《scikit-learn机器学习常用算法原理及编程实战》—2.4 Pandas简介

2.4  Pandas简介

　　Pandas是一个强大的时间序列数据处理工具包，最初开发的目的是为了分析财经数据，现在已经广泛应用在Python数据分析领域中。本节通过简单的介绍，让读者熟悉简单的Pandas概念及操作。

2.4.1  基本数据结构

　　Pandas最基础的数据结构是Series，用它来表达一行数据，可以理解为一维的数组。比如下面的代码，创建了一个包含6个数据的一维数组。

　　# Series 对象可以理解为一维数组

　　s = pd.Series([4, 2, 5, 0, 6, 3])

　　s

　　其输出为：

　　0    4

　　1    2

　　2    5

　　3    0

　　4    6

　　5    3

　　dtype: int64

　　另外一个关键的数据结构为DataFrame，它表示的是二维数组。下面的代码为创建一个DataFrame对象。

　　# DataFrame 是二维数组对象

　　df = pd.DataFrame(np.random.randn(6,4), columns=list('ABCD'))

　　df

　　输出为：

　　  A         B         C         D

　　0 0.968762  1.501239  -0.284952 -0.456468

　　1 1.413471  -0.309746 0.407559  1.536548

　　2 -0.399065 -0.040439 1.339359  -0.318217

　　3 -0.152205 -0.121888 0.841658  -1.493958

　　4 0.248414  -0.676985 1.326487  -0.455541

　　5 0.906221  -2.158694 -0.201354 -0.024769

　　DataFrame 里的数据实际是用Numpy的array对象来保存的，读者可以输入df.values来查看原始数据。DataFrame对象的每一行和列都是一个Series对象。我们可以使用行索引来访问一行数据，可以用列名称来索引一列数据。

　　[IN]: df.iloc[0]

　　[OUT]:

　　A    0.968762

　　B    1.501239

　　C   -0.284952

　　D   -0.456468

　　Name: 0, dtype: float64

　　[IN]: df.A

　　[OUT]:

　　0    0.968762

　　1    1.413471

　　2   -0.399065

　　3   -0.152205

　　4    0.248414

　　5    0.906221

　　Name: A, dtype: float64

　　[IN]:

　　print("Row data type: {}".format(type(df.iloc[0])))

　　print("Column data type: {}".format(type(df.A)))

　　[OUT]:

　　Row data type: <class 'pandas.core.series.Series'>

　　Column data type: <class 'pandas.core.series.Series'>

　　Pandas提供了简洁的数据访问功能。DataFrame.shape可以查看数据的维度信息：

　　[IN]: df.shape

　　[OUT]: (6, 4)

　　通过DataFrame.head()和DataFrame.tail()方法可以访问前n行和后n行的数据：

　　[IN]: df.head(3)

　　[OUT]:

　　  A         B         C         D

　　0 0.968762  1.501239  -0.284952 -0.456468

　　1 1.413471  -0.309746 0.407559  1.536548

　　2 -0.399065 -0.040439 1.339359  -0.318217

　　[IN]: df.tail(2)

　　[OUT]:

　　  A         B         C         D

　　4 0.248414  -0.676985 1.326487  -0.455541

　　5 0.906221  -2.158694 -0.201354 -0.024769

　　通过DataFrame.index和DataFrame.columns属性，可以访问数据的行索引和列索引信息。

　　[IN]: df.index

　　[OUT]: RangeIndex(start=0, stop=6, step=1)

　　[IN]: df.columns

　　[OUT]: Index([u'A', u'B', u'C', u'D'], dtype='object')

　　通过DataFrame.describe()方法，可以算出简单的数据统计信息。

　　 [IN]: df.describe()

　　[OUT]:

　　      A         B         C         D

　　count 6.000000  6.000000  6.000000  6.000000

　　mean  0.497600  -0.301086 0.571459  -0.202068

　　std   0.709385  1.178177  0.719762  0.986474

　　min   -0.399065 -2.158694 -0.284952 -1.493958

　　25%   -0.052050 -0.585176 -0.049126 -0.456236

　　50%   0.577317  -0.215817 0.624608  -0.386879

　　75%   0.953127  -0.060802 1.205280  -0.098131

　　max   1.413471  1.501239  1.339359  1.536548

　　从输出可以看出，describe()计算出每列的元素个数、平均值、标准差、最小值、最大值及几种中位数的值。