pandas教程 菜鸟教程,pandas入门教程
相关学习推荐：python教程
Python是开源的。这很棒，但它无法避免开源的一些固有问题：许多软件包都在做(或试图做)同样的事情。如果您是Python的新手，那么您很难知道哪个包最适合特定的任务。你需要有经验的人来告诉你。数据科学绝对要有一个包，就是熊猫。
熊猫最有趣的是里面藏了很多包。它是一个核心包，具有其他包的许多功能。这很棒，因为你只需要用熊猫来完成工作。
Pandas相当于python中的excel:它使用表格(即dataframe)，可以对数据进行各种变换，但它还有很多其他功能。
如果你已经熟悉python，可以跳到第三段。
让我们开始吧：
进口熊猫作为pd复制代码。不要问为什么是“pd”而不是“P”。就是这样。就用：)
pandas 最基本的功能
读取数据
data=pd.read_csv(my_file.csv)
data=pd.read_csv(my_file.csv，sep=；encoding=Latin-1，nrows=1000，skiprows=[2，5])复制代码sep代表分隔符。如果您使用的是法语数据，excel中的csv分隔符是“；”，所以需要显式指定。将编码设置为latin-1以读取法语字符。Nrows=1000表示读取前1000行数据。Skiprows=[2，5]意味着您将在读取文件时删除第2行和第5行。
最常用的函数：read_csv，read_excel
一些其他伟大的特性：read_clipboard，read_sql
写数据
Data.to _ csv (my _ new _ file.csv，index=None)复制代码index=none表示数据将按原样写入。如果你不写index=None，你将有一个额外的第一列，内容为1，2，3，一直到最后一行。
其他功能我一般不用，比如。to_excel，to_json，腌制等。因为。to_csv可以很好地完成这项工作，csv是保存表格最常用的方式。
检查数据
Gives (#rows，#columns)复制代码给出了行数和列数。
Data.describe()复制代码来计算基本统计数据。
查看数据
Data.head(3)复制代码，打印出前3行数据。同样，tail()对应于最后一行数据。
Data.loc[8]复制代码，打印出第八行。
Data.loc[8，column_1]复制代码，在第八行打印名为“column_1”的列。
Data.loc[range(4，6)]复制代码第四至第六行(左闭右开)的数据子集。
pandas 的基本函数
逻辑运算
数据[数据[列1 ]==法语]
数据[(数据[列_1 ]==法语)(数据[年份_出生]==1990)]
data[(data[column _ 1]==French)(data[year _ born]==1990)~(data[city]==London)]复制代码通过逻辑运算得到数据子集。使用(和)、~(非)和(或)
，必须在逻辑运算前后加上「and」。
data[data[ column_1 ].isin([ french , english ])]复制代码
除了可以在同一列使用多个 OR，你还可以使用.isin() 函数。
基本绘图
matplotlib 包使得这项功能成为可能。正如我们在介绍中所说，它可以直接在 pandas 中使用。
data[ column_numerical ].plot()复制代码
（）.plot() 输出的示例
data[ column_numerical ].hist()复制代码
画出数据分布（直方图）
.hist() 输出的示例
%matplotlib inline复制代码
如果你在使用 Jupyter，不要忘记在画图之前加上以上代码。
更新数据
data.loc[8, column_1 ] = english
data.loc[data[ column_1 ]== french , column_1 ] = French复制代码
在一行代码中改变多列的值
好了，现在你可以做一些在 excel 中可以轻松访问的事情了。下面让我们深入研究 excel 中无法实现的一些令人惊奇的操作吧。
中级函数
统计出现的次数
data[ column_1 ].value_counts()复制代码
.value_counts() 函数输出示例
在所有的行、列或者全数据上进行操作
data[ column_1 ].map(len)复制代码
len() 函数被应用在了「column_1」列中的每一个元素上
.map() 运算给一列中的每一个元素应用一个函数
data[ column_1 ].map(len).map(lambda x: x/100).plot()复制代码
pandas 的一个很好的功能就是链式方法（tomaugspurger.github.io/method-chai… 和.plot()）。
data.apply(sum)复制代码
.apply() 会给一个列应用一个函数。
.applymap() 会给表 (DataFrame) 中的所有单元应用一个函数。
tqdm, 唯一的
在处理大规模数据集时，pandas 会花费一些时间来进行.map()、.apply()、.applymap() 等操作。tqdm 是一个可以用来帮助预测这些操作的执行何时完成的包（是的，我说谎了，我之前说我们只会使用到 pandas）。
from tqdm import tqdm_notebook
用 pandas 设置 tqdm
data[ column_1 ].progress_map(lambda x: x.count( e ))复制代码
用 .progress_map() 代替.map()、.apply() 和.applymap() 也是类似的。
在 Jupyter 中使用 tqdm 和 pandas 得到的进度条
相关性和散射矩阵
data.corr()
.corr() 会给出相关性矩阵
pd.plotting.scatter_matrix(data, figsize=(12,8))复制代码
散点矩阵的例子。它在同一幅图中画出了两列的所有组合。
pandas 中的高级操作
The SQL 关联
在 pandas 中实现关联是非常非常简单的
data.merge(other_data, on=[ column_1 , column_2 , column_3 ])复制代码
关联三列只需要一行代码
分组
一开始并不是那么简单，你首先需要掌握语法，然后你会发现你一直在使用这个功能。
data.groupby( column_1 )[ column_2 ].apply(sum).reset_index()复制代码
按一个列分组，选择另一个列来执行一个函数。.reset_index() 会将数据重构成一个表。
正如前面解释过的，为了优化代码，在一行中将你的函数连接起来。
行迭代
dictionary = {}.iterrows() 使用两个变量一起循环：行索引和行的数据 (上面的 i 和 row)
总而言之，pandas 是 python 成为出色的编程语言的原因之一
我本可以展示更多有趣的 pandas 功能，但是已经写出来的这些足以让人理解为何数据科学家离不开 pandas。总结一下，pandas 有以下优点：
易用，将所有复杂、抽象的计算都隐藏在背后了；
直观；
快速，即使不是最快的也是非常快的。
它有助于数据科学家快速读取和理解数据，提高其工作效率以上就是Pandas 最详细教程的详细内容，更多请关注盛行IT软件开发工作室其它相关文章！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。