0. 前言
- 参考《利用Python进行数据分析》第五章
- 相关源码
- pandas中数据结构组要分为
Series和DataFrame。
1. Series
1.1. 基本概念
由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。
1.2. 构造对象Series
1 | # 默认索引为数字，从0开始编号 |
1.3. 其他
- 对值可以直接进行类似Numpy的操作。
- 多个Series之间的操作，会在算术运算中自动对齐不同的索引的数据。
- 索引：修改索引可以直接通过赋值。如
obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan'] name属性，与pandas中其他功能有很大联系。
2. DataFrame
2.1. 基本概念
- 包含一组有序的列（Series对象），每列可以是不同的数值类型。
- 既包含行索引又包含列索引。
- 常用属性：
Taxes：查看行索引与列索引info()：基本信息
2.2. 构建对象
1 | # 通过字典构建 |
2.3. 行
查看行索引/行名称：
df.index普通查询（获取单行或多行信息）
- 获取的结果是行对象，而不是Series。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22# 切片获取，不能使用单个数字
frame[1:4]
# frame[1] # error
# irow + 行号，只能获取单行
frame.irow(0)
# iloc + 行号，可同时指定列，行列都使用切片编号
# 使用切片时不包含`end`
frame.iloc[1] # 第一行
frame.iloc[:10]
frame.iloc[:, 0] # 第一列
frame.iloc[:10, 5:]
# loc + 索引，可同时指定列，行列都使用索引
# 使用切片时包含`end`
# 类似numpy操作，其中`start:end`是包含`end`的，且取值不一定是整数
frame.loc['row_index']
frame.loc[['row_index1', 'row_index_2']]
frame.loc[:, 'column_index']
frame.loc[:, ['column_index_1', 'column_index_2']]
frame.loc[['row_index1', 'row_index_2'], ['column_index_1', 'column_index_2']]
- 获取的结果是行对象，而不是Series。
查询行数：
len(df.index),len(df)查询前/后几行：
df.head(i), df.tail(i)行过滤（根据条件删除行）
1
2
3
4
5
6# 单条件过滤，使用df[cond]的形式，cond为bool类型，用于筛选行
df = df[df.age > 10]
df = df[df['age'] > 10]
# 多条件过滤，使用&来连接多个不同条件
df = df[df.age > 10 & df.salary > 1000.]将行随机转换为几个子集（切割dataframe）
1
2
3
4
5
6
7
8
9
10
11# 如果只要随机获取一定比例的样本，可以通过 sample
df.sample(frac=0.5)
# 假设要把df转换为train/val/test，分别是0.8/0.1/0.1的比例，则
num_train = int(len(df)*0.8)
num_val = int(len(df)*0.1)
num_test = len(df) - num_train - num_val
df = df.sample(frac=1.0) # shuffle
train_df = df[:num_train]
val_df = df[num_train:(num_train+num_val)]
test_df = df[:-num_test]增
1
2
3
4
5
6
7
8# 通过loc指定新的行索引，增加行
# 这种方式可以不管类型，直接赋值
df.loc['new_raw_index'] = 1 # 不管数据类型，行所有的数据都为1
df.loc['new_raw_index'] = {'a': 1, 'b': 'two'} # 必须指定所有列，否则报错
# append
# 传入的必须是Series对象、字典、字典列表
df = df.append({'a': 5}, ignore_index=True)遍历行
1
2
3
4
5for row in df.iterrows():
# row 是个元组，包含快两个数据
# row[0] 应该是行索引
# row[1] 是个 Series 对象，可以直接通过 row[1].column_name 来获取数据
pass根据行id删除行：
df.drop([0, 5])删除重复行：
df.drop_duplicates([0, 5])，其中选择的是列名，即df.columns中内容
2.4. 列
查列索引/列名称：
df.columns查一列或多列
1
2
3
4
5
6
7
8
9
10# 通过字典或属性的方式，获取列对象（Series）
frame2['year']
frame2.year
# 通过icol获取单列（Series）
frame.icol(0)
# 获取多列（DataFrame）
frame[['w']]
frame[['w', 'z']]改
- 可以通过赋值直接修改列的值。要求是标量，或长度与DataFrame匹配。
增
- 对不存在的列赋值，会创建列。
删
- 删除列通过
del实现，如del frame2['tes'] - 通过
drop实现，如df.drop([1, 2], axis=1)，其中选择的是列名，即df.columns中内容。
- 删除列通过
列数：
df[0].count()
2.5. 其他操作
- 转置，如
frame.T - 获取行与列：
df.shape - 替换NAN为0：
df..fillna(0) - 两个DataFrame拼接成一个：
df.concat([df1, df2])
3. 其他
3.1. 读取文件
- pandas.read_csv 文档
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22# 普通读取
df = pd.read_csv(FILE_PATH)
# 默认情况下，认为文件第一行为Header，即列名
# 如果第一行不是列名，则需要设置 header 为None，如下所示
df = pd.read_csv(FILE_PATH, header=None)
# 默认情况下，文件中没有索引（即行名）
# 如果要设置第一列为行名，可以设置 index_col
df = pd.read_csv(FILE_PATH, index_col=0)
# 如果第一行不是列名，则需要设置 header 为None，如下所示
df = pd.read_csv(FILE_PATH, header=None)
# 分块读取并且遍历，chunksize代表每次读取的行数量
df = pd.read_csv(FILE_PATH, chunksize=1000)
for piece in df:
# piece 可以作为 DateFrame 操作
...
# 读取开头若干行数据，读取前1000行
df = pd.read_csv(FILE_PATH, nrows=1000)
3.2. 写文件
1 | train_df.to_csv('/path/to/target.csv', |