Python數據分析之pandas學習

Python中的pandas模塊進行數據分析。

接下來pandas介紹中將學習到以下8塊內容：
一、數據結構簡介：DataFrame和Series
二、數據索引index
三、利用pandas查詢數據
四、利用pandas的DataFrames進行統計分析
五、利用pandas實現SQL操做
六、利用pandas進行缺失值的處理
七、利用pandas實現Excel的數據透視表功能
八、多層索引的使用

1、數據結構介紹

在pandas中有兩類很是重要的數據結構，即序列Series和數據框DataFrame。Series相似於numpy中的一維數組，除了通吃一維數組可用的函數或方法，並且其可經過索引標籤的方式獲取數據，還具備索引的自動對齊功能；DataFrame相似於numpy中的二維數組，一樣能夠通用numpy數組的函數和方法，並且還具備其餘靈活應用，後續會介紹到。

一、Series的建立

序列的建立主要有三種方式：

1）經過一維數組建立序列

1. import numpy as np, pandas as pd
2. arr1 = np.arange(10)
3. arr1
4. type(arr1)
6. s1 = pd.Series(arr1)
7. s1
8. type(s1)

2）經過字典的方式建立序列

1. dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}
2. dic1
3. type(dic1)
5. s2 = pd.Series(dic1)
6. s2
7. type(s2)

3）經過DataFrame中的某一行或某一列建立序列

這部份內容咱們放在後面講，由於下面就開始將DataFrame的建立。

二、DataFrame的建立

數據框的建立主要有三種方式：

1）經過二維數組建立數據框

1. arr2 = np.array(np.arange(12)).reshape(4,3)
2. arr2
3. type(arr2)
5. df1 = pd.DataFrame(arr2)
6. df1
7. type(df1)

2）經過字典的方式建立數據框

如下以兩種字典來建立數據框，一個是字典列表，一個是嵌套字典。

1. dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],
2. 'c':[9,10,11,12],'d':[13,14,15,16]}
3. dic2
4. type(dic2)
6. df2 = pd.DataFrame(dic2)
7. df2
8. type(df2)
10. dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},
11. 'two':{'a':5,'b':6,'c':7,'d':8},
12. 'three':{'a':9,'b':10,'c':11,'d':12}}
13. dic3
14. type(dic3)
16. df3 = pd.DataFrame(dic3)
17. df3
18. type(df3)

3）經過數據框的方式建立數據框

1. df4 = df3[['one','three']]
2. df4
3. type(df4)
5. s3 = df3['one']
6. s3
7. type(s3)

2、數據索引index

細緻的朋友可能會發現一個現象，不管是序列也好，仍是數據框也好，對象的最左邊總有一個非原始數據對象，這個是什麼呢？不錯，就是咱們接下來要介紹的索引。
在我看來，序列或數據框的索引有兩大用處，一個是經過索引值或索引標籤獲取目標數據，另外一個是經過索引，可使序列或數據框的計算、操做實現自動化對齊，下面咱們就來看看這兩個功能的應用。

一、經過索引值或索引標籤獲取數據

1. s4 = pd.Series(np.array([1,1,2,3,5,8]))
2. s4

若是不給序列一個指定的索引值，則序列自動生成一個從0開始的自增索引。能夠經過index查看序列的索引：

1. s4.index

如今咱們爲序列設定一個自定義的索引值：

1. s4.index = ['a','b','c','d','e','f']
2. s4

序列有了索引，就能夠經過索引值或索引標籤進行數據的獲取：

1. s4[3]
2. s4['e']
3. s4[[1,3,5]]
4. s4[['a','b','d','f']]
5. s4[:4]
6. s4['c':]
7. s4['b':'e']

千萬注意：若是經過索引標籤獲取數據的話，末端標籤所對應的值是能夠返回的！在一維數組中，就沒法經過索引標籤獲取數據，這也是序列不一樣於一維數組的一個方面。

二、自動化對齊

若是有兩個序列，須要對這兩個序列進行算術運算，這時索引的存在就體現的它的價值了—自動化對齊.

1. s5 = pd.Series(np.array([10,15,20,30,55,80]),
2. index = ['a','b','c','d','e','f'])
3. s5
4. s6 = pd.Series(np.array([12,11,13,15,14,16]),
5. index = ['a','c','g','b','d','f'])
6. s6
8. s5 + s6
9. s5/s6

因爲s5中沒有對應的g索引，s6中沒有對應的e索引，因此數據的運算會產生兩個缺失值NaN。注意，這裏的算術結果就實現了兩個序列索引的自動對齊，而非簡單的將兩個序列加總或相除。對於數據框的對齊，不只僅是行索引的自動對齊，同時也會自動對齊列索引（變量名）

數據框中一樣有索引，並且數據框是二維數組的推廣，因此其不只有行索引，並且還存在列索引，關於數據框中的索引相比於序列的應用要強大的多，這部份內容將放在數據查詢中講解。

3、利用pandas查詢數據

這裏的查詢數據至關於R語言裏的subset功能，能夠經過布爾索引有針對的選取原數據的子集、指定行、指定列等。咱們先導入一個student數據集：

1. student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')

查詢數據的前5行或末尾5行

1. student.head()
2. student.tail()

查詢指定的行

1. student.ix[[0,2,4,5,7]] #這裏的ix索引標籤函數必須是中括號[]

查詢指定的列

1. student[['Name','Height','Weight']].head() #若是多個列的話，必須使用雙重中括號

也能夠經過ix索引標籤查詢指定的列

1. student.ix[:,['Name','Height','Weight']].head()

查詢指定的行和列

1. student.ix[[0,2,4,5,7],['Name','Height','Weight']].head()

以上是從行或列的角度查詢數據的子集，如今咱們來看看如何經過布爾索引實現數據的子集查詢。
查詢全部女生的信息

1. student[student['Sex']=='F']

查詢出全部12歲以上的女生信息

1. student[(student['Sex']=='F') & (student['Age']>12)]

查詢出全部12歲以上的女生姓名、身高和體重

1. student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]

上面的查詢邏輯其實很是的簡單，須要注意的是，若是是多個條件的查詢，必須在&（且）或者|（或）的兩端條件用括號括起來。

4、統計分析

pandas模塊爲咱們提供了很是多的描述性統計分析的指標函數，如總和、均值、最小值、最大值等，咱們來具體看看這些函數：
首先隨機生成三組數據

1. np.random.seed(1234)
2. d1 = pd.Series(2*np.random.normal(size = 100)+3)
3. d2 = np.random.f(2,4,size = 100)
4. d3 = np.random.randint(1,100,size = 100)
6. d1.count() #非空元素計算
7. d1.min() #最小值
8. d1.max() #最大值
9. d1.idxmin() #最小值的位置，相似於R中的which.min函數
10. d1.idxmax() #最大值的位置，相似於R中的which.max函數
11. d1.quantile(0.1) #10%分位數
12. d1.sum() #求和
13. d1.mean() #均值
14. d1.median() #中位數
15. d1.mode() #衆數
16. d1.var() #方差
17. d1.std() #標準差
18. d1.mad() #平均絕對誤差
19. d1.skew() #偏度
20. d1.kurt() #峯度
21. d1.describe() #一次性輸出多個描述性統計指標

必須注意的是，descirbe方法只能針對序列或數據框，一維數組是沒有這個方法的

這裏自定義一個函數，將這些統計描述指標所有彙總到一塊兒:

1. def stats(x):
2. return pd.Series([x.count(),x.min(),x.idxmin(),
3. x.quantile(.25),x.median(),
4. x.quantile(.75),x.mean(),
5. x.max(),x.idxmax(),
6. x.mad(),x.var(),
7. x.std(),x.skew(),x.kurt()],
8. index = ['Count','Min','Whicn_Min',
9. 'Q1','Median','Q3','Mean',
10. 'Max','Which_Max','Mad',
11. 'Var','Std','Skew','Kurt'])
12. stats(d1)

在實際的工做中，咱們可能須要處理的是一系列的數值型數據框，如何將這個函數應用到數據框中的每一列呢？可使用apply函數，這個很是相似於R中的apply的應用方法。
將以前建立的d1,d2,d3數據構建數據框:

1. df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
2. df.head()
3. df.apply(stats)

很是完美，就這樣很簡單的建立了數值型數據的統計性描述。若是是離散型數據呢？就不能用這個統計口徑了，咱們須要統計離散變量的觀測數、惟一值個數、衆數水平及個數。你只須要使用describe方法就能夠實現這樣的統計了。

1. student['Sex'].describe()

除以上的簡單描述性統計以外，還提供了連續變量的相關係數（corr）和協方差矩陣（cov）的求解，這個跟R語言是一致的用法。

1. df.corr()

關於相關係數的計算能夠調用pearson方法或kendell方法或spearman方法，默認使用pearson方法。

1. df.corr('spearman')

若是隻想關注某一個變量與其他變量的相關係數的話，可使用corrwith,以下方只關心x1與其他變量的相關係數:

1. df.corrwith(df['x1'])

數值型變量間的協方差矩陣

1. df.cov()

   5、相似於SQL的操做

   在SQL中常見的操做主要是增、刪、改、查幾個動做，那麼pandas可否實現對數據的這幾項操做呢？答案是Of Course!

   增：添加新行或增長新列

   1. In [99]: dic = {'Name':['LiuShunxiang','Zhangshan'],
   2. ...: 'Sex':['M','F'],'Age':[27,23],
   3. ...: 'Height':[165.7,167.2],'Weight':[61,63]}
   5. In [100]: student2 = pd.DataFrame(dic)
   7. In [101]: student2
   8. Out[101]:
   9. Age Height Name Sex Weight
   10. 0 27 165.7 LiuShunxiang M 61
   11. 1 23 167.2 Zhangshan F 63

   如今將student2中的數據新增到student中，能夠經過concat函數實現：
   
   注意到了嗎？在數據庫中union必需要求兩張表的列順序一致，而這裏concat函數能夠自動對齊兩個數據框的變量！

   新增列的話，其實在pandas中就更簡單了，例如在student2中新增一列學生成績：
   
   對於新增的列沒有賦值，就會出現空NaN的形式。

   刪：刪除表、觀測行或變量列

   刪除數據框student2,經過del命令實現，該命令能夠刪除Python的全部對象。
   
   刪除指定的行
   
   原數據中的第1,2,4,7行的數據已經被刪除了。
   根據布爾索引刪除行數據，其實這個刪除就是保留刪除條件的反面數據，例如刪除全部14歲如下的學生：
   

   刪除指定的列
   
   咱們發現，不管是刪除行仍是刪除列，均可以經過drop方法實現，只須要設定好刪除的軸便可，即調整drop方法中的axis參數。默認該參數爲0，表示刪除行觀測，若是須要刪除列變量，則需設置爲1。

   改：修改原始記錄的值

   若是發現表中的某些數據錯誤了，如何更改原來的值呢？咱們試試結合布爾索引和賦值的方法：
   例如發現student3中姓名爲Liushunxiang的學生身高錯了，應該是173，如何改呢？
   
   這樣就能夠把原來的身高修改成如今的170了。
   看，關於索引的操做很是靈活、方便吧，就這樣輕鬆搞定數據的更改。

   查：有關數據查詢部分，上面已經介紹過，下面重點講講聚合、排序和多表鏈接操做。

   聚合：pandas模塊中能夠經過groupby()函數實現數據的聚合操做

   根據性別分組，計算各組別中學生身高和體重的平均值：
   

   若是不對原始數據做限制的話，聚合函數會自動選擇數值型數據進行聚合計算。若是不想對年齡計算平均值的話，就須要剔除改變量：
   

   groupby還可使用多個分組變量，例如根本年齡和性別分組，計算身高與體重的平均值：
   
   固然，還能夠對每一個分組計算多個統計量：
   
   是否是很簡單，只需一句就能完成SQL中的SELECT…FROM…GROUP BY…功能，何樂而不爲呢？

   排序：

   排序在平常的統計分析中仍是比較常見的操做，咱們可使用order、sort_index和sort_values實現序列和數據框的排序工做：
   

   咱們再試試降序排序的設置：
   
   上面兩個結果其實都是按值排序，而且結果中都給出了警告信息，即建議使用sort_values()函數進行按值排序。

   在數據框中通常都是按值排序，例如：
   

   多表鏈接:

   多表之間的鏈接也是很是常見的數據庫操做，鏈接份內鏈接和外鏈接，在數據庫語言中經過join關鍵字實現，pandas我比較建議使用merger函數實現數據的各類鏈接操做。
   以下是構造一張學生的成績表：
   
   如今想把學生表student與學生成績表score作一個關聯，該如何操做呢？
   
   注意，默認狀況下，merge函數實現的是兩個表之間的內鏈接，即返回兩張表中共同部分的數據。能夠經過how參數設置鏈接的方式，left爲左鏈接；right爲右鏈接；outer爲外鏈接。
   

   左鏈接實現的是保留student表中的全部信息，同時將score表的信息與之配對，能配多少配多少，對於沒有配對上的Name，將會顯示成績爲NaN。

2. 6、缺失值處理

   現實生活中的數據是很是雜亂的，其中缺失值也是很是常見的，對於缺失值的存在可能會影響到後期的數據分析或挖掘工做，那麼咱們該如何處理這些缺失值呢？經常使用的有三大類方法，即刪除法、填補法和插值法。
   刪除法：當數據中的某個變量大部分值都是缺失值，能夠考慮刪除改變量；當缺失值是隨機分佈的，且缺失的數量並非不少是，也能夠刪除這些缺失的觀測。
   替補法：對於連續型變量，若是變量的分佈近似或就是正態分佈的話，能夠用均值替代那些缺失值；若是變量是有偏的，可使用中位數來代替那些缺失值；對於離散型變量，咱們通常用衆數去替換那些存在缺失的觀測。
   插補法：插補法是基於蒙特卡洛模擬法，結合線性模型、廣義線性模型、決策樹等方法計算出來的預測值替換缺失值。

   咱們這裏就介紹簡單的刪除法和替補法：
   
   這是一組含有缺失值的序列，咱們能夠結合sum函數和isnull函數來檢測數據中含有多少缺失值：

   1. In [130]: sum(pd.isnull(s))
   2. Out[130]: 9

   直接刪除缺失值
   
   默認狀況下，dropna會刪除任何含有缺失值的行，咱們再構造一個數據框試試：
   
   返回結果代表，數據中只要含有缺失值NaN,該數據行就會被刪除，若是使用參數how=’all’，則代表只刪除全部行爲缺失值的觀測。
   

   使用一個常量來填補缺失值，可使用fillna函數實現簡單的填補工做：
   1）用0填補全部缺失值
   

   2)採用前項填充或後向填充
   

   3)使用常量填充不一樣的列
   

   4)用均值或中位數填充各自的列
   
   很顯然，在使用填充法時，相對於常數填充或前項、後項填充，使用各列的衆數、均值或中位數填充要更加合理一點，這也是工做中經常使用的一個快捷手段。

   7、數據透視表

   在Excel中有一個很是強大的功能就是數據透視表，經過托拉拽的方式能夠迅速的查看數據的聚合狀況，這裏的聚合能夠是計數、求和、均值、標準差等。
   pandas爲咱們提供了很是強大的函數pivot_table()，該函數就是實現數據透視表功能的。對於上面所說的一些聚合函數，能夠經過參數aggfunc設定。咱們先看看這個函數的語法和參數吧：

   1. pivot_table(data,values=None,
   2. index=None,
   3. columns=None,
   4. aggfunc='mean',
   5. fill_value=None,
   6. margins=False,
   7. dropna=True,
   8. margins_name='All')
   9. data：須要進行數據透視表操做的數據框
   10. values：指定須要聚合的字段
   11. index：指定某些原始變量做爲行索引
   12. columns：指定哪些離散的分組變量
   13. aggfunc：指定相應的聚合函數
   14. fill_value：使用一個常數替代缺失值，默認不替換
   15. margins：是否進行行或列的彙總，默認不彙總
   16. dropna：默認全部觀測爲缺失的列
   17. margins_name：默認行彙總或列彙總的名稱爲'All'

   咱們仍然以student表爲例，來認識一下數據透視表pivot_table函數的用法：
   對一個分組變量（Sex），一個數值變量（Height）做統計彙總
   

   對一個分組變量（Sex），兩個數值變量（Height,Weight）做統計彙總
   

   對兩個分組變量（Sex，Age)，兩個數值變量（Height,Weight）做統計彙總
   
   很顯然這樣的結果並不像Excel中預期的那樣，該如何變成列聯表的形式的？很簡單，只需將結果進行非堆疊操做（unstack）便可：
   
   看，這樣的結果是否是比上面那種看起來更舒服一點？

   使用多個聚合函數
   
   有關更多數據透視表的操做，可參考《Pandas透視表（pivot_table）詳解》一文，連接地址：http://python.jobbole.com/81212/

   8、多層索引的使用

   最後咱們再來說講pandas中的一個重要功能，那就是多層索引。在序列中它能夠實如今一個軸上擁有多個索引，就相似於Excel中常見的這種形式：
   
   對於這樣的數據格式有什麼好處呢？pandas能夠幫咱們實現用低維度形式處理高維數數據，這裏舉個例子也許你就能明白了：
   
   對於這種多層次索引的序列，取數據就顯得很是簡單了：
   

   對於這種多層次索引的序列，咱們還能夠很是方便的將其轉換爲數據框的形式：
   
   以上針對的是序列的多層次索引，數據框也一樣有多層次的索引，並且每條軸上均可以有這樣的索引，就相似於Excel中常見的這種形式：
   

   咱們不妨構造一個相似的高維數據框：
   
   一樣，數據框中的多層索引也能夠很是便捷的取出大塊數據：
   

   在數據框中使用多層索引，能夠將整個數據集控制在二維表結構中，這對於數據重塑和基於分組的操做（如數據透視表的生成）比較有幫助。
   就拿student二維數據框爲例，咱們構造一個多層索引數據集：
   

   講到這裏，咱們關於pandas模塊的學習基本完成，其實在掌握了pandas這8個主要的應用方法就能夠靈活的解決不少工做中的數據處理、統計分析等任務。有關更多的pandas介紹，可參考pandas官方文檔：http://pandas.pydata.org/pandas-docs/version/0.17.0/whatsnew.html。                                                                                                                          ＃＃＃＃感謝劉順祥做者分享……Y(^_^)Y＃＃＃＃