(給視學算法加星標,提升Python技能)
Python 是開源的,它很棒,但是也無法避免開源的一些固有問題:很多包都在做(或者在嘗試做)同樣的事情。如果你是 Python 新手,那麼你很難知道某個特定任務的最佳包是哪個,你需要有經驗的人告訴你。有一個用於數據科學的包絕對是必需的,它就是 pandas。![別找了,這是 Pandas 最詳細教程了](http://p2.ttnews.xyz/loading.gif)
import pandas as pd別問為什麼是「pd」而不是「p」,就是這樣。用就行了:)pandas 最基本的功能讀取數據
data = pd.read_csv( my_file.csv )sep 代表的是分隔符。如果你在使用法語數據,excel 中 csv 分隔符是「;」,因此你需要顯式地指定它。編碼設置為 latin-1 來讀取法語字符。nrows=1000 表示讀取前 1000 行數據。skiprows=[2,5] 表示你在讀取文件的時候會移除第 2 行和第 5 行。
data = pd.read_csv( my_file.csv , sep= ; , encoding= latin-1 , nrows=1000, skiprows=[2,5])
最常用的功能:read_csv, read_excel
其他一些很棒的功能:read_clipboard, read_sql
data.to_csv( my_new_file.csv , index=None)index=None 表示將會以數據本來的樣子寫入。如果沒有寫 index=None,你會多出一個第一列,內容是 1,2,3,...,一直到最後一行。我通常不會去使用其他的函數,像.to_excel, .to_json, .to_pickle 等等,因為.to_csv 就能很好地完成工作,並且 csv 是最常用的表格保存方式。 檢查數據
![別找了,這是 Pandas 最詳細教程了](http://p2.ttnews.xyz/loading.gif)
Gives (#rows, #columns)給出行數和列數
data.describe()計算基本的統計數據查看數據
data.head(3)打印出數據的前 3 行。與之類似,.tail() 對應的是數據的最後一行。
data.loc[8]打印出第八行
data.loc[8, column_1 ]打印第八行名為「column_1」的列
data.loc[range(4,6)]第四到第六行(左閉右開)的數據子集
pandas 的基本函數邏輯運算
data[data[ column_1 ]== french ]通過邏輯運算來取數據子集。要使用 & (AND)、 ~ (NOT) 和 | (OR),必須在邏輯運算前後加上「and」。
data[(data[ column_1 ]== french ) & (data[ year_born ]==1990)]
data[(data[ column_1 ]== french ) & (data[ year_born ]==1990) & ~(data[ city ]== London )]
data[data[ column_1 ].isin([ french , english ])]除了可以在同一列使用多個 OR,你還可以使用.isin() 函數。
基本繪圖matplotlib 包使得這項功能成為可能。正如我們在介紹中所說,它可以直接在 pandas 中使用。
data[ column_numerical ].plot()
data[ column_numerical ].hist()畫出數據分佈(直方圖)
%matplotlib inline如果你在使用 Jupyter,不要忘記在畫圖之前加上以上代碼。
更新數據
data.loc[8, column_1 ] = english
將第八行名為 column_1 的列替換為「english」
data.loc[data[ column_1 ]== french , column_1 ] = French在一行代碼中改變多列的值好了,現在你可以做一些在 excel 中可以輕鬆訪問的事情了。下面讓我們深入研究 excel 中無法實現的一些令人驚奇的操作吧。中級函數統計出現的次數
data[ column_1 ].value_counts()
在所有的行、列或者全數據上進行操作
data[ column_1 ].map(len)len() 函數被應用在了「column_1」列中的每一個元素上
.map() 運算給一列中的每一個元素應用一個函數
data[ column_1 ].map(len).map(lambda x: x100).plot()pandas 的一個很好的功能就是鏈式方法(https://tomaugspurger.github.io/method-chaining)。它可以幫助你在一行中更加簡單、高效地執行多個操作(.map() 和.plot())。
data.apply(sum).apply() 會給一個列應用一個函數。.applymap() 會給表 (DataFrame) 中的所有單元應用一個函數。tqdm, 唯一的在處理大規模數據集時,pandas 會花費一些時間來進行.map()、.apply()、.applymap() 等操作。tqdm 是一個可以用來幫助預測這些操作的執行何時完成的包(是的,我說謊了,我之前說我們只會使用到 pandas)。
from tqdm import tqdm_notebook用 pandas 設置 tqdm
tqdm_notebook().pandas()
data[ column_1 ].progress_map(lambda x: x.count( e ))用 .progress_map() 代替.map()、.apply() 和.applymap() 也是類似的。
data.corr()
data.corr().applymap(lambda x: int(x*100)100)
pd.plotting.scatter_matrix(data, figsize=(12,8))
The SQL 關聯在 pandas 中實現關聯是非常非常簡單的
data.merge(other_data, on=[ column_1 , column_2 , column_3 ])關聯三列只需要一行代碼分組 一開始並不是那麼簡單,你首先需要掌握語法,然後你會發現你一直在使用這個功能。
data.groupby( column_1 )[ column_2 ].apply(sum).reset_index()按一個列分組,選擇另一個列來執行一個函數。.reset_index() 會將數據重構成一個表。
dictionary = {}.iterrows() 使用兩個變量一起循環:行索引和行的數據 (上面的 i 和 row)總而言之,pandas 是 python 成為出色的編程語言的原因之一我本可以展示更多有趣的 pandas 功能,但是已經寫出來的這些足以讓人理解為何數據科學家離不開 pandas。總結一下,pandas 有以下優點:
for i,row in data.iterrows():
dictionary[row[ column_1 ]] = row[ column_2 ]
易用,將所有複雜、抽象的計算都隱藏在背後了;
直觀;
快速,即使不是最快的也是非常快的。
閱讀更多 視學算法 的文章