Pandas使用Python进行数据处理
我想谈了很长时间的事情是Pandas带给Python的力量。 Pandas是Python数据科学必不可少的软件包，因为它用途广泛且非常擅长处理数据。 我真正喜欢Pandas的一个组件是其出色的IPython和Numpy集成。 这就是说，使Pandas与Numpy直接交织在一起，就像花生酱与果冻一样。 难怪这两种组合都打包出售。
除了Smucker的Goober开玩笑之外，Pandas仅仅通过内置Python就能使Python成为Data Science更可行的语言。 这并不是说Python没有许多可以模仿这种效果的出色软件包，因为Python拥有数量众多的用于机器学习和数据处理的软件包。 Pandas使得相对困难的事情，或者在其他语言中更加痛苦的事情，在Python中变得异常容易。
IPython的
支持Pandas的最大事情是-Pandas本身。 该软件包来自第一方，旨在合并数据科学的主要内容，例如IPython Notebooks和Numpy。 将它们组合在一起的方式很有道理，但我不只是告诉您，我还将向您展示使用其他语言的软件包的感觉，这是我的最爱：
Julia
有趣的是，我们用来创建数据框架的软件包是DataFrames.jl。 当然，我们现在将使用逗号分隔值文件（CSV文件）。 所以第一步就是读取我们的数据……但是我们该怎么做呢？ 在更改日志中，简要提到了一种称为read_table的方法，但是在大多数情况下，这似乎已被弃用。
嗯，这就是诀窍，为了使用DataFrames.jl读取我们的DataFrames，我们实际上必须获得另一个名为CSV.jl的程序包。 添加该软件包后，我们可以使用read（）方法打开CSV文件：
<code>using CSVdf = CSV.read("Fizzbuzz")/<code>
太棒了，现在我们已经读完数据，但在顶部看到了一条有趣的消息……
<code>"省略了12列打印"/<code>
好吧，一切都很好，但是为什么呢？ 出于某种奇怪的原因，他们选择根据列的特定长度，在Iframe外部渲染数据帧，并省略列。 那么我们如何显示所有列？ 显示所有列非常容易，只需在show方法中添加bool类型参数即可，如下所示：
等一下那是什么 没错，它会转到基于文本的数据框，其中的列已打印
在彼此之上。
好消息是，我们过去不得不使用的旧的showall！（）方法现在已弃用，这意味着当我们显示ALL COLUMNS时不必显示ALL ROWS。 这很可能是我不久前开始使用字典的原因……
好的，现在我们知道Julia的工作有多困难，但是Pandas呢？ 好吧，您不会认为它是如此简单，但是您需要的唯一软件包是Pandas，您唯一需要的方法是read_csv，最后但并非最不重要的是，您可以使用函数df.head（）进行打印 您选择的头部长度，然后使用df.tail（）打印您选择的头部长度。 更不用说，它看起来像这样：
相信我，R的数据框架也不如Pandas好，在大多数情况下，使用R和Julia的人倾向于PyCall Pandas，而不是使用各自语言的数据框架包。
脾气暴躁的
Numpy是Python数据科学三大剑客的另一部分。 Numpy集成允许在数据帧内部使用所有Numpy的线性代数。 此外，Numpy的某些部分使数据处理变得更加容易。 只要看着我在眨眼间销毁一千多个空值！
重要的是要记住，由于这是一种编程语言，因此香草Python和线性代数实际上并没有您想象的那样好。 我认为这仅仅是因为Python比"线性代数"具有更高的水平，而且当然不应该期望它成为许多公司现在深陷其中的统计语言。当然，我的df.dropna（）示例是非常轻巧的，但可以保证在某些时候与Numpy的紧密集成将使您的生活比以前更加轻松！
Pandas本身
除了Pandas与其他Python软件包的出色集成和方法论之外，Pandas还具有许多好处，它们所做的所有出色的开源工作都提供了这些好处。 每一次转弯，分度，连接，融化，旋转，甚至交叉制表都可以与Pandas一起完成。 这些任务确实可以使用其他程序包提供一整小时的工作，但是使用Pandas可以轻松，即时地完成任务。
借助replace（）函数之类的简单工具，可以更轻松地使用Pandas，该工具可用于替换NaN或只是奇怪的数据。 Pandas做了很多工作，做了一点工作，这就是它如此受欢迎和令人印象深刻的原因。 但是Pandas还有其他一些巨大的好处。
字符串访问器
是的，传说是正确的：
数据框是荣耀的字典。
但是，并非所有字典都是一样的。 首先，在我所知道的语言中，熊猫的条件屏蔽是迄今为止最好的。
只需一个简单的步骤，即可对数据进行完全过滤并准备就绪，所有数据都包含在Pandas中，而无需实际运行任何其他方法-因为毕竟这只是一个字典。
Julia也有字典，它们的DataFrames.jl包当然是完全相同的系统，但是在我看来，在这种情况下尝试与Pandas站在一起时，它的外观完全不变。 首先，为了使用布尔型，我们使用filter！（）方法。 没问题，它有点优雅，但无论如何都可以正常工作。 但总体而言，在茱莉亚（Julia）词典中，有一个非常重要的问题，我感到惊讶的是，没有涉及太多问题。
Julia的字典命名方案使用符号而不是字符串。 这是非常有问题的，因为在我们所有键盘的基础上都存在着这种邪恶的事物，
空格键。
如您所见，典型的字符串命名方案在Julia中不起作用。 取而代之的是，Julia使用的符号是通过在变量名前加一个冒号而创建的。 因此，让我们尝试使用符号代替：
好的，这行得通，但是如何在空间上做到这一点？ 嗯，这是个大问题，如果名称中有空格，则根本无法访问该列。 当然，大多数数据框的列名中都不会包含空格，因为使用_而不是空格被认为更合适，但是如果有的话该怎么办？ 朱莉娅唯一有意义的解决方案是打开CSV文件并在其中更改列名称，这是一个大问题。
结论
我爱Pandas
Pandas是一个很棒的软件包，在大多数情况下使Data Science变得轻而易举。 我当然希望DataFrames.jl能够模拟Pandas为Python数据科学社区创建的内容。 Pandas真正的优点在于，围绕它的整个技术堆栈如何与之无缝流动。
Python的世界肯定是一个漂亮的世界。
(本文翻译自Emmett Boudreau的文章《Pandas Makes Python Better》，参考：https://towardsdatascience.com/pandas-makes-python-better-ec6cc1e30233)