《数据科学与分析：Python语言实现》 —2.5　“熊猫”前来救驾

2.5　“熊猫”前来救驾

你可能会认为我们已经在Monty Python剧团中神经错乱了，从而将动物名称作为章节的一部分。可惜你错了，因为此“熊猫”非彼熊猫。Pandas实际上是一个非常强大的类库，它使Python能够使用面板数据或数据帧来处理结构化数据集。Pandas库于2008年由Wes McKinney开始作为立项，旨在使Python成为一个更实用的统计数据分析工具。

Pandas是Python技术栈的一个很好的补充，它允许我们使用各种变量操作索引结构化数据，包括使用时间序列、缺失值和多个数据集。在Pandas中，一维数组称为Series，而数据框（DataFrame）则是多个Series的容器集合。数据框可以保存各种数据类型并对其进行操作，这使得Python的Pandas库成为数据科学家不可或缺的工具之一。

在某种意义上，我们可以将Pandas序列视为NumPy数组的扩展，实际上我们可以使用它来初始化一个序列（Pandas库的常用别名是pd）：

我们也可以使用列表或元组进行初始化。Pandas的一个非常有用的功能是使用索引和列名称来引用数据。让我们看看表2.4中显示的数据，了解一些动物关于其肢体数量和饮食习惯的详细说明：

我们可以通过创建列表来将这些数据加载到Python中，这些列表包含有关描述表中动物的两个特征的相应信息。

请注意，我们已将表2.4中的四肢数和食草动物的特征定义为字典，其中键值是Pandas数据帧中列的名称，并且值对应于表中的条目。类似地，我们定义了一个名为animals的列表，它将用作标识表中每一行的索引。

我们可以使用句柄df查看数据帧中的前3个条目：

其中，head方法让我们看到数据帧的前几行。同样，tail会显示最后几行。

如上所述，我们可以通过列的名称来引用列数据。例如，我们可以使用以下命令检索有关第2行到第4行的四肢数的数据：

请注意，我们已将列的名称定义为字符串。此外，我们使用切片来选择所需的数据。同样，可以通过查找正确的索引来获取有关单行的信息：

Pandas中有许多非常有用的命令可以帮助我们理解数据框中的内容。例如，我们可以获得各种列的描述。如果数据是数字，describe方法将给我们一些基本的描述性统计，如计数、平均值、标准差等：

如果数据是分类的，则它提供计数、唯一条目的数量、最高类别等。我们还可以通过描述获得分类数据的有用信息。

将新列添加到数据框非常容易。例如，我们可以在上面的数据中添加一个类，如下所示：

Pandas还允许我们创建组和聚合：

其中，方法.groups包含分组信息，.size返回简单计数。

我们也可以应用聚合函数（aggregation function）。让我们尝试在数据集中计算食草动物和食肉动物的平均四肢数（此处用NumPy中的均值函数（mean）来计算）：

在上面的例子中，我们使用Python将数据逐行输入到Pandas数据帧中。虽然这对于小型数据集是可行的，但实际上你可能有兴趣从其他来源摄取数据。幸运的是，Pandas拥有非常强大的输入/输出生态系统，能够从众多来源获取数据。表2.5中列出了其中一些来源。

表2.5　Pandas可用的一些输入源

Pandas是一种函数多样且功能丰富的工具，上述简短的讨论中只触及了皮毛而已。我们将在本书的其余部分广泛使用Pandas，并且只要有可能，我们将提供解释以帮助大家讨论。尽管如此，我们强烈建议你深入了解这个伟大的类库。