Pandas使用(1)

Pandas是基于NumPy的一個非常好用的庫，正如名字一樣，人見人愛。之所以如此，就在于不論是讀取、處理數據，用它都非常簡單。

基本的數據結構

Pandas有兩種自己獨有的基本數據結構。讀者應該注意的是，它固然有著兩種數據結構，因為它依然是python的一個庫，所以，python中有的數據類型在這里依然適用，也同樣還可以使用類自己定義數據類型。只不過，Pandas里面又定義了兩種數據類型：Series和DataFrame，它們讓數據操作更簡單了。

以下操作都是基于：

為了省事，后面就不在顯示了。并且如果你跟我一樣是使用ipython notebook，只需要開始引入模塊即可。

Series

Series就如同列表一樣，一系列數據，每個數據對應一個索引值。比如這樣一個列表：[9, 3, 8]，如果跟索引值寫到一起，就是：

這種樣式我們已經熟悉了，不過，在有些時候，需要把它豎過來表示：

上面兩種，只是表現(xiàn)形式上的差別罷了。

Series就是“豎起來”的list：

另外一點也很像列表，就是里面的元素的類型，由你任意決定（其實是由需要來決定）。

這里，我們實質上創(chuàng)建了一個Series對象，這個對象當然就有其屬性和方法了。比如，下面的兩個屬性依次可以顯示Series對象的數據值和索引：

列表的索引只能是從0開始的整數，Series數據類型在默認情況下，其索引也是如此。不過，區(qū)別于列表的是，Series可以自定義索引：

自定義索引，的確比較有意思。就憑這個，也是必須的。

每個元素都有了索引，就可以根據索引操作元素了。還記得list中的操作嗎？Series中，也有類似的操作。先看簡單的，根據索引查看其值和修改其值：

這是不是又有點類似dict數據了呢？的確如此?？聪旅婢屠斫饬?。

讀者是否注意到，前面定義Series對象的時候，用的是列表，即Series()方法的參數中，第一個列表就是其數據值，如果需要定義index，放在后面，依然是一個列表。除了這種方法之外，還可以用下面的方法定義Series對象：

現(xiàn)在是否理解為什么前面那個類似dict了？因為本來就是可以這樣定義的。

這時候，索引依然可以自定義。Pandas的優(yōu)勢在這里體現(xiàn)出來，如果自定義了索引，自定的索引會自動尋找原來的索引，如果一樣的，就取原來索引對應的值，這個可以簡稱為“自動對齊”。

在sd中，只有'python':8000, 'c++':8100, 'c#':4000，沒有"java"，但是在索引參數中有，于是其它能夠“自動對齊”的照搬原值，沒有的那個"java"，依然在新Series對象的索引中存在，并且自動為其賦值NaN。在Pandas中，如果沒有值，都對齊賦給NaN。來一個更特殊的：

新得到的Series對象索引與sd對象一個也不對應，所以都是NaN。

Pandas有專門的方法來判斷值是否為空。

此外，Series對象也有同樣的方法：

其實，對索引的名字，是可以從新定義的：

對于Series數據，也可以做類似下面的運算（關于運算，后面還要詳細介紹）：

上面的演示中，都是在ipython notebook中進行的，所以截圖了。在學習Series數據類型同時了解了ipyton notebook。對于后面的所有操作，讀者都可以在ipython notebook中進行。但是，我的講述可能會在python交互模式中進行。

DataFrame

DataFrame是一種二維的數據結構，非常接近于電子表格或者類似mysql數據庫的形式。它的豎行稱之為columns，橫行跟前面的Series一樣，稱之為index，也就是說可以通過columns和index來確定一個主句的位置。（有人把 DataFrame翻譯為“數據框”，是不是還可以稱之為“筐”呢？向里面裝數據嘛。)

下面的演示，是在python交互模式下進行，讀者仍然可以在ipython notebook環(huán)境中測試。

>>> import pandas as pd 
>>> from pandas import Series, DataFrame 

>>> data = {"name":["yahoo","google","facebook"], "marks":[200,400,800], "price":[9, 3, 7]} 
>>> f1 = DataFrame(data) 
>>> f1 
     marks  name      price 
0    200    yahoo     9 
1    400    google    3 
2    800    facebook  7 

這是定義一個DataFrame對象的常用方法——使用dict定義。字典的“鍵”（"name"，"marks"，"price"）就是DataFrame的columns的值（名稱），字典中每個“鍵”的“值”是一個列表，它們就是那一豎列中的具體填充數據。上面的定義中沒有確定索引，所以，按照慣例（Series中已經形成的慣例）就是從0開始的整數。從上面的結果中很明顯表示出來，這就是一個二維的數據結構（類似excel或者mysql中的查看效果）。

上面的數據顯示中，columns的順序沒有規(guī)定，就如同字典中鍵的順序一樣，但是在DataFrame中，columns跟字典鍵相比，有一個明顯不同，就是其順序可以被規(guī)定，向下面這樣做：

>>> f2 = DataFrame(data, columns=['name','price','marks']) 
>>> f2 
       name     price  marks 
0     yahoo     9      200 
1    google     3      400 
2  facebook     7      800 

跟Series類似的，DataFrame數據的索引也能夠自定義。

>>> f3 = DataFrame(data, columns=['name', 'price', 'marks', 'debt'], index=['a','b','c','d']) 
Traceback (most recent call last): 
  File "<stdin>", line 1, in <module> 
  File "/usr/lib/pymodules/python2.7/pandas/core/frame.py", line 283, in __init__ 
    mgr = self._init_dict(data, index, columns, dtype=dtype) 
  File "/usr/lib/pymodules/python2.7/pandas/core/frame.py", line 368, in _init_dict 
    mgr = BlockManager(blocks, axes) 
  File "/usr/lib/pymodules/python2.7/pandas/core/internals.py", line 285, in __init__ 
    self._verify_integrity() 
  File "/usr/lib/pymodules/python2.7/pandas/core/internals.py", line 367, in _verify_integrity 
    assert(block.values.shape[1:] == mgr_shape[1:]) 
AssertionError 

報錯了。這個報錯信息就太不友好了，也沒有提供什么線索。這就是交互模式的不利之處。修改之，錯誤在于index的值——列表——的數據項多了一個，data中是三行，這里給出了四個項（['a','b','c','d']）。

>>> f3 = DataFrame(data, columns=['name', 'price', 'marks', 'debt'], index=['a','b','c']) 
>>> f3 
       name      price  marks  debt 
a     yahoo      9      200     NaN 
b    google      3      400     NaN 
c  facebook      7      800     NaN 

讀者還要注意觀察上面的顯示結果。因為在定義f3的時候，columns的參數中，比以往多了一項('debt')，但是這項在data這個字典中并沒有，所以debt這一豎列的值都是空的，在Pandas中，空就用NaN來代表了。

定義DataFrame的方法，除了上面的之外，還可以使用“字典套字典”的方式。

>>> newdata = {"lang":{"firstline":"python","secondline":"java"}, "price":{"firstline":8000}} 
>>> f4 = DataFrame(newdata) 
>>> f4 
              lang     price 
firstline     python   8000 
secondline    java     NaN 

在字典中就規(guī)定好數列名稱（第一層鍵）和每橫行索引（第二層字典鍵）以及對應的數據（第二層字典值），也就是在字典中規(guī)定好了每個數據格子中的數據，沒有規(guī)定的都是空。

>>> DataFrame(newdata, index=["firstline","secondline","thirdline"]) 
              lang     price 
firstline     python   8000 
secondline    java     NaN 
thirdline     NaN      NaN 

如果額外確定了索引，就如同上面顯示一樣，除非在字典中有相應的索引內容，否則都是NaN。

前面定義了DataFrame數據（可以通過兩種方法），它也是一種對象類型，比如變量f3引用了一個對象，它的類型是DataFrame。承接以前的思維方法：對象有屬性和方法。

>>> f3.columns 
Index(['name', 'price', 'marks', 'debt'], dtype=object) 

DataFrame對象的columns屬性，能夠顯示素有的columns名稱。并且，還能用下面類似字典的方式，得到某豎列的全部內容（當然包含索引）：

>>> f3['name'] 
a       yahoo 
b      google 
c    facebook 
Name: name 

這是什么？這其實就是一個Series，或者說，可以將DataFrame理解為是有一個一個的Series組成的。

一直耿耿于懷沒有數值的那一列，下面的操作是統(tǒng)一給那一列賦值：

>>> f3['debt'] = 89.2 
>>> f3 
       name     price  marks  debt 
a     yahoo     9        200  89.2 
b    google     3        400  89.2 
c  facebook     7        800  89.2

除了能夠統(tǒng)一賦值之外，還能夠“點對點”添加數值，結合前面的Series，既然DataFrame對象的每豎列都是一個Series對象，那么可以先定義一個Series對象，然后把它放到DataFrame對象中。如下：

>>> sdebt = Series([2.2, 3.3], index=["a","c"])    #注意索引 
>>> f3['debt'] = sdebt 

將Series對象(sdebt變量所引用) 賦給f3['debt']列，Pandas的一個重要特性——自動對齊——在這里起做用了，在Series中，只有兩個索引（"a","c"），它們將和DataFrame中的索引自動對齊。于是乎：

>>> f3 
       name  price  marks  debt 
a     yahoo  9        200   2.2 
b    google  3        400   NaN 
c  facebook  7        800   3.3

自動對齊之后，沒有被復制的依然保持NaN。

還可以更精準的修改數據嗎？當然可以，完全仿照字典的操作：

>>> f3["price"]["c"]= 300 
>>> f3 
       name   price   marks  debt 
a     yahoo   9       200    2.2 
b    google   3       400    NaN 
c  facebook   300     800    3.3 

這些操作是不是都不陌生呀，這就是Pandas中的兩種數據對象。