对象的创建
- 导入 Pandas 时，通常给其一个别名“pd”，即 import pandas as pd。
- 作为标签库，Pandas 对象在 NumPy 数组基础上给予其行列标签。可以说，列表之于字典，就如 NumPy 之于 Pandas。
- Pandas 中，所有数组特性仍在，Pandas 的数据以 NumPy 数组的方式存储。
一维对象的创建
- 字典创建法
NumPy 中，可以通过 np.array()函数，将 Python 列表转化为 NumPy 数组；同样，Pandas 中，可以通过 pd.Series()函数，将 Python 字典转化为 Series 对象。
import pandas as pd
# 创建字典
dict_v = { 'a':0, 'b':0.25, 'c':0.5, 'd':0.75, 'e':1 }
# 用字典创建对象
sr = pd.Series( dict_v )
sr #OUT:a 0.00# b 0.25# c 0.50# d 0.75# e 1.00# dtype: float64
- 数组创建法
最直接的创建方法即直接给 pd.Series()函数参数，其需要两个参数。第一个参数是值 values（列表、数组、张量均可），第二个参数是键 index（索引）。
import pandas as pd
# 先定义键与值
v = [0, 0.25, 0.5, 0.75, 1]
k = ['a', 'b', 'c', 'd', 'e']# 用列表创建对象
sr = pd.Series( v, index=k )
sr #OUT:a 0.00# b 0.25# c 0.50# d 0.75# e 1.00# dtype: float64
其中，参数 index 可以省略，省略后索引即从 0 开始的顺序数字。
一维对象的属性
Series 对象有两个属性：values 与 index。
import numpy as np
import pandas as pd
# 用数组创建 sr
v = np.array( [ 53, 64, 72, 82 ] )
k = ['1 号', '2 号', '3 号', '4 号']
sr = pd.Series( v, index=k )
sr #OUT:1 号 53# 2 号 64# 3 号 72# 4 号 82# dtype: int32
# 查看 values 属性
sr.values #OUT:array([53, 64, 72, 82])
# 查看 index 属性
sr.index #OUT:Index(['1 号', '2 号', '3 号', '4 号'], dtype='object')
事实上，无论是用列表、数组还是张量来创建对象，最终 values 均为数组。虽然 Pandas 对象的第一个参数 values 可以传入列表、数组与张量，但传进去后默认的存储方式是 NumPy 数组。这一点更加提醒我们，Pandas 是建立在 NumPy 基础上的库，没有 NumPy 数组库就没有 Pandas 数据处理库。当想要 Pandas 退化为 NumPy 时，查看其 values 属性即可。
二维对象的创建
二维对象将面向矩阵，其不仅有行标签 index，还有列标签 columns。
- 字典创建法
用字典法创建二维对象时，必须基于多个 Series 对象，每一个 Series 就是一列数据，相当于对一列一列的数据作拼接。
- 创建 Series 对象时，字典的键是 index，其延展方向是竖直方向；
- 创建 DataFrame 对象时，字典的键是 columns，其延展方向是水平方向。
import pandas as pd
# 创建 sr1：各个病人的年龄
v1 = [ 53, 64, 72, 82 ]
i = [ '1 号', '2 号', '3 号', '4 号' ]
sr1 = pd.Series( v1, index=i )
sr1 #OUT:1 号 53# 2 号 64# 3 号 72# 4 号 82# dtype: int32# 创建 sr2：各个病人的性别
v2 = [ '女', '男', '男', '女' ]
i = [ '1 号', '2 号', '3 号', '4 号' ]
sr2 = pd.Series( v2, index=i )
sr2 #OUT:1 号 女# 2 号 男# 3 号 男# 4 号 女# dtype: object
# 创建 df 对象
df = pd.DataFrame( { '年龄':sr1, '性别':sr2 } )
df #OUT: 年龄 性别# 1 号 53 女# 2 号 64 男# 3 号 72 男# 4 号 82 女
如果 sr1 和 sr2 的 index 不完全一致，那么二维对象的 index 会取 sr1 与 sr2的所有 index，相应的，该对象就会产生一定数量的缺失值（NaN）。
2. 数组创建法
最直接的创建方法即直接给 pd.DataFrame 函数参数，其需要三个参数。第一个参数是值 values（数组），第二个参数是行标签 index，第三个参数是列标签columns。其中，index 和 columns 参数可以省略，省略后即从 0 开始的顺序数字。
import numpy as np
import pandas as pd
# 设定键值
v = np.array( [ [53, '女'], [64, '男'], [72, '男'], [82, '女'] ] )
i = [ '1 号', '2 号', '3 号', '4 号' ]
c = [ '年龄', '性别' ]
# 数组创建法
df = pd.DataFrame( v, index=i, columns=c )
df #OUT: 年龄 性别# 1 号 53 女# 2 号 64 男# 3 号 72 男# 4 号 82 女
上述 NumPy 数组居然又含数字又含字符串，上一篇博文中明明讲过数组只能容纳一种变量类型。这里的原理是，数组默默把数字转为了字符串，于是 v 就是一个字符串型数组。
二维对象的属性
DataFrame 对象有三个属性：values、index 与 columns。
import pandas as pd
# 设定键值
v = [ [53, '女'], [64, '男'], [72, '男'], [82, '女'] ]
i = [ '1 号', '2 号', '3 号', '4 号' ]
c = [ '年龄', '性别' ]
# 数组创建法
df = pd.DataFrame( v, index=i, columns=c )
df #OUT: 年龄 性别# 1 号 53 女# 2 号 64 男# 3 号 72 男# 4 号 82 女
# 查看 values 属性 # 查看 index 属性
df.index #OUT:array([[53, '女'],# [64, '男'],# [72, '男'],# [82, '女']], dtype=object)
# 查看 index 属性
df.index #OUT:Index(['1 号', '2 号', '3 号', '4 号'], dtype='object')
# 查看 columns 属性
df.columns #OUT:Index(['年龄', '性别'], dtype='object')
当想要 Pandas 退化为 NumPy 时，查看其 values 属性即可。
# 提取完整的数组
arr = df.values
print(arr) #OUT:[['53' '女']# ['64' '男']# ['72' '男']# ['82' '女']]
# 提取第[0]列，并转化为一个整数型数组
arr = arr[:,0].astype(int)
print(arr) #OUT:[53 64 72 82]
由于数组只能容纳一种变量类型，因此需要 .astype(int) 的操作。但对象不用，对象每一列的存储方式是单独的，这就很好的兼容了大数据的特性。
对象的索引
在学习 Pandas 的索引之前，需要知道
- Pandas 的索引分为显式索引与隐式索引。显式索引是使用 Pandas 对象提供的索引，而隐式索引是使用数组本身自带的从 0 开始的索引。
- 现假设某演示代码中的索引是整数，这个时候显式索引和隐式索引可能会出乱子。于是，Pandas 作者发明了索引器 loc（显式）与 iloc（隐式），手动告诉程序自己这句话是显式索引还是隐式索引。
一维对象的索引
- 访问元素
import pandas as pd
# 创建 sr
v = [ 53, 64, 72, 82 ]
k = ['1 号', '2 号', '3 号', '4 号']
sr = pd.Series( v, index=k )
sr #OUT:1 号 53# 2 号 64# 3 号 72# 4 号 82# dtype: int64
# 访问元素
sr.loc[ '3 号' ] #OUT:72 显示索引
sr.iloc[ 2 ] #OUT:72 隐式索引
# 花式索引
sr.loc[ [ '1 号', '3 号' ] ] #OUT:1 号 53 显示索引# 3 号 72# dtype: int64
sr.iloc[ [ 0, 2 ] ] #OUT:1 号 53 隐式索引# 3 号 72# dtype: int64
# 修改元素
sr.loc[ '3 号' ] = 100
sr #OUT:1 号 53 显示索引# 2 号 64# 3 号 100# 4 号 82# dtype: int64
# 修改元素
sr.iloc[ 2 ] = 100
sr #OUT:1 号 53 隐式索引# 2 号 64# 3 号 100# 4 号 82# dtype: int64
- 访问切片
使用显式索引时，‘1 号’:‘3 号’ 可以涵盖最后一个’3 号’，但隐式与之前一样。
import pandas as pd
# 创建 sr
v = [ 53, 64, 72, 82 ]
k = ['1 号', '2 号', '3 号', '4 号']
sr = pd.Series( v, index=k )
sr #OUT:1 号 53# 2 号 64# 3 号 72# 4 号 82# dtype: int64
# 访问切片
sr.loc[ '1 号':'3 号' ] #OUT: 1 号 53 显示索引# 2 号 64# 3 号 72# dtype: int64
sr.iloc[ 0:3 ] #OUT:1 号 53 隐式索引# 2 号 64# 3 号 72# dtype: int64# 切片仅是视图
cut = sr.loc[ '1 号':'3 号' ]
cut.loc['1 号'] = 100
sr #OUT: 1 号 53 显示索引# 2 号 64# 3 号 72# dtype: int64
cut = sr.iloc[ 0:3 ]
cut.iloc[0] = 100
sr #OUT:1 号 53 隐式索引# 2 号 64# 3 号 72# dtype: int64
# 对象赋值仅是绑定
cut = sr
cut.loc['3 号'] = 200
sr #OUT:1 号 100 显示索引# 2 号 64# 3 号 200# 4 号 82# dtype: int64
cut = sr
cut.iloc[2] = 200
sr #OUT:1 号 100 隐式索引# 2 号 64# 3 号 200# 4 号 82# dtype: int64
若想创建新变量，与 NumPy 一样，使用.copy()方法即可。如果去掉 .loc 和 .iloc ，此时与 NumPy 中的索引语法完全一致。
二维对象的索引
在二维对象中，索引器不能去掉，否则会报错，因此必须适应索引器的存在。
- 访问元素：
import pandas as pd# 字典创建法
i = [ '1 号', '2 号', '3 号', '4 号' ]
v1 = [ 53, 64, 72, 82 ]
v2 = [ '女', '男', '男', '女' ]
sr1 = pd.Series( v1, index=i )
sr2 = pd.Series( v2, index=i )
df = pd.DataFrame( { '年龄':sr1, '性别':sr2 } )
df #OUT:# 年龄 性别# 1 号 53 女# 2 号 64 男# 3 号 72 男# 4 号 82 女
# 访问元素
df.loc[ '1 号', '年龄' ] #OUT:53
df.iloc[ 0, 0 ] #OUT:53
# 花式索引
df.loc[ ['1 号', '3 号'] , ['性别','年龄'] ] #OUT: 性别 年龄# 1 号 女 53# 3 号 男 72
df.iloc[ [0,2], [1,0] ] #OUT: 性别 年龄# 1 号 女 53# 3 号 男 72
# 修改元素
df.loc[ '3 号', '年龄' ] = 100
df #OUT:# 年龄 性别# 1 号 53 女# 2 号 64 男# 3 号 100 男# 4 号 82 女
df.iloc[ 2, 0 ] = 100
df #OUT:# 年龄 性别# 1 号 53 女# 2 号 64 男# 3 号 100 男# 4 号 82 女
在 NumPy 数组中，花式索引输出的是一个向量。但在 Pandas 对象中，考虑到其行列标签的信息不能丢失，所以输出一个向量就不行了。
2. 访问切片
import pandas as pd# 数组创建法
v = [ [53, '女'], [64, '男'], [72, '男'], [82, '女'] ]
i = [ '1 号', '2 号', '3 号', '4 号' ]
c = [ '年龄', '性别' ]
df = pd.DataFrame( v, index=i, columns=c )
df #OUT:# 年龄 性别# 1 号 53 女# 2 号 64 男# 3 号 72 男# 4 号 82 女
# 切片
df.loc[ '1 号':'3 号' , '年龄' ] #OUT: 1 号 53# 2 号 64# 3 号 72# Name: 年龄, dtype: int64
df.iloc[ 0:3 , 0 ] #OUT: 1 号 53# 2 号 64# 3 号 72# Name: 年龄, dtype: int64# 提取二维对象的行
df.loc[ '3 号' , : ] #OUT: 年龄 72# 性别 男# Name: 3 号, dtype: object
df.iloc[ 2 , : ] #OUT: 年龄 72# 性别 男# Name: 3 号, dtype: object
# 提取矩阵对象的列
df.loc[ : , '年龄' ] #OUT: 1 号 53# 2 号 64# 3 号 72# 4 号 82# Name: 年龄, dtype: int64
df.iloc[ : , 0 ] #OUT: 1 号 53# 2 号 64# 3 号 72# 4 号 82# Name: 年龄, dtype: int64
在显示索引中，提取矩阵的行或列还有一种简便写法，即
- 提取二维对象的行：df.loc[ ‘3 号’]（原理是省略后面的冒号，隐式也可以）
- 提取二维对象的列：df [‘年龄’ ]（原理是列标签本身就是二维对象的键）
对象的变形
对象的转置
有时候提供的大数据很畸形，行是特征，列是个体，这必须要先进行转置。
import pandas as pd
# 创建畸形 df
v = [ [53, 64, 72, 82], [ '女', '男', '男', '女' ] ]
i = [ '年龄', '性别' ]
c = [ '1 号', '2 号', '3 号', '4 号' ]
df = pd.DataFrame( v, index=i, columns=c )
df #OUT: 1 号 2 号 3 号 4 号#年龄 53 64 72 82#性别 女 男 男 女
# 转置
df = df.T
df #OUT:# 年龄 性别#1 号 53 女#2 号 64 男#3 号 72 男#4 号 82 女
对象的翻转
# 左右翻转
df = df.iloc[ : , : : -1 ]
df #OUT:# 性别 年龄 #1 号 女 53 #2 号 男 64 #3 号 男 72 #4 号 女 82 # 上下翻转
df = df.iloc[ : : -1 , : ]
df #OUT:# 性别 年龄 #4 号 女 82#3 号 男 72#2 号 男 64#1 号 女 53
对象的重塑
考虑到对象是含有行列标签的，.reshape()已不再适用，因此对象的重塑没有那么灵活。但可以做到将 sr 并入 df，也可以将 df 割出 sr。
import pandas as pd
# 数组法创建 sr
i = [ '1 号', '2 号', '3 号', '4 号' ]
v1 = [ 10, 20, 30, 40 ]
v2 = [ '女', '男', '男', '女' ]
v3 = [ 1, 2, 3, 4 ]
sr1 = pd.Series( v1, index=i )
sr2 = pd.Series( v2, index=i )
sr3 = pd.Series( v3, index=i )
sr1, sr2, sr3 #OUT:(1 号 10 1 号 女 1 号 1#OUT:2 号 20 2 号 男 2 号 2#OUT:3 号 30 3 号 男 3 号 3#OUT:4 号 40 4 号 女 4 号 4#OUT:dtype: int64, dtype: object, dtype: int64)
# 字典法创建 df
df = pd.DataFrame( { '年龄':sr1, '性别':sr2 } )
df #OUT:年龄 性别#1 号 10 女#2 号 20 男#3 号 30 男#4 号 40 女
# 把 sr 并入 df 中
df['牌照'] = sr3
df #OUT: 年龄 性别 牌照#1 号 10 女 1#2 号 20 男 2#3 号 30 男 3#4 号 40 女 4
# 把 df['年龄']分离成 sr4
sr4 = df['年龄']
sr4 #OUT:1 号 10#2 号 20#3 号 30#4 号 40#Name: 年龄, dtype: int64
对象的拼接
Pandas 中有一个 pd.concat()函数，与 np.concatenate()函数语法相似。
- 一维对象的合并
import pandas as pd# 创建 sr1 和 sr2
v1 = [10, 20, 30, 40]
v2 = [40, 50, 60]
k1 = [ '1 号', '2 号', '3 号', '4 号' ]
k2 = [ '4 号', '5 号', '6 号' ]
sr1 = pd.Series( v1, index= k1 )
sr2 = pd.Series( v2, index= k2 )
sr1, sr2 #OUT:(1 号 10# 2 号 20# 3 号 30# 4 号 40# dtype: int64,# 4 号 40# 5 号 50# 6 号 60# dtype: int64)
# 合并
pd.concat( [sr1, sr2] ) #OUT:1 号 10# 2 号 20# 3 号 30# 4 号 40# 4 号 40# 5 号 50# 6 号 60# dtype: int64
值得注意的是，上述出现了两个“4 号”，这是因为 Pandas 对象的属性，放弃了集合与字典索引中“不可重复”的特性，实际中，这可以拓展大数据分析与处理的应用场景。那么，如何保证索引是不重复的呢？对对象的属性 .index 或 .columns 使用 .is_unique 即可检查，返回 True表示行或列不重复，False 表示有重复
sr3 = pd.concat( [sr1, sr2] )
sr3.index.is_unique #OUT:False
- 一维对象与二维对象的合并
一维对象与二维对象的合并，即可理解为：给二维对象加上一列或者一行。因此，不必使用 pd.concat()函数，只需要借助 2.2 小节“二维对象的索引”语法。
import pandas as pd
# 创建 sr1 与 sr2
v1 = [ 10, 20, 30]
v2 = [ '女', '男', '男']
sr1 = pd.Series( v1, index=[ '1 号', '2 号', '3 号'] )
sr2 = pd.Series( v2, index=[ '1 号', '2 号', '3 号'] )
sr1, sr2 #OUT:(1 号 10# 2 号 20# 3 号 30# dtype: int64,# 1 号 女# 2 号 男# 3 号 男# dtype: object)
# 创建 df
df = pd.DataFrame( { '年龄':sr1, '性别':sr2 } )
df #OUT:# 年龄 性别#1 号 10 女#2 号 20 男#3 号 30 男
# 加上一列
df['牌照'] = [1, 2, 3]
df #OUT:# 年龄 性别 牌照#1 号 10 女 1#2 号 20 男 2#3 号 30 男 3
# 加上一行
df.loc['4 号'] = [40, '女', 4]
df #OUT:# 年龄 性别 牌照#1 号 10 女 1#2 号 20 男 2#3 号 30 男 3#4 号 40 女 4
- 二维对象的合并
二维对象合并仍然用 pd.concat()函数，不过其多了一个 axis 参数。
import pandas as pd
# 设定 df1、df2、df3
v1 = [ [10, '女'], [20, '男'], [30, '男'], [40, '女'] ]
v2 = [ [1, '是'], [2, '是'], [3, '是'], [4, '否'] ]
v3 = [ [50, '男', 5, '是'], [60, '女', 6, '是'] ]
i1 = [ '1 号', '2 号', '3 号', '4 号' ]
i2 = [ '1 号', '2 号', '3 号', '4 号' ]
i3 = [ '5 号', '6 号' ]
c1 = [ '年龄', '性别' ]
c2 = [ '牌照', 'ikun' ]
c3 = [ '年龄', '性别', '牌照', 'ikun' ]
df1 = pd.DataFrame( v1, index=i1, columns=c1 )
df2 = pd.DataFrame( v2, index=i2, columns=c2 )
df3 = pd.DataFrame( v3, index=i3, columns=c3 )
df1 #OUT:# 年龄 性别#1 号 10 女#2 号 20 男#3 号 30 男#4 号 40 女
df2 #OUT:# 牌照 ikun#1 号 1 是#2 号 2 是#3 号 3 是#4 号 4 否
df3 #OUT:# 年龄 性别 牌照 ikun#5 号 50 男 5 是#6 号 60 女 6 是
# 合并列对象（添加列特征）
df = pd.concat( [df1,df2], axis=1 )
df #OUT: 年龄 性别 牌照 ikun#1 号 10 女 1 是#2 号 20 男 2 是#3 号 30 男 3 是#4 号 40 女 4 否
# 合并行对象（添加行个体）
df = pd.concat( [df,df3] )
df #OUT:# 年龄 性别 牌照 ikun#1 号 10 女 1 是#2 号 20 男 2 是#3 号 30 男 3 是#4 号 40 女 4 否#5 号 50 男 5 是#6 号 60 女 6 是
对象的运算
对象与系数之间的运算
- 一维对象
import pandas as pd
# 创建 sr
sr = pd.Series( [ 53, 64, 72 ] , index=['1 号', '2 号', '3 号'] )
sr #OUT:1 号 53# 2 号 64# 3 号 72# dtype: int64
sr = sr + 10
sr #OUT:1 号 63# 2 号 74# 3 号 82# dtype: int64
sr = sr * 10
sr #OUT:1 号 630# 2 号 740# 3 号 820# dtype: int64
sr = sr ** 2
sr #OUT:1 号 396900# 2 号 547600# 3 号 672400# dtype: int64
- 二维对象
import pandas as pd
# 创建 df
v = [ [53, '女'], [64, '男'], [72, '男'] ]
df = pd.DataFrame( v, index=[ '1 号', '2 号', '3 号' ], columns=[ '年龄', '性别' ] )
df #OUT: 年龄 性别#1 号 53 女#2 号 64 男#3 号 72 男
df['年龄'] = df['年龄'] + 10
df #OUT: 年龄 性别#1 号 63 女#2 号 74 男#3 号 82 男
df['年龄'] = df['年龄'] * 10
df #OUT: 年龄 性别#1 号 630 女#2 号 740 男#3 号 820 男
df['年龄'] = df['年龄'] ** 2
df #OUT: 年龄 性别#1 号 396900 女#2 号 547600 男#3 号 672400 男
对象与对象之间的运算
对象做运算，必须保证其都是数字型对象，两个对象之间的维度可以不同。
- 一维对象之间的运算
import pandas as pd# 创建 sr1
v1 = [10, 20, 30, 40]
k1 = [ '1 号', '2 号', '3 号', '4 号' ]
sr1 = pd.Series( v1, index= k1 )
sr1 #OUT:1 号 10# 2 号 20# 3 号 30# 4 号 40# dtype: int64
# 创建 sr2
v2 = [1, 2, 3 ]
k2 = [ '1 号', '2 号', '3 号' ]
sr2 = pd.Series( v2, index= k2 )
sr2 #OUT: 1 号 1# 2 号 2# 3 号 3# dtype: int64
sr1 + sr2 #OUT:1 号 11.0 加法# 2 号 22.0# 3 号 33.0# 4 号 NaN# dtype: float64
sr1 - sr2 #OUT:1 号 9.0 减法# 2 号 18.0# 3 号 27.0# 4 号 NaN# dtype: float64
sr1 * sr2 #OUT:1 号 10.0 乘法# 2 号 40.0# 3 号 90.0# 4 号 NaN# dtype: float64
sr1 / sr2 #OUT:1 号 10.0 乘法# 2 号 10.0# 3 号 10.0# 4 号 NaN# dtype: float64
sr1 ** sr2 #OUT:1 号 10.0 乘法# 2 号 400.0# 3 号 27000.0# 4 号 NaN# dtype: float64
- 二维对象之间的运算
import pandas as pd
# 设定 df1 和 df2
v1 = [ [10, '女'], [20, '男'], [30, '男'], [40, '女'] ]
v2 = [ 1, 2 ,3, 6 ]
i1 = [ '1 号', '2 号', '3 号', '4 号' ]; c1 = [ '年龄', '性别' ]
i2 = [ '1 号', '2 号', '3 号', '6 号' ]; c2 = [ '牌照' ]
df1 = pd.DataFrame( v1, index=i1, columns=c1 )
df2 = pd.DataFrame( v2, index=i2, columns=c2 )
df1 #OUT:# 年龄 性别#1 号 10 女#2 号 20 男#3 号 30 男#4 号 40 女
df2 #OUT:# 牌照#1 号 1#2 号 2#3 号 3#6 号 6
# 加法
df1['加法'] = df1['年龄'] + df2['牌照']
df1 #OUT:# 年龄 性别 加法#1 号 10 女 11.0#2 号 20 男 22.0#3 号 30 男 33.0#4 号 40 女 NaN
# 减法、乘法、除法、幂方
df1['减法'] = df1['年龄'] - df2['牌照']
df1['乘法'] = df1['年龄'] * df2['牌照']
df1['除法'] = df1['年龄'] / df2['牌照']
df1['幂方'] = df1['年龄'] ** df2['牌照']
df1 #OUT:# 年龄 性别 加法 减法 乘法 除法 幂方#1 号 10 女 11.0 9.0 10.0 10.0 10.0#2 号 20 男 22.0 18.0 40.0 10.0 400.0#3 号 30 男 33.0 27.0 90.0 10.0 27000.0#4 号 40 女 NaN NaN NaN NaN NaN
- 使用 np.abs()、np.cos()、np.exp()、np.log() 等数学函数时，会保留索引；
- Pandas 中仍然存在布尔型对象，用法与 NumPy 无异，会保留索引。
对象的缺失值
发现缺失值
发现缺失值使用 .isnull() 方法。
import pandas as pd
# 创建 sr
v = [ 53, None, 72, 82 ]
k = ['1 号', '2 号', '3 号', '4 号']
sr = pd.Series( v, index=k )
sr #OUT:1 号 53.0#2 号 NaN#3 号 72.0#4 号 82.0#dtype: float64
# 创建 df
v = [ [None, 1], [64, None], [72, 3], [82, 4] ]
i = [ '1 号', '2 号', '3 号', '4 号' ]
c = [ '年龄', '牌照' ]
df = pd.DataFrame( v, index=i, columns=c )
df #OUT: 年龄 牌照#1 号 NaN 1.0#2 号 64.0 NaN#3 号 72.0 3.0#4 号 82.0 4.0
# 发现 sr 的缺失值
sr.isnull() #OUT: 1 号 False# 2 号 True# 3 号 False# 4 号 False# dtype: float64
df.isnull() #OUT: 年龄 牌照#1 号 True False#2 号 False True#3 号 False False#4 号 False False
除了.isnull() 方法，还有一个与之相反的 .notnull() 方法，但不如在开头加一个非号“~”即可。
剔除缺失值
剔除缺失值使用 .dropna() 方法，一维对象很好剔除；二维对象比较复杂，要么单独剔除 df 中含有缺失值的行，要么剔除 df 中含有缺失值的列。
import pandas as pd
# 创建 sr
v = [ 53, None, 72, 82 ]
k = ['1 号', '2 号', '3 号', '4 号']
sr = pd.Series( v, index=k )
sr #OUT:1 号 53.0#2 号 NaN#3 号 72.0#4 号 82.0#dtype: float64
# 剔除 sr 的缺失值
sr.dropna() #OUT:1 号 53.0#3 号 72.0#4 号 82.0#dtype: float64# 创建 df
v = [ [None, None], [64, None], [72, 3], [82, 4] ]
i = [ '1 号', '2 号', '3 号', '4 号' ]
c = [ '年龄', '牌照' ]
df = pd.DataFrame( v, index=i, columns=c )
df #OUT: 年龄 牌照#1 号 NaN NaN#2 号 64.0 NaN#3 号 72.0 3.0#4 号 82.0 4.0
df.dropna() #OUT: 年龄 牌照#3 号 72.0 3.0#4 号 82.0 4.0
把含有 NaN 的行剔除掉了，你也可以通过 df.dropna(axis=‘columns’)的方式剔除列。但请警惕，一般都是剔除行，只因大数据中行是个体，列是特征。
有些同学认为，只要某行含有一个 NaN 就剔除该个体太过残忍，我们可以设定一个参数，只有当该行全部是 NaN，才剔除该列特征。
df.dropna(how='all') #OUT: 年龄 牌照#2 号 64.0 NaN#3 号 72.0 3.0#4 号 82.0 4.0
ps:也可以设置缺失值大于几行时剔除。
填补缺失值
填充缺失值使用 .fillna() 方法，实际的数据填充没有统一的方法，很灵活。
- 一维对象
import pandas as pd
# 创建 sr
v = [ 53, None, 72, 82 ]
sr = pd.Series( v, index=['1 号', '2 号', '3 号', '4 号'] )
sr #OUT:1 号 53.0#2 号 NaN#3 号 72.0#4 号 82.0#dtype: float64
# 用常数（0）填充
sr.fillna(0) #OUT:1 号 53.0#2 号 0.0#3 号 72.0#4 号 82.0#dtype: float64
# 用常数（均值）填充
import numpy as np
sr.fillna(np.mean(sr)) #OUT:1 号 53.0#2 号 69.0#3 号 72.0#4 号 82.0#dtype: float64
# 用前值填充
sr.fillna(method='ffill') #OUT:1 号 53.0#2 号 53.0#3 号 72.0#4 号 82.0#dtype: float64
# 用后值填充
sr.fillna(method='bfill') #OUT:1 号 53.0#2 号 72.0#3 号 72.0#4 号 82.0#dtype: float64
- 二维对象
import pandas as pd
# 设定 df
v = [ [None, None], [64, None], [72, 3], [82, 4] ]
i = [ '1 号', '2 号', '3 号', '4 号' ]; c = [ '年龄', '牌照' ]
df = pd.DataFrame( v, index=i, columns=c )
df #OUT:# 年龄 牌照#1 号 NaN NaN#2 号 64.0 NaN#3 号 72.0 3.0#4 号 82.0 4.0
# 用常数（0）填充
df.fillna(0) #OUT:# 年龄 牌照#1 号 0.0 0.0#2 号 64.0 0.0#3 号 72.0 3.0#4 号 82.0 4.0
# 用常数（均值）填充
import numpy as np
df.fillna( np.mean(df))#OUT:# 年龄 牌照#1 号 72.69 3.5#2 号 64.0 3.5#3 号 72.0 3.0#4 号 82.0 4.0
# 用前值填充
df.fillna(method='ffill')#OUT:# 年龄 牌照#1 号 NaN NaN#2 号 64.0 NaN#3 号 72.0 3.0#4 号 82.0 4.0
# 用后值填充
df.fillna(method='bfill')#OUT:# 年龄 牌照#1 号 64.0 3.0#2 号 64.0 3.0#3 号 72.0 3.0#4 号 82.0 4.0
导入Excel文件
创建Excel文件
首先，创建 Excel 文件，录入信息，第一列为 index，第一行为 columns。（字体选择微软雅黑即可）
如果你的数据没有 index 和 columns，也即你只是想导入一个数组，那么也请先补上行列标签，后续用 .values 属性就能将二维对象转换为数组。
接着，将其另存为为 CSV 文件（在另存为的弹窗里面的保存类型选择.csv ）。
放入项目文件夹
将刚刚另存为的 CSV 文件放置工程文件下（不一定是默认路径）。
导入Excel信息
import pandas as pd
# 导入 Pandas 对象
df = pd.read_csv('Data.csv', index_col=0)
df #OUT: # age Mgender num kun#1号 10.0 女 1 是#2号 20.0 男 2 是#3号 30.0 男 3 是#4号 40.0 女 4 否#5号 50.0 男 5 是#6号 60.0 女 6 是
# 提取纯数组
arr = df.values
arr #OUT:array([[10.0, '女', 1, '是'],# [20.0, '男', 2, '是'],# [30.0, '男', 3, '是'],# [40.0, '女', 4, '否'],# [50.0, '男', 5, '是'],# [60.0, '女', 6, '是']], dtype=object)
数据分析
导入信息
按上一章内容导入信息
import pandas as pd
# 导入 Pandas 对象
pd.read_csv('行星数据.csv', index_col=0, encoding = 'gbk')
聚合方法
可在输出 df 时，对其使用 .head() 方法，使其仅输出前五行。
df = pd.read_csv('行星数据.csv', index_col=0, encoding = 'gbk')
df.head()
NumPy 中所有的聚合函数对 Pandas 对象均适用。此外，Pandas 将这些函数变为对象的方法，这样，不导入 NumPy 也可使用。
# 最大值函数 np.max( )
df.max()
# 最小值函数 np.min( )
df.min()
# 均值函数 np.mean( )
df.mean()
# 标准差函数 np.std( )
df.std()
# 求和函数 np.sum( )
df.sum()
在这些方法中，像 NumPy 中一样，有默认值为 0 的参数 axis。一般不要将其数值手动设定为 1，因为这种情况在数据分析中毫无意义。此外，这些方法都忽略了缺失值，属于 NumPy 中聚合函数的安全版本。
描述方法
在数据分析中，用以上方法挨个查看未免太过麻烦，可以使用 .describe() 方法直接查看所有聚合函数的信息。
- 第 1 行 count 是计数项，统计每个特征的有效数量（即排除缺失值），从 count可以看出，行星质量的缺失值比较多，需要考虑一定的办法填充或舍弃。
- 第 2 行至第 3 行的 mean 与 std 统计每列特征的均值与标准差。
- 第 4 行至第 8 行的 min、25%、50%、75%、max 的意思是五个分位点，即把数组从小到大排序后，0%、25%、50%、75%、100%五个位置上的数值的取值。显然，50%分位点即中位数。
数据透视
- 两个特征内的数据透视
数据透视，对数据分析来讲十分重要。
现以泰坦尼克号的生还数据为例，以“是否生还”特征为考察的核心（或者说是神经网络的输出），研究其它特征（输入）与之的关系，如示例所示。
import pandas as pd
# 导入 Pandas 对象
df = pd.read_csv('泰坦尼克.csv', index_col=0)
df.head()
# 一个特征：性别
df.pivot_table('是否生还', index='性别')
# 两个特征：性别、船舱等级
df.pivot_table('是否生还', index='性别', columns='船舱等级')
- 在上述示例中，数据透视表中的数值默认是输出特征“是否生还”的均值（mean），行标签和列标签变成了其它的输入特征。
- 值得注意的是，pivot_table() 方法有一个很重要的参数：aggfunc，其默认值是’mean’，除此以外，所有的聚合函数 ‘max’、‘min’、‘sum’、‘count’ 均可使用。显然，对于这里的“是否生还”来说，'mean’就是最好的选择，其刚好为概率
- 多个特征的数据透视
前面的示例只涉及到两个特征，有时需要考察更多特征与输出特征的关系。
这里，将年龄和费用都加进去。但是，这两个特征的数值很分散，之前的性别和船舱等级都可以按照类别分，现在已经不能再按类别分了。因此，需要涉及到数据透视表配套的两个重要函数：pd.cut()与 pd.qcut()
# 三个特征：性别、船舱等级、年龄
age = pd.cut( df['年龄'], [0,18,120] ) # 以 18 岁为分水岭
df.pivot_table('是否生还', index= ['性别', age], columns='船舱等级')
# 四个特征：性别、船舱等级、年龄、费用
fare = pd.qcut( df['费用'], 2 ) # 将费用自动分为两部分
df.pivot_table('是否生还', index= ['船舱等级',fare], columns=['性别', age])
- pd.cut()函数需要手动设置分割点，也可以设置为[0,18,60,120]。
- pd.qcut()函数可自动分割，如果需要分割成 3 部分，可以设置为 3。
)
基础)
