Python数据分析工具包：Pandas

Python Data Analysis Library 或 pandas是为了解决数据分析任务而创建的， 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包。

类似于 Numpy 的核心是 ndarray，pandas 也是围绕着 Series 和 DataFrame 两个核心数据结构展开的 。Series 和 DataFrame 分别对应于一维的序列和二维的表结构。pandas 约定俗成的导入方法如下：

?

1 2	from pandas import Series,DataFrame import pandas as pd

Series

---

Series 可以看做一个定长的有序字典。基本任意的一维数据都可以用来构造 Series 对象：

?

1 2 3 4 5 6 7

>>> s = Series([1,2,3.0,'abc']) >>> s 0      1 1      2 2      3 3    abc dtype: object

虽然 dtype:object 可以包含多种基本数据类型，但总感觉会影响性能的样子，最好还是保持单纯的 dtype。

Series 对象包含两个主要的属性：index 和 values，分别为上例中左右两列。因为传给构造器的是一个列表，所以 index 的值是从 0 起递增的整数，如果传入的是一个类字典的键值对结构，就会生成 index-value 对应的 Series；或者在初始化的时候以关键字参数显式指定一个 index 对象：

?

1 2 3 4 5 6 7 8 9 10 11

>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y']) >>> s a    1 b    3 x    5 y    7 dtype: int64 >>> s.index Index(['a', 'b', 'x', 'y'], dtype='object') >>> s.values array([1, 3, 5, 7], dtype=int64)

Series 对象的元素会严格依照给出的 index 构建，这意味着：如果 data 参数是有键值对的，那么只有 index 中含有的键会被使用；以及如果 data 中缺少响应的键，即使给出 NaN 值，这个键也会被添加。

注意 Series 的 index 和 values 的元素之间虽然存在对应关系，但这与字典的映射不同。index 和 values 实际仍为互相独立的 ndarray 数组，因此 Series 对象的性能完全 ok。

Series 这种使用键值对的数据结构最大的好处在于，Series 间进行算术运算时，index 会自动对齐。

 

 

另外，Series 对象和它的 index 都含有一个 name 属性：

?

1 2 3 4 5 6 7 8 9

>>> s.name = 'a_series' >>> s.index.name = 'the_index' >>> s the_index a            1 b            3 x            5 y            7 Name: a_series, dtype: int64

 

 

DataFrame

---

DataFrame 是一个表格型的数据结构，它含有一组有序的列（类似于 index），每列可以是不同的值类型（不像 ndarray 只能有一个 dtype）。基本上可以把 DataFrame 看成是共享同一个 index 的 Series 的集合。

DataFrame 的构造方法与 Series 类似，只不过可以同时接受多条一维数据源，每一条都会成为单独的一列：

?

1 2 3 4 5 6 7 8 9 10 11 12 13

>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],         'year':[2000,2001,2002,2001,2002],         'pop':[1.5,1.7,3.6,2.4,2.9]} >>> df = DataFrame(data) >>> df    pop   state  year 0  1.5   Ohino  2000 1  1.7   Ohino  2001 2  3.6   Ohino  2002 3  2.4  Nevada  2001 4  2.9  Nevada  2002   [5 rows x 3 columns]

虽然参数 data 看起来是个字典，但字典的键并非充当 DataFrame 的 index 的角色，而是 Series 的 “name” 属性。这里生成的 index 仍是 “01234”。

较完整的 DataFrame 构造器参数为：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：

?

1 2 3 4 5 6 7 8 9 10 11

>>> df = DataFrame(data,index=['one','two','three','four','five'],                columns=['year','state','pop','debt']) >>> df        year   state  pop debt one    2000   Ohino  1.5  NaN two    2001   Ohino  1.7  NaN three  2002   Ohino  3.6  NaN four   2001  Nevada  2.4  NaN five   2002  Nevada  2.9  NaN   [5 rows x 4 columns]

同样缺失值由 NaN 补上。看一下 index、columns 和 索引的类型：

?

1 2 3 4 5 6

>>> df.index Index(['one', 'two', 'three', 'four', 'five'], dtype='object') >>> df.columns Index(['year', 'state', 'pop', 'debt'], dtype='object') >>> type(df['debt']) <class 'pandas.core.series.Series'>

DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。