Pandas使用Python進行數據處理
我想談了很長時間的事情是Pandas帶給Python的力量。 Pandas是Python數據科學必不可少的軟件包，因為它用途廣泛且非常擅長處理數據。 我真正喜歡Pandas的一個組件是其出色的IPython和Numpy集成。 這就是說，使Pandas與Numpy直接交織在一起，就像花生醬與果凍一樣。 難怪這兩種組合都打包出售。
除了Smucker的Goober開玩笑之外，Pandas僅僅通過內置Python就能使Python成為Data Science更可行的語言。 這並不是說Python沒有許多可以模仿這種效果的出色軟件包，因為Python擁有數量眾多的用於機器學習和數據處理的軟件包。 Pandas使得相對困難的事情，或者在其他語言中更加痛苦的事情，在Python中變得異常容易。
IPython的
支持Pandas的最大事情是-Pandas本身。 該軟件包來自第一方，旨在合併數據科學的主要內容，例如IPython Notebooks和Numpy。 將它們組合在一起的方式很有道理，但我不只是告訴您，我還將向您展示使用其他語言的軟件包的感覺，這是我的最愛：
Julia
有趣的是，我們用來創建數據框架的軟件包是DataFrames.jl。 當然，我們現在將使用逗號分隔值文件（CSV文件）。 所以第一步就是讀取我們的數據……但是我們該怎麼做呢？ 在更改日誌中，簡要提到了一種稱為read_table的方法，但是在大多數情況下，這似乎已被棄用。
嗯，這就是訣竅，為了使用DataFrames.jl讀取我們的DataFrames，我們實際上必須獲得另一個名為CSV.jl的程序包。 添加該軟件包後，我們可以使用read（）方法打開CSV文件：
<code>using CSVdf = CSV.read("Fizzbuzz")/<code>太棒了，現在我們已經讀完數據，但在頂部看到了一條有趣的消息……
<code>"省略了12列打印"/<code>
好吧，一切都很好，但是為什麼呢？ 出於某種奇怪的原因，他們選擇根據列的特定長度，在Iframe外部渲染數據幀，並省略列。 那麼我們如何顯示所有列？ 顯示所有列非常容易，只需在show方法中添加bool類型參數即可，如下所示：
等一下那是什麼 沒錯，它會轉到基於文本的數據框，其中的列已打印
在彼此之上。
好消息是，我們過去不得不使用的舊的showall！（）方法現在已棄用，這意味著當我們顯示ALL COLUMNS時不必顯示ALL ROWS。 這很可能是我不久前開始使用字典的原因……
好的，現在我們知道Julia的工作有多困難，但是Pandas呢？ 好吧，您不會認為它是如此簡單，但是您需要的唯一軟件包是Pandas，您唯一需要的方法是read_csv，最後但並非最不重要的是，您可以使用函數df.head（）進行打印 您選擇的頭部長度，然後使用df.tail（）打印您選擇的頭部長度。 更不用說，它看起來像這樣：
相信我，R的數據框架也不如Pandas好，在大多數情況下，使用R和Julia的人傾向於PyCall Pandas，而不是使用各自語言的數據框架包。
脾氣暴躁的
Numpy是Python數據科學三大劍客的另一部分。 Numpy集成允許在數據幀內部使用所有Numpy的線性代數。 此外，Numpy的某些部分使數據處理變得更加容易。 只要看著我在眨眼間銷燬一千多個空值！
重要的是要記住，由於這是一種編程語言，因此香草Python和線性代數實際上並沒有您想象的那樣好。 我認為這僅僅是因為Python比"線性代數"具有更高的水平，而且當然不應該期望它成為許多公司現在深陷其中的統計語言。當然，我的df.dropna（）示例是非常輕巧的，但可以保證在某些時候與Numpy的緊密集成將使您的生活比以前更加輕鬆！
Pandas本身
除了Pandas與其他Python軟件包的出色集成和方法論之外，Pandas還具有許多好處，它們所做的所有出色的開源工作都提供了這些好處。 每一次轉彎，分度，連接，融化，旋轉，甚至交叉製表都可以與Pandas一起完成。 這些任務確實可以使用其他程序包提供一整小時的工作，但是使用Pandas可以輕鬆，即時地完成任務。
藉助replace（）函數之類的簡單工具，可以更輕鬆地使用Pandas，該工具可用於替換NaN或只是奇怪的數據。 Pandas做了很多工作，做了一點工作，這就是它如此受歡迎和令人印象深刻的原因。 但是Pandas還有其他一些巨大的好處。
字符串訪問器
是的，傳說是正確的：
數據框是榮耀的字典。
但是，並非所有字典都是一樣的。 首先，在我所知道的語言中，熊貓的條件屏蔽是迄今為止最好的。
只需一個簡單的步驟，即可對數據進行完全過濾並準備就緒，所有數據都包含在Pandas中，而無需實際運行任何其他方法-因為畢竟這只是一個字典。
Julia也有字典，它們的DataFrames.jl包當然是完全相同的系統，但是在我看來，在這種情況下嘗試與Pandas站在一起時，它的外觀完全不變。 首先，為了使用布爾型，我們使用filter！（）方法。 沒問題，它有點優雅，但無論如何都可以正常工作。 但總體而言，在茱莉亞（Julia）詞典中，有一個非常重要的問題，我感到驚訝的是，沒有涉及太多問題。
Julia的字典命名方案使用符號而不是字符串。 這是非常有問題的，因為在我們所有鍵盤的基礎上都存在著這種邪惡的事物，
空格鍵。
如您所見，典型的字符串命名方案在Julia中不起作用。 取而代之的是，Julia使用的符號是通過在變量名前加一個冒號而創建的。 因此，讓我們嘗試使用符號代替：
好的，這行得通，但是如何在空間上做到這一點？ 嗯，這是個大問題，如果名稱中有空格，則根本無法訪問該列。 當然，大多數數據框的列名中都不會包含空格，因為使用_而不是空格被認為更合適，但是如果有的話該怎麼辦？ 朱莉婭唯一有意義的解決方案是打開CSV文件並在其中更改列名稱，這是一個大問題。
結論
我愛Pandas
Pandas是一個很棒的軟件包，在大多數情況下使Data Science變得輕而易舉。 我當然希望DataFrames.jl能夠模擬Pandas為Python數據科學社區創建的內容。 Pandas真正的優點在於，圍繞它的整個技術堆棧如何與之無縫流動。
Python的世界肯定是一個漂亮的世界。
(本文翻譯自Emmett Boudreau的文章《Pandas Makes Python Better》，參考：https://towardsdatascience.com/pandas-makes-python-better-ec6cc1e30233)
閱讀更多 聞數起舞 的文章
