数据分析三剑客之pandas
Pandas
引入
前面一篇文章我们介绍了numpy，但numpy的特长并不是在于数据处理，而是在它能非常方便地实现科学计算，所以我们日常对数据进行处理时用的numpy情况并不是很多，我们需要处理的数据一般都是带有列标签和index索引的，而numpy并不支持这些，这时我们就需要pandas上场啦！
WHAT?
Pandas是基于Numpy构建的库，在数据处理方面可以把它理解为numpy加强版，同时Pandas也是一项开源项目 。不同于numpy的是，pandas拥有种数据结构：Series和DataFrame：
下面我们就来生成一个简单的series对象来方便理解：
In [1]: from pandas import Series,DataFrame In [2]: import pandas as pd In [3]: data = Series([1,2,3,4],index = ['a','b','c','d']) In [4]: data Out[4]: a 1 b 2 c 3 d 4 dtype: int64
Series是一种类似一维数组的数据结构，由一组数据和与之相关的index组成，这个结构一看似乎与dict字典差不多，我们知道字典是一种无序的数据结构，而pandas中的Series的数据结构不一样，它相当于定长有序的字典，并且它的index和value之间是独立的，两者的索引还是有区别的，Series的index是可变的，而dict字典的key值是不可变的。
下面照例生成一个简单的DataFrame对象：
In [8]: data = {'a':[1,2,3],'b':['we','you','they'],'c':['btc','eos','ae']}
In [9]: df = DataFrame(data)
In [10]: df
Out[10]:
a b c
0 1 we btc
1 2 you eos
2 3 they ae
DataFrame这种数据结构我们可以把它看作是一张二维表，DataFrame长得跟我们平时使用的Excel表格差不多，DataFrame的横行称为columns，竖列和Series一样称为index，DataFrame每一列可以是不同类型的值集合，所以DataFrame你也可以把它视为不同数据类型同一index的Series集合。
WHY?
科学计算方面numpy是优势，但在数据处理方面DataFrame就更胜一筹了，事实上DataFrame已经覆盖了一部分的数据操作了，对于数据挖掘来说，工作可大概分为读取数据-数据清洗-分析建模-结果展示：
先说说读取数据，Pandas提供强大的IO读取工具，csv格式、Excel文件、数据库等都可以非常简便地读取，对于大数据，pandas也支持大文件的分块读取；
接下来就是数据清洗，面对数据集，我们遇到最多的情况就是存在缺失值，Pandas把各种类型数据类型的缺失值统一称为NaN（这里要多说几句，None==None这个结果是true，但np.nan==np.nan这个结果是false，NaN在官方文档中定义的是float类型，有关于NaN和None的区别以及使用，有位博主已经做好整理：None vs NaN）,Pandas提供许多方便快捷的方法来处理这些缺失值NaN。
最重要的分析建模阶段，Pandas自动且明确的数据对齐特性，非常方便地使新的对象可以正确地与一组标签对齐，有了这个特性，Pandas就可以非常方便地将数据集进行拆分-重组操作。
最后就是结果展示阶段了，我们都知道Matplotlib是个数据视图化的好工具，Pandas与Matplotlib搭配，不用复杂的代码，就可以生成多种多样的数据视图。
HOW？
Series
Series的两种生成方式：
In [19]: data = Series([222,'btc',234,'eos']) In [20]: data Out[20]: 0 222 1 btc 2 234 3 eos dtype: object
虽然我们在生成的时候没有设置index值，但Series还是会自动帮我们生成index，这种方式生成的Series结构跟list列表差不多，可以把这种形式的Series理解为竖起来的list列表。
In [21]: data = Series([1,2,3,4],index = ['a','b','c','d']) In [22]: data Out[22]: a 1 b 2 c 3 d 4 dtype: int64
这种形式的Series可以理解为numpy的array外面披了一件index的马甲，所以array的相关操作，Series同样也是支持的。结构非常相似的dict字典同样也是可以转化为Series格式的：
In [29]: dic = {'a':1,'b':2,'c':'as'}
In [30]: dicSeries = Series(dic)
查看Series的相关信息：
In [32]: data.index Out[32]: Index(['a', 'b', 'c', 'd'], dtype='object') In [33]: data.values Out[33]: array([1, 2, 3, 4], dtype=int64) In [35]: 'a' in data #in方法默认判断的是index值 Out[35]: True
Series的NaN生成：
In [46]: index1 = [ 'a','b','c','d'] In [47]: dic = {'b':1,'c':1,'d':1} In [48]: data2 = Series(dic,index=index1) In [49]: data2 Out[49]: a NaN b 1.0 c 1.0 d 1.0 dtype: float64
从这里我们可以看出Series的生成依据的是index值，index‘a’在字典dic的key中并不存在，Series自然也找不到’a’的对应value值，这种情况下Pandas就会自动生成NaN(not a number)来填补缺失值，这里还有个有趣的现象，原本dtype是int类型，生成NaN后就变成了float类型了，因为NaN的官方定义就是float类型。
NaN的相关查询：
In [58]: data2.isnull() Out[58]: a True b False c False d False dtype: bool In [59]: data2.notnull() Out[59]: a False b True c True d True dtype: bool In [60]: data2[data2.isnull()==True] #嵌套查询NaN Out[60]: a NaN dtype: float64 In [64]: data2.count() #统计非NaN个数 Out[64]: 3
切记切记，查询NaN值切记不要使用np.nan==np.nan这种形式来作为判断条件，结果永远是False，==是用作值判断的，而NaN并没有值，如果你不想使用上方的判断方法，你可以使用is作为判断方法，is是对象引用判断，np.nan is np.nan，结果就是你要的True。
Series自动对齐：
In [72]: data1 Out[72]: a 1 asd 1 b 1 dtype: int64 In [73]: data Out[73]: a 1 b 2 c 3 d 4 dtype: int64 In [74]: data+data1 Out[74]: a 2.0 asd NaN b 3.0 c NaN d NaN dtype: float64
从上面两个Series中不难看出各自的index所处位置并不完全相同，这时Series的自动对齐特性就发挥作用了，在算术运算中，Series会自动寻找匹配的index值进行运算，如果index不存在匹配则自动赋予NaN,值得注意的是，任何数+NaN=NaN,你可以把NaN理解为吸收一切的黑洞。
Series的name属性：
In [84]: data.index.name = 'abc' In [85]: data.name = 'test' In [86]: data Out[86]: abc a 1 b 2 c 3 d 4 Name: test, dtype: int64
Series对象本身及其索引index都有一个name属性，name属性主要发挥作用是在DataFrame中，当我们把一个Series对象放进DataFrame中，新的列将根据我们的name属性对该列进行命名，如果我们没有给Series命名，DataFrame则会自动帮我们命名为0。
DataFrame
DataFrame的生成：
In [87]: data = {'name': ['BTC', 'ETH', 'EOS'], 'price':[50000, 4000, 150]}
In [88]: data = DataFrame(data)
In [89]: data
Out[89]:
name price
0 BTC 50000
1 ETH 4000
2 EOS 150
DataFrame的生成与Series差不多，你可以自己指定index，也可不指定，DataFrame会自动帮你补上。
查看DataFrame的相关信息：
In [95]: data.index Out[95]: RangeIndex(start=0, stop=3, step=1) In [96]: data.values Out[96]: array([['BTC', 50000], ['ETH', 4000], ['EOS', 150]], dtype=object) In [97]: data.columns #DataFrame的列标签 Out[97]: Index(['name', 'price'], dtype='object')
DataFrame的索引：
In [92]: data.name Out[92]: 0 BTC 1 ETH 2 EOS Name: name, dtype: object In [93]: data['name'] Out[93]: 0 BTC 1 ETH 2 EOS Name: name, dtype: object In [94]: data.iloc[1] #loc['name']查询的是行标签 Out[94]: name ETH price 4000 Name: 1, dtype: object
其实行索引，除了iloc，loc还有个ix，ix既可以进行行标签索引，也可以进行行号索引，但这也大大增加了它的不确定性，有时会出现一些奇怪的问题，所以pandas在0.20.0版本的时候就把ix给弃用了。
DataFrame的常用操作
简单地增加行、列：
In [105]: data['type'] = 'token' #增加列 In [106]: data Out[106]: name price type 0 BTC 50000 token 1 ETH 4000 token 2 EOS 150 token In [109]: data.loc['3'] = ['ae',200,'token'] #增加行 In [110]: data Out[110]: name price type 0 BTC 50000 token 1 ETH 4000 token 2 EOS 150 token 3 ae 200 token
删除行、列操作：
In [117]: del data['type'] #删除列 In [118]: data Out[118]: name price 0 BTC 50000 1 ETH 4000 2 EOS 150 3 ae 200 In [120]: data.drop([2]) #删除行 Out[120]: name price 0 BTC 50000 1 ETH 4000 3 ae 200 In [121]: data Out[121]: name price 0 BTC 50000 1 ETH 4000 2 EOS 150 3 ae 200
这里需要注意的是，使用drop（）方法返回的是Copy而不是视图，要想真正在原数据里删除行，就要设置inplace=True：
In [125]: data.drop([2],inplace=True) In [126]: data Out[126]: name price 0 BTC 50000 1 ETH 4000 3 ae 200
设置某一列为index:
In [131]: data.set_index(['name'],inplace=True) In [132]: data Out[132]: price name BTC 50000 ETH 4000 ae 200 In [133]: data.reset_index(inplace=True) #将index返回回dataframe中 In [134]: data Out[134]: name price 0 BTC 50000 1 ETH 4000 2 ae 200
处理缺失值:
In [149]: data Out[149]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 3 eos NaN In [150]: data.dropna() #丢弃含有缺失值的行 Out[150]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 In [151]: data.fillna(0) #填充缺失值数据为0 Out[151]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 3 eos 0.0
还是需要注意：这些方法返回的是copy而不是视图，如果想在原数据上改变，别忘了inplace=True。
数据合并：
In [160]: data Out[160]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 3 eos NaN In [161]: data1 Out[161]: name other 0 BTC 50000 1 BTC 4000 2 EOS 150 In [162]: pd.merge(data,data1,on='name',how='left') #以name为key进行左连接 Out[162]: name price other 0 BTC 50000.0 50000.0 1 BTC 50000.0 4000.0 2 ETH 4000.0 NaN 3 ae 200.0 NaN 4 eos NaN NaN
平时进行数据合并操作，更多的会出一种情况，那就是出现重复值，DataFrame也为我们提供了简便的方法：
data.drop_duplicates(inplace=True)
数据的简单保存与读取：
In [165]: data.to_csv('test.csv') In [166]: pd.read_csv('test.csv') Out[166]: Unnamed: 0 name price 0 0 BTC 50000.0 1 1 ETH 4000.0 2 2 ae 200.0 3 3 eos NaN
为什么会出现这种情况呢，从头看到尾的同学可能就看出来了，增加第三行时，我用的是loc[‘3’]行标签来增加的，而read_csv方法是默认index是从0开始增长的，此时只需要我们设置下index参数就ok了：
In [167]: data.to_csv('test.csv',index=None) #不保存行索引 In [168]: pd.read_csv('test.csv') Out[168]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 3 eos NaN
其他的还有header参数, 这些参数都是我们在保存数据时需要注意的。