pandas是一個Python語言的軟體包，在我們使用Python語言進行機器學習程式設計的時候，這是一個非常常用的基礎程式設計庫。本文是對它的一個入門教程。
pandas提供了快速，靈活和富有表現力的資料結構，目的是使“關係”或“標記”資料的工作既簡單又直觀。它旨在成為在Python中進行實際資料分析的高階構建塊。
入門介紹
pandas適合於許多不同型別的資料，包括：
- 具有異構型別列的表格資料，例如SQL表格或Excel資料
- 有序和無序（不一定是固定頻率）時間序列資料。
- 具有行列標籤的任意矩陣資料（均勻型別或不同型別）
- 任何其他形式的觀測/統計資料集。
由於這是一個Python語言的軟體包，因此需要你的機器上首先需要具備Python語言的環境。關於這一點，請自行在網路上搜尋獲取方法。
關於如何獲取pandas請參閱官網上的說明：pandas Installation。
通常情況下，我們可以透過pip來執行安裝：
|
1 2 |
sudo pip3 install pandas |
或者透過conda 來安裝pandas：
|
1 2 |
conda install pandas |
目前（2018年2月）pandas的最新版本是v0.22.0（釋出時間：2017年12月29日）。
我已經將本文的原始碼和測試資料放到Github上： pandas_tutorial ，讀者可以前往獲取。
另外，pandas常常和NumPy一起使用，本文中的原始碼中也會用到NumPy。
建議讀者先對NumPy有一定的熟悉再來學習pandas，我之前也寫過一個NumPy的基礎教程，參見這裡：Python 機器學習庫 NumPy 教程
核心資料結構
pandas最核心的就是Series和DataFrame兩個資料結構。
這兩種型別的資料結構對比如下：
| 名稱 | 維度 | 說明 |
|---|---|---|
| Series | 1維 | 帶有標籤的同構型別陣列 |
| DataFrame | 2維 | 表格結構，帶有標籤，大小可變，且可以包含異構的資料列 |
DataFrame可以看做是Series的容器，即：一個DataFrame中可以包含若干個Series。
注：在0.20.0版本之前，還有一個三維的資料結構，名稱為Panel。這也是pandas庫取名的原因：pan(el)-da(ta)-s。但這種資料結構由於很少被使用到，因此已經被廢棄了。
Series
由於Series是一維結構的資料，我們可以直接透過陣列來建立這種資料，像這樣：
|
1 2 3 4 5 6 7 8 |
# data_structure.py import pandas as pd import numpy as np series1 = pd.Series([1, 2, 3, 4]) print("series1:\n{}\n".format(series1)) |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 |
series1: 0 1 1 2 2 3 3 4 dtype: int64 |
這段輸出說明如下：
- 輸出的最後一行是Series中資料的型別，這裡的資料都是
int64型別的。 - 資料在第二列輸出，第一列是資料的索引，在pandas中稱之為
Index。
我們可以分別列印出Series中的資料和索引：
|
1 2 3 4 5 6 |
# data_structure.py print("series1.values: {}\n".format(series1.values)) print("series1.index: {}\n".format(series1.index)) |
這兩行程式碼輸出如下：
|
1 2 3 4 |
series1.values: [1 2 3 4] series1.index: RangeIndex(start=0, stop=4, step=1) |
如果不指定（像上面這樣），索引是[1, N-1]的形式。不過我們也可以在建立Series的時候指定索引。索引未必一定需要是整數，可以是任何型別的資料，例如字串。例如我們以七個字母來對映七個音符。索引的目的是可以透過它來獲取對應的資料，例如下面這樣：
|
1 2 3 4 5 6 7 |
# data_structure.py series2 = pd.Series([1, 2, 3, 4, 5, 6, 7], index=["C", "D", "E", "F", "G", "A", "B"]) print("series2:\n{}\n".format(series2)) print("E is {}\n".format(series2["E"])) |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 |
series2: C 1 D 2 E 3 F 4 G 5 A 6 B 7 dtype: int64 E is 3 |
DataFrame
下面我們來看一下DataFrame的建立。我們可以透過NumPy的介面來建立一個4×4的矩陣，以此來建立一個DataFrame，像這樣：
|
1 2 3 4 5 |
# data_structure.py df1 = pd.DataFrame(np.arange(16).reshape(4,4)) print("df1:\n{}\n".format(df1)) |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 |
df1: 0 1 2 3 0 0 1 2 3 1 4 5 6 7 2 8 9 10 11 3 12 13 14 15 |
從這個輸出我們可以看到，預設的索引和列名都是[0, N-1]的形式。
我們可以在建立DataFrame的時候指定列名和索引，像這樣：
|
1 2 3 4 5 6 7 |
# data_structure.py df2 = pd.DataFrame(np.arange(16).reshape(4,4), columns=["column1", "column2", "column3", "column4"], index=["a", "b", "c", "d"]) print("df2:\n{}\n".format(df2)) |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 |
df2: column1 column2 column3 column4 a 0 1 2 3 b 4 5 6 7 c 8 9 10 11 d 12 13 14 15 |
我們也可以直接指定列資料來建立DataFrame：
|
1 2 3 4 5 6 |
# data_structure.py df3 = pd.DataFrame({"note" : ["C", "D", "E", "F", "G", "A", "B"], "weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]}) print("df3:\n{}\n".format(df3)) |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 8 9 10 |
df3: note weekday 0 C Mon 1 D Tue 2 E Wed 3 F Thu 4 G Fri 5 A Sat 6 B Sun |
請注意：
- DataFrame的不同列可以是不同的資料型別
- 如果以Series陣列來建立DataFrame，每個Series將成為一行，而不是一列
例如：
|
1 2 3 4 5 6 7 8 9 |
# data_structure.py noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"], index=[1, 2, 3, 4, 5, 6, 7]) weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"], index=[1, 2, 3, 4, 5, 6, 7]) df4 = pd.DataFrame([noteSeries, weekdaySeries]) print("df4:\n{}\n".format(df4)) |
df4的輸出如下：
|
1 2 3 4 5 |
df4: 1 2 3 4 5 6 7 0 C D E F G A B 1 Mon Tue Wed Thu Fri Sat Sun |
我們可以透過下面的形式給DataFrame新增或者刪除列資料：
|
1 2 3 4 5 6 7 8 |
# data_structure.py df3["No."] = pd.Series([1, 2, 3, 4, 5, 6, 7]) print("df3:\n{}\n".format(df3)) del df3["weekday"] print("df3:\n{}\n".format(df3)) |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 |
df3: note weekday No. 0 C Mon 1 1 D Tue 2 2 E Wed 3 3 F Thu 4 4 G Fri 5 5 A Sat 6 6 B Sun 7 df3: note No. 0 C 1 1 D 2 2 E 3 3 F 4 4 G 5 5 A 6 6 B 7 |
Index物件與資料訪問
pandas的Index物件包含了描述軸的後設資料資訊。當建立Series或者DataFrame的時候，標籤的陣列或者序列會被轉換成Index。可以透過下面的方式獲取到DataFrame的列和行的Index物件：
|
1 2 3 4 5 |
# data_structure.py print("df3.columns\n{}\n".format(df3.columns)) print("df3.index\n{}\n".format(df3.index)) |
這兩行程式碼輸出如下：
|
1 2 3 4 5 6 |
df3.columns Index(['note', 'No.'], dtype='object') df3.index RangeIndex(start=0, stop=7, step=1) |
請注意：
- Index並非集合，因此其中可以包含重複的資料
- Index物件的值是不可以改變，因此可以透過它安全的訪問資料
DataFrame提供了下面兩個運算子來訪問其中的資料：
loc：透過行和列的索引來訪問資料iloc：透過行和列的下標來訪問資料
例如這樣：
|
1 2 3 4 5 |
# data_structure.py print("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"])) print("Note C, D is:\n{}\n".format(df3.iloc[[0, 1], 0])) |
第一行程式碼訪問了行索引為0和1，列索引為“note”的元素。第二行程式碼訪問了行下標為0和1（對於df3來說，行索引和行下標剛好是一樣的，所以這裡都是0和1，但它們卻是不同的含義），列下標為0的元素。
這兩行程式碼輸出如下：
|
1 2 3 4 5 6 7 8 9 10 |
Note C, D is: 0 C 1 D Name: note, dtype: object Note C, D is: 0 C 1 D Name: note, dtype: object |
檔案操作
pandas庫提供了一系列的read_函式來讀取各種格式的檔案，它們如下所示：
- read_csv
- read_table
- read_fwf
- read_clipboard
- read_excel
- read_hdf
- read_html
- read_json
- read_msgpack
- read_pickle
- read_sas
- read_sql
- read_stata
- read_feather
讀取Excel檔案
注：要讀取Excel檔案，還需要安裝另外一個庫：
xlrd
透過pip可以這樣完成安裝：
|
1 2 |
sudo pip3 install xlrd |
安裝完之後可以透過pip檢視這個庫的資訊：
|
1 2 3 4 5 6 7 8 9 10 11 |
$ pip3 show xlrd Name: xlrd Version: 1.1.0 Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet files Home-page: http://www.python-excel.org/ Author: John Machin Author-email: sjmachin@lexicon.net License: BSD Location: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages Requires: |
接下來我們看一個讀取Excel的簡單的例子：
|
1 2 3 4 5 6 7 8 |
# file_operation.py import pandas as pd import numpy as np df1 = pd.read_excel("data/test.xlsx") print("df1:\n{}\n".format(df1)) |
這個Excel的內容如下：
|
1 2 3 4 5 6 7 8 9 |
df1: C Mon 0 D Tue 1 E Wed 2 F Thu 3 G Fri 4 A Sat 5 B Sun |
注：本文的程式碼和資料檔案可以透過文章開頭提到的Github倉庫獲取。
讀取CSV檔案
下面，我們再來看讀取CSV檔案的例子。
第一個CSV檔案內容如下：
|
1 2 3 4 5 6 7 8 |
$ cat test1.csv C,Mon D,Tue E,Wed F,Thu G,Fri A,Sat |
讀取的方式也很簡單：
|
1 2 3 4 5 |
# file_operation.py df2 = pd.read_csv("data/test1.csv") print("df2:\n{}\n".format(df2)) |
我們再來看第2個例子，這個檔案的內容如下：
|
1 2 3 4 5 6 7 8 |
$ cat test2.csv C|Mon D|Tue E|Wed F|Thu G|Fri A|Sat |
嚴格的來說，這並不是一個CSV檔案了，因為它的資料並不是透過逗號分隔的。在這種情況下，我們可以透過指定分隔符的方式來讀取這個檔案，像這樣：
|
1 2 3 4 5 |
# file_operation.py df3 = pd.read_csv("data/test2.csv", sep="|") print("df3:\n{}\n".format(df3)) |
實際上，read_csv支援非常多的引數用來調整讀取的引數，如下表所示：
| 引數 | 說明 |
|---|---|
| path | 檔案路徑 |
| sep或者delimiter | 欄位分隔符 |
| header | 列名的行數，預設是0（第一行） |
| index_col | 列號或名稱用作結果中的行索引 |
| names | 結果的列名稱列表 |
| skiprows | 從起始位置跳過的行數 |
| na_values | 代替NA的值序列 |
| comment | 以行結尾分隔註釋的字元 |
| parse_dates | 嘗試將資料解析為datetime。預設為False |
| keep_date_col | 如果將列連線到解析日期，保留連線的列。預設為False。 |
| converters | 列的轉換器 |
| dayfirst | 當解析可以造成歧義的日期時，以內部形式儲存。預設為False |
| data_parser | 用來解析日期的函式 |
| nrows | 從檔案開始讀取的行數 |
| iterator | 返回一個TextParser物件，用於讀取部分內容 |
| chunksize | 指定讀取塊的大小 |
| skip_footer | 檔案末尾需要忽略的行數 |
| verbose | 輸出各種解析輸出的資訊 |
| encoding | 檔案編碼 |
| squeeze | 如果解析的資料只包含一列，則返回一個Series |
| thousands | 千數量的分隔符 |
詳細的read_csv函式說明請參見這裡：pandas.read_csv
處理無效值
現實世界並非完美，我們讀取到的資料常常會帶有一些無效值。如果沒有處理好這些無效值，將對程式造成很大的干擾。
對待無效值，主要有兩種處理方法：直接忽略這些無效值；或者將無效值替換成有效值。
下面我先建立一個包含無效值的資料結構。然後透過pandas.isna函式來確認哪些值是無效的：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
# process_na.py import pandas as pd import numpy as np df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0], [5.0, np.nan, np.nan, 8.0], [9.0, np.nan, np.nan, 12.0], [13.0, np.nan, 15.0, 16.0]]) print("df:\n{}\n".format(df)); print("df:\n{}\n".format(pd.isna(df)));**** |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
df: 0 1 2 3 0 1.0 NaN 3.0 4.0 1 5.0 NaN NaN 8.0 2 9.0 NaN NaN 12.0 3 13.0 NaN 15.0 16.0 df: 0 1 2 3 0 False True False False 1 False True True False 2 False True True False 3 False True False False |
忽略無效值
我們可以透過pandas.DataFrame.dropna函式拋棄無效值：
|
1 2 3 4 |
# process_na.py print("df.dropna():\n{}\n".format(df.dropna())); |
注：
dropna預設不會改變原先的資料結構，而是返回了一個新的資料結構。如果想要直接更改資料本身，可以在呼叫這個函式的時候傳遞引數inplace = True。
對於原先的結構，當無效值全部被拋棄之後，將不再是一個有效的DataFrame，因此這行程式碼輸出如下：
|
1 2 3 4 5 |
df.dropna(): Empty DataFrame Columns: [0, 1, 2, 3] Index: [] |
我們也可以選擇拋棄整列都是無效值的那一列：
|
1 2 3 4 |
# process_na.py print("df.dropna(axis=1, how='all'):\n{}\n".format(df.dropna(axis=1, how='all'))); |
注：
axis=1表示列的軸。how可以取值’any’或者’all’，預設是前者。
這行程式碼輸出如下：
|
1 2 3 4 5 6 7 |
df.dropna(axis=1, how='all'): 0 2 3 0 1.0 3.0 4.0 1 5.0 NaN 8.0 2 9.0 NaN 12.0 3 13.0 15.0 16.0 |
替換無效值
我們也可以透過fillna函式將無效值替換成為有效值。像這樣：
|
1 2 3 4 |
# process_na.py print("df.fillna(1):\n{}\n".format(df.fillna(1))); |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 |
df.fillna(1): 0 1 2 3 0 1.0 1.0 3.0 4.0 1 5.0 1.0 1.0 8.0 2 9.0 1.0 1.0 12.0 3 13.0 1.0 15.0 16.0 |
將無效值全部替換成同樣的資料可能意義不大，因此我們可以指定不同的資料來進行填充。為了便於操作，在填充之前，我們可以先透過rename方法修改行和列的名稱：
|
1 2 3 4 5 6 7 8 9 |
# process_na.py df.rename(index={0: 'index1', 1: 'index2', 2: 'index3', 3: 'index4'}, columns={0: 'col1', 1: 'col2', 2: 'col3', 3: 'col4'}, inplace=True); df.fillna(value={'col2': 2}, inplace=True) df.fillna(value={'col3': 7}, inplace=True) print("df:\n{}\n".format(df)); |
這段程式碼輸出如下：
|
1 2 3 4 5 6 7 |
df: col1 col2 col3 col4 index1 1.0 2.0 3.0 4.0 index2 5.0 2.0 7.0 8.0 index3 9.0 2.0 7.0 12.0 index4 13.0 2.0 15.0 16.0 |
處理字串
資料中常常牽涉到字串的處理，接下來我們就看看pandas對於字串操作。
Series的str欄位包含了一系列的函式用來處理字串。並且，這些函式會自動處理無效值。
下面是一些例項，在第一組資料中，我們故意設定了一些包含空格字串：
|
1 2 3 4 5 6 7 8 9 |
# process_string.py import pandas as pd s1 = pd.Series([' 1', '2 ', ' 3 ', '4', '5']); print("s1.str.rstrip():\n{}\n".format(s1.str.lstrip())) print("s1.str.strip():\n{}\n".format(s1.str.strip())) print("s1.str.isdigit():\n{}\n".format(s1.str.isdigit())) |
在這個例項中我們看到了對於字串strip的處理以及判斷字串本身是否是數字，這段程式碼輸出如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 |
s1.str.rstrip(): 0 1 1 2 2 3 3 4 4 5 dtype: object s1.str.strip(): 0 1 1 2 2 3 3 4 4 5 dtype: object s1.str.isdigit(): 0 False 1 False 2 False 3 True 4 True dtype: bool |
下面是另外一些示例，展示了對於字串大寫，小寫以及字串長度的處理：
|
1 2 3 4 5 6 7 8 |
# process_string.py s2 = pd.Series(['Stairway to Heaven', 'Eruption', 'Freebird', 'Comfortably Numb', 'All Along the Watchtower']) print("s2.str.lower():\n{}\n".format(s2.str.lower())) print("s2.str.upper():\n{}\n".format(s2.str.upper())) print("s2.str.len():\n{}\n".format(s2.str.len())) |
該段程式碼輸出如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 |
s2.str.lower(): 0 stairway to heaven 1 eruption 2 freebird 3 comfortably numb 4 all along the watchtower dtype: object s2.str.upper(): 0 STAIRWAY TO HEAVEN 1 ERUPTION 2 FREEBIRD 3 COMFORTABLY NUMB 4 ALL ALONG THE WATCHTOWER dtype: object s2.str.len(): 0 18 1 8 2 8 3 16 4 24 dtype: int64 |
結束語
本文是pandas的入門教程，因此我們只介紹了最基本的操作。對於
- MultiIndex/Advanced Indexing
- Merge, join, concatenate
- Computational tools
之類的高階功能，以後有機會我們再來一起學習。
讀者也可以根據下面的連結獲取更多的知識。