代码

文字

Copyright 2017 Google LLC.

↳ 已隐藏 1 个单元格

代码

文字

Pandas 简介

代码

文字

学习目标：

• 大致了解 pandas 库的 DataFrame 和 Series 数据结构
• 存取和处理 DataFrame 和 Series 中的数据
• 将 CSV 数据导入 pandas 库的 DataFrame
• 对 DataFrame 重建索引来随机打乱数据

代码

文字

pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具，很多机器学习框架都支持将 pandas 数据结构作为输入。
虽然全方位介绍 pandas API 会占据很长篇幅，但它的核心概念非常简单，我们会在下文中进行说明。有关更完整的参考，请访问 pandas 文档网站，其中包含丰富的文档和教程资源。

代码

文字

基本概念

以下行导入了 pandas API 并输出了相应的 API 版本：

代码

文字

[1]

x

 

from __future__ import print_function

​

import pandas as pd

pd.__version__

u'0.22.0'

代码

文字

pandas 中的主要数据结构被实现为以下两类：

• DataFrame，您可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。
• Series，它是单一列。DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称。

数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。

代码

文字

创建 Series 的一种方法是构建 Series 对象。例如：

代码

文字

[ ]

x

 

pd.Series(['San Francisco', 'San Jose', 'Sacramento'])

代码

文字

您可以将映射 string 列名称的 dict 传递到它们各自的 Series，从而创建DataFrame对象。如果 Series 在长度上不一致，系统会用特殊的 NA/NaN 值填充缺失的值。例如：

代码

文字

[ ]

 

city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])

population = pd.Series([852469, 1015785, 485199])

​

pd.DataFrame({ 'City name': city_names, 'Population': population })

代码

文字

但是在大多数情况下，您需要将整个文件加载到 DataFrame 中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据，并创建特征定义：

代码

文字

[ ]

xxxxxxxxxx

 

california_housing_dataframe = pd.read_csv("https://download.mlcc.google.cn/mledu-datasets/california_housing_train.csv", sep=",")

california_housing_dataframe.describe()

代码

文字

上面的示例使用 DataFrame.describe 来显示关于 DataFrame 的有趣统计信息。另一个实用函数是 DataFrame.head，它显示 DataFrame 的前几个记录：

代码

文字

[ ]

 

california_housing_dataframe.head()

代码

文字

pandas 的另一个强大功能是绘制图表。例如，借助 DataFrame.hist，您可以快速了解一个列中值的分布：

代码

文字

[ ]

 

california_housing_dataframe.hist('housing_median_age')

代码

文字

访问数据

您可以使用熟悉的 Python dict/list 指令访问 DataFrame 数据：

代码

文字

[ ]

xxxxxxxxxx

 

cities = pd.DataFrame({ 'City name': city_names, 'Population': population })

print(type(cities['City name']))

cities['City name']

代码

文字

[ ]

 

print(type(cities['City name'][1]))

cities['City name'][1]

代码

文字

[ ]

 

print(type(cities[0:2]))

cities[0:2]

代码

文字

此外，pandas 针对高级索引和选择提供了极其丰富的 API（数量过多，此处无法逐一列出）。

代码

文字

操控数据

您可以向 Series 应用 Python 的基本运算指令。例如：

代码

文字

[ ]

 

population / 1000.

代码

文字

NumPy 是一种用于进行科学计算的常用工具包。pandas Series 可用作大多数 NumPy 函数的参数：

代码

文字

[ ]

 

import numpy as np

​

np.log(population)

代码

文字

对于更复杂的单列转换，您可以使用 Series.apply。像 Python 映射函数一样，Series.apply 将以参数形式接受 lambda 函数，而该函数会应用于每个值。

下面的示例创建了一个指明 population 是否超过 100 万的新 Series：

代码

文字

[ ]

 

population.apply(lambda val: val > 1000000)

代码

文字

DataFrames 的修改方式也非常简单。例如，以下代码向现有 DataFrame 添加了两个 Series：

代码

文字

[ ]

xxxxxxxxxx

 

cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])

cities['Population density'] = cities['Population'] / cities['Area square miles']

cities

代码

文字

练习 1

通过添加一个新的布尔值列（当且仅当以下两项均为 True 时为 True）修改 cities 表格：

• 城市以圣人命名。
• 城市面积大于 50 平方英里。

注意：布尔值 Series 是使用“按位”而非传统布尔值“运算符”组合的。例如，执行逻辑与时，应使用 &，而不是 and。

提示："San" 在西班牙语中意为 "saint"。

代码

文字

[ ]

 

# Your code here

代码

文字

解决方案

点击下方，查看解决方案。

代码

文字

[ ]

xxxxxxxxxx

 

cities['Is wide and has saint name'] = (cities['Area square miles'] > 50) & cities['City name'].apply(lambda name: name.startswith('San'))

cities

代码

文字

索引

Series 和 DataFrame 对象也定义了 index 属性，该属性会向每个 Series 项或 DataFrame 行赋一个标识符值。

默认情况下，在构造时，pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的；也就是说，它们不会因为数据重新排序而发生改变。

代码

文字

[ ]

 

city_names.index

代码

文字

[ ]

 

cities.index

代码

文字

调用 DataFrame.reindex 以手动重新排列各行的顺序。例如，以下方式与按城市名称排序具有相同的效果：

代码

文字

[ ]

 

cities.reindex([2, 0, 1])

代码

文字

重建索引是一种随机排列 DataFrame 的绝佳方式。在下面的示例中，我们会取用类似数组的索引，然后将其传递至 NumPy 的 random.permutation 函数，该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex，会导致 DataFrame 行以同样的方式随机排列。
尝试多次运行以下单元格！

代码

文字

[ ]

 

cities.reindex(np.random.permutation(cities.index))

代码

文字

有关详情，请参阅索引文档。

代码

文字

练习 2

reindex 方法允许使用未包含在原始 DataFrame 索引值中的索引值。请试一下，看看如果使用此类值会发生什么！您认为允许此类值的原因是什么？

代码

文字

[ ]

 

# Your code here

代码

文字

解决方案

点击下方，查看解决方案。

代码

文字

如果您的 reindex 输入数组包含原始 DataFrame 索引值中没有的值，reindex 会为此类“丢失的”索引添加新行，并在所有对应列中填充 NaN 值：

代码

文字

[ ]

 

cities.reindex([0, 4, 5, 2])

代码

文字

这种行为是可取的，因为索引通常是从实际数据中提取的字符串（请参阅 pandas reindex 文档，查看索引值是浏览器名称的示例）。

在这种情况下，如果允许出现“丢失的”索引，您将可以轻松使用外部列表重建索引，因为您不必担心会将输入清理掉。

代码

文字

intro_to_pandas.ipynb_

文件

修改

视图

插入

代码执行程序

工具

帮助

共享

代码

文字

单元格

单元格

复制到云端硬盘

已连接

修改

历史记录已执行的代码查找/替换笔记本信息

正在呈现笔记本…