Python数据分析之pandas学习（二）

有关pandas模块的学习与应用主要介绍以下8个部分：

1、数据结构简介：DataFrame和Series

2、数据索引index

3、利用pandas查询数据

4、利用pandas的DataFrames进行统计分析

5、利用pandas实现SQL操作

6、利用pandas进行缺失值的处理

7、利用pandas实现Excel的数据透视表功能

8、多层索引的使用

昨天我们在Python数据分析之pandas学习（一）中已经介绍到了第四部分的描述性统计分析，我们接着往下讲pandas模块中的其他的知识点。

五、类似于SQL的操作

在SQL中常见的操作主要是增、删、改、查几个动作，那么pandas能否实现对数据的这几项操作呢？答案是Of Course!

增：添加新行或增加新列

In [99]: dic = {'Name':['LiuShunxiang','Zhangshan'],

    ...:        'Sex':['M','F'],'Age':[27,23],

    ...:        'Height':[165.7,167.2],'Weight':[61,63]}

In [100]: student2 = pd.DataFrame(dic)

In [101]: student2

Out[101]:

Age  Height          Name Sex  Weight

0   27   165.7  LiuShunxiang   M      61

1   23   167.2     Zhangshan   F      63

现在将student2中的数据新增到student中，可以通过concat函数实现：

注意到了吗？在数据库中union必须要求两张表的列顺序一致，而这里concat函数可以自动对齐两个数据框的变量！

新增列的话，其实在pandas中就更简单了，例如在student2中新增一列学生成绩：

对于新增的列没有赋值，就会出现空NaN的形式。

删：删除表、观测行或变量列

删除数据框student2,通过del命令实现，该命令可以删除Python的所有对象。

删除指定的行

原数据中的第1,2,4,7行的数据已经被删除了。

根据布尔索引删除行数据，其实这个删除就是保留删除条件的反面数据，例如删除所有14岁以下的学生：

删除指定的列

我们发现，不论是删除行还是删除列，都可以通过drop方法实现，只需要设定好删除的轴即可，即调整drop方法中的axis参数。默认该参数为0，表示删除行观测，如果需要删除列变量，则需设置为1。

改：修改原始记录的值

如果发现表中的某些数据错误了，如何更改原来的值呢？我们试试结合布尔索引和赋值的方法：

例如发现student3中姓名为Liushunxiang的学生身高错了，应该是173，如何改呢？

这样就可以把原来的身高修改为现在的170了。

看，关于索引的操作非常灵活、方便吧，就这样轻松搞定数据的更改。

查：有关数据查询部分，上面已经介绍过，下面重点讲讲聚合、排序和多表连接操作。

聚合：pandas模块中可以通过groupby()函数实现数据的聚合操作

根据性别分组，计算各组别中学生身高和体重的平均值：

如果不对原始数据作限制的话，聚合函数会自动选择数值型数据进行聚合计算。如果不想对年龄计算平均值的话，就需要剔除改变量：

groupby还可以使用多个分组变量，例如根本年龄和性别分组，计算身高与体重的平均值：

当然，还可以对每个分组计算多个统计量：

是不是很简单，只需一句就能完成SQL中的SELECT...FROM...GROUP BY...功能，何乐而不为呢？

排序：

排序在日常的统计分析中还是比较常见的操作，我们可以使用order、sort_index和sort_values实现序列和数据框的排序工作：

我们再试试降序排序的设置：

上面两个结果其实都是按值排序，并且结果中都给出了警告信息，即建议使用sort_values()函数进行按值排序。

在数据框中一般都是按值排序，例如：

多表连接:

多表之间的连接也是非常常见的数据库操作，连接分内连接和外连接，在数据库语言中通过join关键字实现，pandas我比较建议使用merger函数实现数据的各种连接操作。

如下是构造一张学生的成绩表：

现在想把学生表student与学生成绩表score做一个关联，该如何操作呢？

注意，默认情况下，merge函数实现的是两个表之间的内连接，即返回两张表中共同部分的数据。可以通过how参数设置连接的方式，left为左连接；right为右连接；outer为外连接。

左连接实现的是保留student表中的所有信息，同时将score表的信息与之配对，能配多少配多少，对于没有配对上的Name，将会显示成绩为NaN。

六、缺失值处理

现实生活中的数据是非常杂乱的，其中缺失值也是非常常见的，对于缺失值的存在可能会影响到后期的数据分析或挖掘工作，那么我们该如何处理这些缺失值呢？常用的有三大类方法，即删除法、填补法和插值法。

删除法：当数据中的某个变量大部分值都是缺失值，可以考虑删除改变量；当缺失值是随机分布的，且缺失的数量并不是很多是，也可以删除这些缺失的观测。

替补法：对于连续型变量，如果变量的分布近似或就是正态分布的话，可以用均值替代那些缺失值；如果变量是有偏的，可以使用中位数来代替那些缺失值；对于离散型变量，我们一般用众数去替换那些存在缺失的观测。

插补法：插补法是基于蒙特卡洛模拟法，结合线性模型、广义线性模型、决策树等方法计算出来的预测值替换缺失值。

我们这里就介绍简单的删除法和替补法：

这是一组含有缺失值的序列，我们可以结合sum函数和isnull函数来检测数据中含有多少缺失值：

In [130]: sum(pd.isnull(s))

Out[130]: 9

直接删除缺失值

默认情况下，dropna会删除任何含有缺失值的行，我们再构造一个数据框试试：

返回结果表明，数据中只要含有缺失值NaN,该数据行就会被删除，如果使用参数how='all'，则表明只删除所有行为缺失值的观测。

使用一个常量来填补缺失值，可以使用fillna函数实现简单的填补工作：

1）用0填补所有缺失值

2)采用前项填充或后向填充

3)使用常量填充不同的列

4)用均值或中位数填充各自的列

很显然，在使用填充法时，相对于常数填充或前项、后项填充，使用各列的众数、均值或中位数填充要更加合理一点，这也是工作中常用的一个快捷手段。

七、数据透视表

在Excel中有一个非常强大的功能就是数据透视表，通过托拉拽的方式可以迅速的查看数据的聚合情况，这里的聚合可以是计数、求和、均值、标准差等。

pandas为我们提供了非常强大的函数pivot_table()，该函数就是实现数据透视表功能的。对于上面所说的一些聚合函数，可以通过参数aggfunc设定。我们先看看这个函数的语法和参数吧：

pivot_table(data,values=None, 

                  index=None, 

                  columns=None, 

                  aggfunc='mean', 

                  fill_value=None, 

                  margins=False, 

                  dropna=True, 

                  margins_name='All')

data：需要进行数据透视表操作的数据框

values：指定需要聚合的字段

index：指定某些原始变量作为行索引

columns：指定哪些离散的分组变量

aggfunc：指定相应的聚合函数

fill_value：使用一个常数替代缺失值，默认不替换

margins：是否进行行或列的汇总，默认不汇总

dropna：默认所有观测为缺失的列

margins_name：默认行汇总或列汇总的名称为'All'

我们仍然以student表为例，来认识一下数据透视表pivot_table函数的用法：

对一个分组变量（Sex），一个数值变量（Height）作统计汇总

对一个分组变量（Sex），两个数值变量（Height,Weight）作统计汇总

对两个分组变量（Sex，Age)，两个数值变量（Height,Weight）作统计汇总

很显然这样的结果并不像Excel中预期的那样，该如何变成列联表的形式的？很简单，只需将结果进行非堆叠操作（unstack）即可：

看，这样的结果是不是比上面那种看起来更舒服一点？

使用多个聚合函数

有关更多数据透视表的操作，可参考《Pandas透视表（pivot_table）详解》一文，链接地址：http://python.jobbole.com/81212/

八、多层索引的使用

最后我们再来讲讲pandas中的一个重要功能，那就是多层索引。在序列中它可以实现在一个轴上拥有多个索引，就类似于Excel中常见的这种形式：

对于这样的数据格式有什么好处呢？pandas可以帮我们实现用低维度形式处理高维数数据，这里举个例子也许你就能明白了：

对于这种多层次索引的序列，取数据就显得非常简单了：

对于这种多层次索引的序列，我们还可以非常方便的将其转换为数据框的形式：

以上针对的是序列的多层次索引，数据框也同样有多层次的索引，而且每条轴上都可以有这样的索引，就类似于Excel中常见的这种形式：

我们不妨构造一个类似的高维数据框：

同样，数据框中的多层索引也可以非常便捷的取出大块数据：

在数据框中使用多层索引，可以将整个数据集控制在二维表结构中，这对于数据重塑和基于分组的操作（如数据透视表的生成）比较有帮助。

就拿student二维数据框为例，我们构造一个多层索引数据集：

讲到这里，我们关于pandas模块的学习基本完成，其实在掌握了pandas这8个主要的应用方法就可以灵活的解决很多工作中的数据处理、统计分析等任务。有关更多的pandas介绍，可参考pandas官方文档：http://pandas.pydata.org/pandas-docs/version/0.17.0/whatsnew.html。

强烈推荐《Python数据分析》和《利用Python进行数据分析》两本书，书中详细讲解了如何使用numpy、pandas、scipy、matplotlib等模块进行数据分析，目前我也正在使用这两本参考书，感兴趣的朋友可以一起学习，共同进步。学习任何一门计算机语言都需要你不断的思考和敲击键盘，每天进步一点点，你会感谢一年前努力的自己！

每天进步一点点2015

学习与分享，取长补短，关注小号！

长按识别二维码 马上关注