文|劉順祥

我們接著上次分享給大家的兩篇文章：和，繼續討論使用Python中的pandas模塊進行數據分。在接下來的兩期pandas介紹中將學習到如下8塊內容：
1、數據結構簡介：DataFrame和Series
2、數據索引index
3、利用pandas查詢數據
4、利用pandas的DataFrames進行統計分析
5、利用pandas實現SQL操作
6、利用pandas進行缺失值的處理
7、利用pandas實現Excel的數據透視表功能
8、多層索引的使用

一、數據結構介紹

在pandas中有兩類非常重要的數據結構，即序列Series和數據框DataFrame。Series類似于numpy中的一維數組，除了通吃一維數組可用的函數或方法，而且其可通過索引標簽的方式獲取數據，還具有索引的自動對齊功能；DataFrame類似于numpy中的二維數組，同樣可以通用numpy數組的函數和方法，而且還具有其他靈活應用，后續會介紹到。

1、Series的創建

序列的創建主要有三種方式：

1）通過一維數組創建序列

1.import numpy as np, pandas as pd
2.arr1 = np.arange(10)
3.arr1
4.type(arr1)
5.
6.s1 = pd.Series(arr1)
7.s1
8.type(s1)

2）通過字典的方式創建序列

1.dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}
2.dic1
3.type(dic1)
4.
5.s2 = pd.Series(dic1)
6..s2
7.type(s2)

3）通過DataFrame中的某一行或某一列創建序列

這部分內容我們放在后面講，因為下面就開始將DataFrame的創建。

2、DataFrame的創建

數據框的創建主要有三種方式：

1）通過二維數組創建數據框

1.arr2 = np.array(np.arange(12)).reshape(4,3)
2.arr2
3.type(arr2)
4.
5.df1 = pd.DataFrame(arr2)
6.df1
7.type(df1)

2）通過字典的方式創建數據框

以下以兩種字典來創建數據框，一個是字典列表，一個是嵌套字典。

1.dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],
2.'c':[9,10,11,12],'d':[13,14,15,16]}
3.dic2
4.type(dic2)
5.
6.df2 = pd.DataFrame(dic2)
7.df2
8.type(df2)
9.
10.dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},
11.'two':{'a':5,'b':6,'c':7,'d':8},
12.'three':{'a':9,'b':10,'c':11,'d':12}}
13.dic3
14.type(dic3)
15.
16.df3 = pd.DataFrame(dic3)
17.df3
18.type(df3)

3）通過數據框的方式創建數據框

1.df4 = df3[['one','three']]
2.df4
3.type(df4)
4.
5.s3 = df3['one']
6.s3
7.type(s3)

二、數據索引index

細致的朋友可能會發現一個現象，不論是序列也好，還是數據框也好，對象的最左邊總有一個非原始數據對象，這個是什么呢？不錯，就是我們接下來要介紹的索引。
 在我看來，序列或數據框的索引有兩大用處，一個是通過索引值或索引標簽獲取目標數據，另一個是通過索引，可以使序列或數據框的計算、操作實現自動化對齊，下面我們就來看看這兩個功能的應用。

1、通過索引值或索引標簽獲取數據

1.s4 = pd.Series(np.array([1,1,2,3,5,8]))
2.s4

如果不給序列一個指定的索引值，則序列自動生成一個從0開始的自增索引。可以通過index查看序列的索引：

 1.s4.index

現在我們為序列設定一個自定義的索引值：

1.s4.index = ['a','b','c','d','e','f']
2.s4

序列有了索引，就可以通過索引值或索引標簽進行數據的獲取：

1.s4[3]
2.s4['e']
3.s4[[1,3,5]]
4.s4[['a','b','d','f']]
5.s4[:4]
6.s4['c':]
7.s4['b':'e']

千萬注意：如果通過索引標簽獲取數據的話，末端標簽所對應的值是可以返回的！在一維數組中，就無法通過索引標簽獲取數據，這也是序列不同于一維數組的一個方面。

2、自動化對齊

如果有兩個序列，需要對這兩個序列進行算術運算，這時索引的存在就體現的它的價值了—自動化對齊.

1.s5 = pd.Series(np.array([10,15,20,30,55,80]),
2.index = ['a','b','c','d','e','f'])
3.s5
4.s6 = pd.Series(np.array([12,11,13,15,14,16]),
5.index = ['a','c','g','b','d','f'])
6.s6
7.
8.s5 + s6
9.s5/s6

由于s5中沒有對應的g索引，s6中沒有對應的e索引，所以數據的運算會產生兩個缺失值NaN。注意，這里的算術結果就實現了兩個序列索引的自動對齊，而非簡單的將兩個序列加總或相除。對于數據框的對齊，不僅僅是行索引的自動對齊，同時也會自動對齊列索引（變量名）

數據框中同樣有索引，而且數據框是二維數組的推廣，所以其不僅有行索引，而且還存在列索引，關于數據框中的索引相比于序列的應用要強大的多，這部分內容將放在數據查詢中講解。

三、利用pandas查詢數據

這里的查詢數據相當于R語言里的subset功能，可以通過布爾索引有針對的選取原數據的子集、指定行、指定列等。我們先導入一個student數據集：

1.student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')

查詢數據的前5行或末尾5行

1.student.head()
2.student.tail()

查詢指定的行

 1.student.ix[[0,2,4,5,7]] #這里的ix索引標簽函數必須是中括號[]

查詢指定的列

1.student[['Name','Height','Weight']].head() #如果多個列的話，必須使用雙重中括號

也可以通過ix索引標簽查詢指定的列

1.student.ix[:,['Name','Height','Weight']].head()

查詢指定的行和列

1.student.ix[[0,2,4,5,7],['Name','Height','Weight']].head()

以上是從行或列的角度查詢數據的子集，現在我們來看看如何通過布爾索引實現數據的子集查詢。
查詢所有女生的信息

1.student[student['Sex']=='F']

查詢出所有12歲以上的女生信息

1.student[(student['Sex']=='F') & (student['Age']>12)]

查詢出所有12歲以上的女生姓名、身高和體重

1.student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]

上面的查詢邏輯其實非常的簡單，需要注意的是，如果是多個條件的查詢，必須在&（且）或者|（或）的兩端條件用括號括起來。

四、統計分析

pandas模塊為我們提供了非常多的描述性統計分析的指標函數，如總和、均值、最小值、最大值等，我們來具體看看這些函數：
首先隨機生成三組數據

1.np.random.seed(1234)
2.d1 = pd.Series(2*np.random.normal(size = 100)+3)
3.d2 = np.random.f(2,4,size = 100)
4.d3 = np.random.randint(1,100,size = 100)
5.
6.d1.count() #非空元素計算
7.d1.min() #最小值
8.d1.max() #最大值
9.d1.idxmin() #最小值的位置，類似于R中的which.min函數
10.d1.idxmax() #最大值的位置，類似于R中的which.max函數
11.d1.quantile(0.1) #10%分位數
12.d1.sum() #求和
13.d1.mean() #均值
14.d1.median() #中位數
15.d1.mode() #眾數
16.d1.var() #方差
17.d1.std() #標準差
18.d1.mad() #平均絕對偏差
19.d1.skew() #偏度
20.d1.kurt() #峰度
21.d1.describe() #一次性輸出多個描述性統計指標

必須注意的是，descirbe方法只能針對序列或數據框，一維數組是沒有這個方法的

這里自定義一個函數，將這些統計描述指標全部匯總到一起:

1.def stats(x):
2.return pd.Series([x.count(),x.min(),x.idxmin(),
3.x.quantile(.25),x.median(),
4.x.quantile(.75),x.mean(),
5.x.max(),x.idxmax(),
6.x.mad(),x.var(),
7.x.std(),x.skew(),x.kurt()],
8.index = ['Count','Min','Whicn_Min',
9.'Q1','Median','Q3','Mean',
10.'Max','Which_Max','Mad',
11.'Var','Std','Skew','Kurt'])
12.stats(d1)

在實際的工作中，我們可能需要處理的是一系列的數值型數據框，如何將這個函數應用到數據框中的每一列呢？可以使用apply函數，這個非常類似于R中的apply的應用方法。
將之前創建的d1,d2,d3數據構建數據框:

1.df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
2.df.head()
3.df.apply(stats)

非常完美，就這樣很簡單的創建了數值型數據的統計性描述。如果是離散型數據呢？就不能用這個統計口徑了，我們需要統計離散變量的觀測數、唯一值個數、眾數水平及個數。你只需要使用describe方法就可以實現這樣的統計了。

1.student['Sex'].describe()

除以上的簡單描述性統計之外，還提供了連續變量的相關系數（corr）和協方差矩陣（cov）的求解，這個跟R語言是一致的用法。

1.df.corr()

關于相關系數的計算可以調用pearson方法或kendell方法或spearman方法，默認使用pearson方法。

1.df.corr('spearman')

如果只想關注某一個變量與其余變量的相關系數的話，可以使用corrwith,如下方只關心x1與其余變量的相關系數:

1.df.corrwith(df['x1'])

數值型變量間的協方差矩陣

1.df.cov()

今天就介紹到這里，在下一期中我們繼續剩余部分的介紹和講解。