在 Pandas数据结构详解 | 轻松玩转Pandas(1) 介绍了 Pandas 中常用的两种数据结构 Series 以及 DataFrame,这里来看下这些数据结构都有哪些常用的功能。
# 导入相关库 import numpy as np import pandas as pd
常用的基本功能
当我们构建好了 Series 和 DataFrame 之后,我们会经常使用哪些功能呢?来跟我看看吧。引用上一章节中的场景,我们有一些用户的的信息,并将它们存储到了 DataFrame 中。
因为大多数情况下 DataFrame 比 Series 更为常用,所以这里以 DataFrame 举例说明,但实际上很多常用功能对于 Series 也适用。
index = pd.Index(data=["Tom", "Bob", "Mary", "James"], name="name") data = { "age": [18, 30, 25, 40], "city": ["BeiJing", "ShangHai", "GuangZhou", "ShenZhen"], "sex": ["male", "male", "female", "male"] } user_info = pd.DataFrame(data=data, index=index) user_info
- 输出
age city sex name Tom 18 Beijing male Bob 29 Taiyuan female Mary 32 Guangzhou female Alen 31 Shenzhen male
- 一般拿到数据,我们第一步需要做的是了解下数据的整体情况,可以使用 info 方法来查看。
user_info.info() ----------------------------------- Index: 4 entries, Tom to James Data columns (total 3 columns): age 4 non-null int64 city 4 non-null object sex 4 non-null object dtypes: int64(1), object(2) memory usage: 128.0+ bytes
- 如果我们的数据量非常大,我想看看数据长啥样,我当然不希望查看所有的数据了,这时候我们可以采用只看头部的 n 条或者尾部的 n 条。查看头部的 n 条数据可以使用 head 方法,查看尾部的 n 条数据可以使用tail 方法
user_info.head(2) ---------------------- age city sex name Tom 18 BeiJing male Bob 30 ShangHai male
- Pandas 中的数据结构都有 ndarray 中的常用方法和属性,如通过 .shape 获取数据的形状,通过 .T 获取数据的转置。
user_info.shape -------------------- (4, 3) -------------------- user_info.T -------------------- name Tom Bob Mary James age 18 30 25 40 city BeiJing ShangHai GuangZhou ShenZhen sex male male female male
- 如果我们想要通过 DataFrame 来获取它包含的原有数据,可以通过 .values 来获取,获取后的数据类型其实是一个 ndarray。
user_info.values -------------------------------- array([[18, 'BeiJing', 'male'], [30, 'ShangHai', 'male'], [25, 'GuangZhou', 'female'], [40, 'ShenZhen', 'male']], dtype=object)
描述与统计
有时候我们获取到数据之后,想要查看下数据的简单统计指标(最大值、最小值、平均值、中位数等),比如想要查看年龄的最大值,如何实现呢?
- 直接对 age 这一列调用 max方法即可。
user_info.age.max() ------------------------ 40
- 类似的,通过调用 min、mean、quantile、sum 方法可以实现最小值、平均值、中位数以及求和。可以看到,对一个 Series 调用 这几个方法之后,返回的都只是一个聚合结果。
- 来介绍个有意思的方法:cumsum,看名字就发现它和 sum 方法有关系,事实上确实如此,cumsum 也是用来求和的,不过它是用来累加求和的,也就是说它得到的结果与原始的 Series 或 DataFrame 大小相同。
user_info.age.cumsum() ----------------------------- name Tom 18 Bob 48 Mary 73 James 113 Name: age, dtype: int64
可以看到,cumsum 最后的结果就是将上一次求和的结果与原始当前值求和作为当前值。这话听起来有点绕。举个例子,上面的 73 = 48 + 25。cumsum 也可以用来操作字符串类型的对象。
user_info.sex.cumsum() ----------------------------- name Tom male Bob malemale Mary malemalefemale James malemalefemalemale Name: sex, dtype: object
虽然说常见的各种统计值都有对应的方法,如果我想要得到多个指标的话,就需要调用多次方法,是不是显得有点麻烦呢?
- Pandas 设计者自然也考虑到了这个问题,想要一次性获取多个统计指标,只需调用 describe 方法即可。
user_info.describe() ------------------------ age count 4.000000 mean 28.250000 std 9.251126 min 18.000000 25% 23.250000 50% 27.500000 75% 32.500000 max 40.000000
- 可以看到,直接调用 describe 方法后,会显示出数字类型的列的一些统计指标,如 总数、平均数、标准差、最小值、最大值、25%/50%/75% 分位数。如果想要查看非数字类型的列的统计指标,可以设置 include=["object"] 来获得。
user_info.describe(include=["object"]) ---------------------------------- city sex count 4 4 unique 4 2 top ShangHai male freq 1 3
上面的结果展示了非数字类型的列的一些统计指标:总数,去重后的个数、最常见的值、最常见的值的频数。
- 此外,如果我想要统计下某列中每个值出现的次数,如何快速实现呢?调用 value_counts 方法快速获取 Series 中每个值出现的次数。
user_info.sex.value_counts() ------------------------------- male 3 female 1 Name: sex, dtype: int64
如果想要获取某列最大值或最小值对应的索引,可以使用 idxmax 或 idxmin 方法完成。
user_info.age.idxmax() ------------------------- 'James'
离散化
有时候,我们会碰到这样的需求,想要将年龄进行离散化(分桶),直白来说就是将年龄分成几个区间,这里我们想要将年龄分成 3 个区间段。就可以使用 Pandas 的 cut 方法来完成。
pd.cut(user_info.age,3) -------------------------- name Tom (17.978, 25.333] Bob (25.333, 32.667] Mary (17.978, 25.333] James (32.667, 40.0] Name: age, dtype: category Categories (3, interval[float64]): [(17.978, 25.333] < (25.333, 32.667] < (32.667, 40.0]]
可以看到, cut 自动生成了等距的离散区间,如果自己想定义也是没问题的。
pd.cut(user_info.age, [1, 18, 30, 50]) --------------------------------------- name Tom (1, 18] Bob (18, 30] Mary (18, 30] James (30, 50] Name: age, dtype: category Categories (3, interval[int64]): [(1, 18] < (18, 30] < (30, 50]]
- 有时候离散化之后,想要给每个区间起个名字,可以指定 labels 参数。
pd.cut(user_info.age, [1, 18, 30, 50], labels=["childhood", "youth", "middle"]) ------------------------------------ name Tom childhood Bob youth Mary youth James middle Name: age, dtype: category Categories (3, object): [childhood < youth < middle]
- 除了可以使用 cut 进行离散化之外,qcut 也可以实现离散化。cut 是根据每个值的大小来进行离散化的,qcut 是根据每个值出现的次数来进行离散化的。
pd.qcut(user_info.age, 3) ------------------------------- name Tom (17.999, 25.0] Bob (25.0, 30.0] Mary (17.999, 25.0] James (30.0, 40.0] Name: age, dtype: category Categories (3, interval[float64]): [(17.999, 25.0] < (25.0, 30.0] < (30.0, 40.0]]
排序功能
在进行数据分析时,少不了进行数据排序。Pandas 支持两种排序方式:按轴(索引或列)排序和按实际值排序。
-
先来看下按索引排序:sort_index 方法默认是按照索引进行正序排的。
user_info.sort_index() ------------------------ age city sex name Bob 30 ShangHai male James 40 ShenZhen male Mary 25 GuangZhou female Tom 18 BeiJing male
- 如果想要按照列进行倒序排,可以设置参数 重axis=1 和 ascending=False。
user_info.sort_index(axis=1, ascending=False) --------------------------- sex city age name Tom male BeiJing 18 Bob male ShangHai 30 Mary female GuangZhou 25 James male ShenZhen 40
如果想要实现按照实际值来排序,例如想要按照年龄排序,如何实现呢?
- 使用 sort_values 方法,设置参数 by="age" 即可。
user_info.sort_values(by="age") ---------------------------------- age city sex name Tom 18 BeiJing male Mary 25 GuangZhou female Bob 30 ShangHai male James 40 ShenZhen male
有时候我们可能需要按照多个值来排序,例如:按照年龄和城市来一起排序,可以设置参数 by 为一个 list 即可。
注意:list 中每个元素的顺序会影响排序优先级的。
user_info.sort_values(by=["age", "city"]) ------------------------------------------- age city sex name Tom 18 BeiJing male Mary 25 GuangZhou female Bob 30 ShangHai male James 40 ShenZhen male
- 一般在排序后,我们可能需要获取最大的n个值或最小值的n个值,我们可以使用 nlargest 和 nsmallest 方法来完成,这比先进行排序,再使用 head(n) 方法快得多。
user_info.age.nlargest(2) ---------------------------- name James 40 Bob 30 Name: age, dtype: int64
函数应用
虽说 Pandas 为我们提供了非常丰富的函数,有时候我们可能需要自己定制一些函数,并将它应用到 DataFrame 或 Series。常用到的函数有:map、apply、applymap。
map 是 Series 中特有的方法,通过它可以对 Series 中的每个元素实现转换。
-
如果我想通过年龄判断用户是否属于中年人(30岁以上为中年),通过 map 可以轻松搞定它。
user_info.age.map(lambda x: "yes" if x >= 30 else "no") ------------------------------------- name Tom no Bob yes Mary no James yes Name: age, dtype: object
- 又比如,我想要通过城市来判断是南方还是北方,我可以这样操作。
city_map = { "BeiJing": "north", "ShangHai": "south", "GuangZhou": "south", "ShenZhen": "south" } # 传入一个 map user_info.city.map(city_map) ------------------------------- name Tom north Bob south Mary south James south Name: city, dtype: object
- apply 方法既支持 Series,也支持 DataFrame,在对 Series 操作时会作用到每个值上,在对 DataFrame 操作时会作用到所有行或所有列(通过 axis 参数控制)。
# 对 Series 来说,apply 方法 与 map 方法区别不大。 user_info.age.apply(lambda x: "yes" if x >= 30 else "no") --------------------------- name Tom no Bob yes Mary no James yes Name: age, dtype: object --------------------------- # 对 DataFrame 来说,apply 方法的作用对象是一行或一列数据(一个Series) user_info.apply(lambda x: x.max(), axis=0) --------------------------- age 40 city ShenZhen sex male dtype: object
- applymap 方法针对于 DataFrame,它作用于 DataFrame 中的每个元素,它对 DataFrame 的效果类似于 apply 对 Series 的效果。
user_info.applymap(lambda x: str(x).lower()) ---------------------------------- age city sex name Tom 18 beijing male Bob 30 shanghai male Mary 25 guangzhou female James 40 shenzhen male
修改列/索引名称
- 在使用 DataFrame 的过程中,经常会遇到修改列名,索引名等情况。使用 rename 轻松可以实现。
- 修改列名只需要设置参数 columns 即可
user_info.rename(columns={"age": "Age", "city": "City", "sex": "Sex"}) ------------------------------- Age City Sex name Tom 18 BeiJing male Bob 30 ShangHai male Mary 25 GuangZhou female James 40 ShenZhen male
- 类似的,修改索引名只需要设置参数 index 即可。
user_info.rename(index={"Tom": "tom", "Bob": "bob"}) -------------------------------- age city sex name tom 18 BeiJing male bob 30 ShangHai male Mary 25 GuangZhou female James 40 ShenZhen male
类型操作
- 如果想要获取每种类型的列数的话,可以使用 get_dtype_counts 方法。
user_info.get_dtype_counts() ------------------------------ int64 1 object 2 dtype: int64
- 如果想要转换数据类型的话,可以通过 astype 来完成。
user_info["age"].astype(float) ------------------------------ name Tom 18.0 Bob 30.0 Mary 25.0 James 40.0 Name: age, dtype: float64
有时候会涉及到将 object 类型转为其他类型,常见的有转为数字、日期、时间差,Pandas 中分别对应 to_numeric、to_datetime、to_timedelta 方法。
- 这里给这些用户都添加一些关于身高的信息。
user_info["height"] = ["178", "168", "178", "180cm"] user_info --------------------------- age city sex height name Tom 18 BeiJing male 178 Bob 30 ShangHai male 168 Mary 25 GuangZhou female 178 James 40 ShenZhen male 180cm
现在将身高这一列转为数字,很明显,180cm 并非数字,为了强制转换,我们可以传入 errors 参数,这个参数的作用是当强转失败时的处理方式。
默认情况下,errors='raise',这意味着强转失败后直接抛出异常,设置 errors='coerce' 可以在强转失败时将有问题的元素赋值为 pd.NaT(对于datetime和timedelta)或 np.nan(数字)。设置 errors='ignore' 可以在强转失败时返回原有的数据。
pd.to_numeric(user_info.height,errors="coerce") --------------------------- name Tom 178.0 Bob 168.0 Mary 178.0 James NaN Name: height, dtype: float64 -------------------------- pd.to_numeric(user_info.height, errors="ignore") -------------------------- name Tom 178 Bob 168 Mary 178 James 180cm Name: height, dtype: object
本文作者为无邪 AI派 | 禹都一只猫整理,转载请注明。