
dtype：读取数据时修改列的类型
converters: 实现对列数据的变化操作
skip_rows: 过滤行
nrows: 设置一次性读入的文件行数，它在读入大文件时很有用，比如 16G 内存的PC无法容纳几百 G 的大文件。
skip_blank_lines: 过滤掉空行
时间处理相关参数
parse_dates: 如果导入的某些列为时间类型，但是导入时没有为此参数赋值，导入后就不是时间类型
date_parser: 定制某种时间类型
分开读入相关参数：
分块读入内存，尤其单机处理大文件时会很有用。
iterator: iterator 取值 boolean，default False，返回一个 TextFileReader 对象，以便逐块处理文件。

文章图片
chunksize: 整型，默认为 None，设置文件块的大小。
格式和压缩相关参数
id name age 0 1 gz 10 1 2 lh 12

- `thousands`: str，default None，千分位分割符，如 `,` 或者 `.`。- `encoding`: 指定字符集类型，通常指定为 ‘utf-8’
compression
compression 参数取值为 {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}，默认 ‘infer’，直接使用磁盘上的压缩文件。如果使用 infer 参数，则使用 gzip、bz2、zip 或者解压文件名中以 ‘.gz’、‘.bz2’、‘.zip’ 或 ‘xz’ 这些为后缀的文件，否则不解压。如果使用 zip，那么 ZIP 包中必须只包含一个文件。设置为 None 则不解压。手动压缩本文一直使用的 test.csv 为 test.zip 文件，然后打开

In [73]:df = pd.read_csv('test.zip',sep='\s+',compression='zip')In [74]: df Out[74]:

具体这些参数怎么用，可以看https://gitbook.cn/gitchat/column/5e37978dec8d9033cf916b5d/topic/5e3bcef3ec8d9033cf92466f
（2）数据清洗
数据清洗是数据准备过程中必不可少的环节，Pandas 也为我们提供了数据清洗的工具，在后面数据清洗的章节中会给你做详细的介绍，这里简单介绍下 Pandas 在数据清洗中的使用方法。
（2.1）删除 DataFrame 中的不必要的列或行
Pandas 提供了一个便捷的方法 drop() 函数来删除我们不想要的列或行

df2 = df2.drop(columns=['Chinese'])

想把“张飞”这行删掉。

df2 = df2.drop(index=['ZhangFei'])

（2.2）重命名列名 columns，让列表名更容易识别
如果你想对 DataFrame 中的 columns 进行重命名，可以直接使用 rename(columns=new_names, inplace=True) 函数，比如我把列名 Chinese 改成 YuWen，English 改成 YingYu。

df2.rename(columns={'Chinese': 'YuWen', 'English': 'Yingyu'}, inplace = True)

（2.3）去重复的值
数据采集可能存在重复的行，这时只要使用 drop_duplicates() 就会自动把重复的行去掉

df = df.drop_duplicates() #去除重复行

（2.4）格式问题

更改数据格式
这是个比较常用的操作，因为很多时候数据格式不规范，我们可以使用 astype 函数来规范数据格式，比如我们把 Chinese 字段的值改成 str 类型，或者 int64 可以这么写

df2['Chinese'].astype('str') df2['Chinese'].astype(np.int64)

数据间的空格
有时候我们先把格式转成了 str 类型，是为了方便对数据进行操作，这时想要删除数据间的空格，我们就可以使用 strip 函数：

#删除左右两边空格 df2['Chinese']=df2['Chinese'].map(str.strip) #删除左边空格 df2['Chinese']=df2['Chinese'].map(str.lstrip) #删除右边空格 df2['Chinese']=df2['Chinese'].map(str.rstrip)

如果数据里有某个特殊的符号，我们想要删除怎么办？同样可以使用 strip 函数，比如 Chinese 字段里有美元符号，我们想把这个删掉，可以这么写：

df2['Chinese']=df2['Chinese'].str.strip('$')

（2.5）大小写转换
大小写是个比较常见的操作，比如人名、城市名等的统一都可能用到大小写的转换，在 Python 里直接使用 upper(), lower(), title() 函数，方法如下：

#全部大写 df2.columns = df2.columns.str.upper() #全部小写 df2.columns = df2.columns.str.lower() #首字母大写 df2.columns = df2.columns.str.title()

（2.6）查找空值
数据量大的情况下，有些字段存在空值 NaN 的可能，这时就需要使用 Pandas 中的 isnull 函数进行查找。比如，我们输入一个数据表如下：

文章图片

如果我们想看下哪个地方存在空值 NaN，可以针对数据表 df 进行 df.isnull()，结果如下：

文章图片

如果我想知道哪列存在空值，可以使用 df.isnull().any()，结果如下：

文章图片

2.2.2 使用apply函数对数据进行清洗
apply 函数是 Pandas 中自由度非常高的函数，使用频率也非常高。比如我们想对 name 列的数值都进行大写转化可以用：

df['name'] = df['name'].apply(str.upper)

我们也可以定义个函数，在 apply 中进行使用。比如定义 double_df 函数是将原来的数值 *2 进行返回。然后对 df1 中的“语文”列的数值进行 *2 处理，可以写成：

def double_df(x): return 2*x df1[u'语文'] = df1[u'语文'].apply(double_df)

我们也可以定义更复杂的函数，比如对于 DataFrame，我们新增两列，其中’new1’列是“语文”和“英语”成绩之和的 m 倍，'new2’列是“语文”和“英语”成绩之和的 n 倍，我们可以这样写：

def plus(df,n,m): df['new1'] = (df[u'语文']+df[u'英语']) * m df['new2'] = (df[u'语文']+df[u'英语']) * n return df df1 = df1.apply(plus,axis=1,args=(2,3,))

2.3 数据统计
在数据清洗后，我们就要对数据进行统计了。Pandas 和 NumPy 一样，都有常用的统计函数，如果遇到空值 NaN，会自动排除。常用的统计函数包括：

文章图片

表格中有一个 describe() 函数，统计函数千千万，describe() 函数最简便。它是个统计大礼包，可以快速让我们对数据有个全面的了解。下面我直接使用 df1.descirbe() 输出结果为：

df1 = DataFrame({'name':['ZhangFei', 'GuanYu', 'a', 'b', 'c'], 'data1':range(5)}) print df1.describe()

文章图片

2.4 数据表合并
有时候我们需要将多个渠道源的多个数据表进行合并，一个 DataFrame 相当于一个数据库的数据表，那么多个 DataFrame 数据表的合并就相当于多个数据库的表合并。
比如我要创建两个 DataFrame：

df1 = DataFrame({'name':['ZhangFei', 'GuanYu', 'a', 'b', 'c'], 'data1':range(5)}) df2 = DataFrame({'name':['ZhangFei', 'GuanYu', 'A', 'B', 'C'], 'data2':range(5)})

两个 DataFrame 数据表的合并使用的是 merge() 函数，有下面 5 种形式：

python 基于指定列进行连接

比如我们可以基于 name 这列进行连接。

df3 = pd.merge(df1, df2, on='name')

文章图片

2. inner内连接
inner 内链接是 merge 合并的默认情况，inner 内连接其实也就是键的交集，在这里 df1, df2 相同的键是 name，所以是基于 name 字段做的连接：

df3 = pd.merge(df1, df2, how='inner')

文章图片

3. left左连接
左连接是以第一个 DataFrame 为主进行的连接，第二个 DataFrame 作为补充。

df3 = pd.merge(df1, df2, how='left')

right右连接
右连接是以第二个 DataFrame 为主进行的连接，第一个 DataFrame 作为补充。

df3 = pd.merge(df1, df2, how='right')

文章图片

5. outer外连接
外连接相当于求两个 DataFrame 的并集。

df3 = pd.merge(df1, df2, how='outer')

【python|聊聊我的 Pandas 学习经历及动手实践】

文章图片

2.5 DataFram的行级遍历
尽管 Pandas 已经尽可能向量化，让使用者尽可能避免 for 循环，但是有时不得已，还得要遍历 DataFrame。Pandas 提供 iterrows、itertuples 两种行级遍历。

使用 iterrows 遍历打印所有行，在 IPython 里输入以下行：

def iterrows_time(df): for i,row in df.iterrows(): print(row)

访问每一行某个元素的时候，可以通过列名直接访问：

文章图片
使用 itertuples 遍历打印每行：

def itertuples_time(df): for nt in df.itertuples(): print(nt)

这个效率更高，比上面那个节省6倍多的时间，所在数据量非常大的时候，推荐后者。访问每一行某个元素的时候，需要getattr函数

文章图片
使用iteritems遍历每一行
这个访问每一行元素的时候，用的是每一列的数字索引

文章图片

3. 如何用SQL方式打开Pandas Pandas 的 DataFrame 数据类型可以让我们像处理数据表一样进行操作，比如数据表的增删改查，都可以用 Pandas 工具来完成。不过也会有很多人记不住这些 Pandas 的命令，相比之下还是用 SQL 语句更熟练，用 SQL 对数据表进行操作是最方便的，它的语句描述形式更接近我们的自然语言。
事实上，在 Python 里可以直接使用 SQL 语句来操作 Pandas。
这里给你介绍个工具：pandasql。
pandasql 中的主要函数是 sqldf，它接收两个参数：一个 SQL 查询语句，还有一组环境变量 globals() 或 locals()。这样我们就可以在 Python 里，直接用 SQL 语句中对 DataFrame 进行操作，举个例子：

import pandas as pd from pandas import DataFrame from pandasql import sqldf, load_meat, load_births df1 = DataFrame({'name':['ZhangFei', 'GuanYu', 'a', 'b', 'c'], 'data1':range(5)}) pysqldf = lambda sql: sqldf(sql, globals()) sql = "select * from df1 where name ='ZhangFei'" print pysqldf(sql)

运行结果