資源 | 23種Pandas核心操作，你需要過一遍嗎？

科技 08-27

選自 Medium

作者：

George Seif

機器之心編譯

參與：思源

Pandas 是一個 Python 軟體庫，它提供了大量能使我們快速便捷地處理數據的函數和方法。一般而言，Pandas 是使 Python 成為強大而高效的數據分析環境的重要因素之一。在本文中，作者從基本數據集讀寫、數據處理和 DataFrame 操作三個角度展示了 23 個 Pandas 核心方法。

Pandas 是基於 NumPy 構建的庫，在數據處理方面可以把它理解為 NumPy 加強版，同時 Pandas 也是一項開源項目。它基於 Cython，因此讀取與處理數據非常快，並且還能輕鬆處理浮點數據中的缺失數據（表示為 NaN）以及非浮點數據。在本文中，基本數據集操作主要介紹了 CSV 與 Excel 的讀寫方法，基本數據處理主要介紹了缺失值及特徵抽取，最後的 DataFrame 操作則主要介紹了函數和排序等方法。

基本數據集操作

（1）讀取 CSV 格式的數據集

pd.DataFrame.from_csv(「csv_file」)

或者：

pd.read_csv(「csv_file」)

（2）讀取 Excel 數據集

pd.read_excel(

"excel_file"

（3）將 DataFrame 直接寫入 CSV 文件

如下採用逗號作為分隔符，且不帶索引：

df.to_csv(

"data.csv"

, sep=","
, index=False
)

（4）基本的數據集特徵信息

df.info()

（5）基本的數據集統計信息

print(df.describe())

(6) Print data frame in a table

將 DataFrame 輸出到一張表：

print(tabulate(print_table, headers=headers))

當「print_table」是一個列表，其中列表元素還是新的列表，「headers」為表頭字元串組成的列表。

（7）列出所有列的名字

df.columns

基本數據處理

（8）刪除缺失數據

df.dropna(axis=

0

, how="any"
)

返回一個 DataFrame，其中刪除了包含任何 NaN 值的給定軸，選擇 how=「all」會刪除所有元素都是 NaN 的給定軸。

（9）替換缺失數據

df.replace(to_replace=

None

, value=None
)

使用 value 值代替 DataFrame 中的 to_replace 值，其中 value 和 to_replace 都需要我們賦予不同的值。

（10）檢查空值 NaN

pd.isnull(object)

檢查缺失值，即數值數組中的 NaN 和目標數組中的 None/NaN。

（11）刪除特徵

df.drop(

"feature_variable_name"

, axis=1
)

axis 選擇 0 表示行，選擇表示列。

（12）將目標類型轉換為浮點型

pd.to_numeric(df[

"feature_name"

], errors="coerce"
)

將目標類型轉化為數值從而進一步執行計算，在這個案例中為字元串。

（13）將 DataFrame 轉換為 NumPy 數組

df.as_matrix()

（14）取 DataFrame 的前面「n」行

df.head(n)

（15）通過特徵名取數據

df.loc[feature_name]

DataFrame 操作

（16）對 DataFrame 使用函數

該函數將令 DataFrame 中「height」行的所有值乘上 2：

df[

"height"

].apply(*lambda
* height: 2
 * height)

或：

def

 multiply
(x)
:

 
return
 x * 2

df[
"height"
].apply(multiply)

（17）重命名行

下面代碼會重命名 DataFrame 的第三行為「size」：

df.rename(columns = {df.columns[

2

]:"size"
}, inplace=True
)

（18）取某一行的唯一實體

下面代碼將取「name」行的唯一實體：

df[

"name"

].unique()

（19）訪問子 DataFrame

以下代碼將從 DataFrame 中抽取選定了的行「name」和「size」：

new_df = df[[

"name"

, "size"
]]

（20）總結數據信息

# Sum of values in a data frame


df.sum()
# Lowest value of a data frame

df.min()
# Highest value

df.max()
# Index of the lowest value

df.idxmin()
# Index of the highest value

df.idxmax()
# Statistical summary of the data frame, with quartiles, median, etc.

df.describe()
# Average values

df.mean()
# Median values

df.median()
# Correlation between columns

df.corr()
# To get these values for only one column, just select it like this#

df["size"
].median()

（21）給數據排序

df.sort_values(ascending =

False

（22）布爾型索引

以下代碼將過濾名為「size」的行，並僅顯示值等於 5 的行：

df[df[

"size"

] == 5
]

（23）選定特定的值

以下代碼將選定「size」列、第一行的值：

df.loc([

0

], ["size"
])

原文鏈接：https://towardsdatascience.com/23-great-pandas-codes-for-data-scientists-cca5ed9d8a38

本文為機器之心編譯，

轉載請聯繫本公眾號獲得授權

。

?------------------------------------------------

加入機器之心（全職記者 / 實習生）：hr@jiqizhixin.com

投稿或尋求報道：

content

@jiqizhixin.com

廣告 & 商務合作：bd@jiqizhixin.co

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 機器之心 的精彩文章:

※經典計算的天花板：科學家找到只有量子計算才能解決的問題
※卷積神經網路十五問：CNN與生物視覺系統的研究探索

TAG:機器之心 |