pandas是一个Python语言的软件包，在我们使用Python语言进行机器学习编程的时候，这是一个非常常用的基础编程库。本文是对它的一个入门教程。

pandas提供了快速，灵活和富有表现力的数据结构，目的是使“关系”或“标记”数据的工作既简单又直观。它旨在成为在Python中进行实际数据分析的高级构建块。

入门介绍

pandas适合于许多不同类型的数据，包括：

• 具有异构类型列的表格数据，例如SQL表格或Excel数据
• 有序和无序（不一定是固定频率）时间序列数据。
• 具有行列标签的任意矩阵数据（均匀类型或不同类型）
• 任何其他形式的观测/统计数据集。

由于这是一个Python语言的软件包，因此需要你的机器上首先需要具备Python语言的环境。关于这一点，请自行在网络上搜索获取方法。

关于如何获取pandas请参阅官网上的说明：pandas Installation。

通常情况下，我们可以通过pip来执行安装：

sudo pip3 install pandas

或者通过conda 来安装pandas：

conda install pandas

目前（2018年2月）pandas的最新版本是v0.22.0（发布时间：2017年12月29日）。

我已经将本文的源码和测试数据放到Github上：pandas_tutorial ，读者可以前往获取。

另外，pandas常常和NumPy一起使用，本文中的源码中也会用到NumPy。

建议读者先对NumPy有一定的熟悉再来学习pandas，我之前也写过一个NumPy的基础教程，参见这里：Python 机器学习库 NumPy 教程

核心数据结构

pandas最核心的就是Series和DataFrame两个数据结构。

这两种类型的数据结构对比如下：

DataFrame可以看做是Series的容器，即：一个DataFrame中可以包含若干个Series。

注：在0.20.0版本之前，还有一个三维的数据结构，名称为Panel。这也是pandas库取名的原因：pan-da-s。但这种数据结构由于很少被使用到，因此已经被废弃了。

Series

由于Series是一维结构的数据，我们可以直接通过数组来创建这种数据，像这样：

# data_structure.pyimport pandas as pdimport numpy as npseries1 = pd.Series([1, 2, 3, 4])print("series1:\n{}\n".format(series1))

这段代码输出如下：

series1:0 11 22 33 4dtype: int64

这段输出说明如下：

• 输出的最后一行是Series中数据的类型，这里的数据都是int64类型的。
• 数据在第二列输出，第一列是数据的索引，在pandas中称之为Index。

我们可以分别打印出Series中的数据和索引：

# data_structure.pyprint("series1.values: {}\n".format(series1.values))print("series1.index: {}\n".format(series1.index))

这两行代码输出如下：

series1.values: [1 2 3 4]series1.index: RangeIndex(start=0, stop=4, step=1)

如果不指定（像上面这样），索引是[1, N-1]的形式。不过我们也可以在创建Series的时候指定索引。索引未必一定需要是整数，可以是任何类型的数据，例如字符串。例如我们以七个字母来映射七个音符。索引的目的是可以通过它来获取对应的数据，例如下面这样：

# data_structure.pyseries2 = pd.Series([1, 2, 3, 4, 5, 6, 7], index=["C", "D", "E", "F", "G", "A", "B"])print("series2:\n{}\n".format(series2))print("E is {}\n".format(series2["E"]))

这段代码输出如下：

series2:C 1D 2E 3F 4G 5A 6B 7dtype: int64E is 3DataFrame

下面我们来看一下DataFrame的创建。我们可以通过NumPy的接口来创建一个4x4的矩阵，以此来创建一个DataFrame，像这样：

# data_structure.pydf1 = pd.DataFrame(np.arange(16).reshape(4,4))print("df1:\n{}\n".format(df1))

这段代码输出如下：

df1: 0 1 2 30 0 1 2 31 4 5 6 72 8 9 10 113 12 13 14 15

从这个输出我们可以看到，默认的索引和列名都是[0, N-1]的形式。

我们可以在创建DataFrame的时候指定列名和索引，像这样：

# data_structure.pydf2 = pd.DataFrame(np.arange(16).reshape(4,4), columns=["column1", "column2", "column3", "column4"], index=["a", "b", "c", "d"])print("df2:\n{}\n".format(df2))

这段代码输出如下：

df2: column1 column2 column3 column4a 0 1 2 3b 4 5 6 7c 8 9 10 11d 12 13 14 15

我们也可以直接指定列数据来创建DataFrame：

# data_structure.pydf3 = pd.DataFrme({"note" : ["C", "D", "E", "F", "G", "A", "B"], "weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})print("df3:\n{}\n".format(df3))

这段代码输出如下：

df3: note weekday0 C Mon1 D Tue2 E Wed3 F Thu4 G Fri5 A Sat6 B Sun

请注意：

DataFrame的不同列可以是不同的数据类型

如果以Series数组来创建DataFrame，每个Series将成为一行，而不是一列

例如：

# data_structure.pynoteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"], index=[1, 2, 3, 4, 5, 6, 7])weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"], index=[1, 2, 3, 4, 5, 6, 7])df4 = pd.DataFrame([noteSeries, weekdaySeries])print("df4:\n{}\n".format(df4))

df4的输出如下：

df4: 1 2 3 4 5 6 70 C D E F G A B1 Mon Tue Wed Thu Fri Sat Sun

我们可以通过下面的形式给DataFrame添加或者删除列数据：

# data_structure.pydf3["No."] = pd.Series([1, 2, 3, 4, 5, 6, 7])print("df3:\n{}\n".format(df3))del df3["weekday"]print("df3:\n{}\n".format(df3))

这段代码输出如下：

df3: note weekday No.0 C Mon 11 D Tue 22 E Wed 33 F Thu 44 G Fri 55 A Sat 66 B Sun 7df3: note No.0 C 11 D 22 E 33 F 44 G 55 A 66 B 7

Index对象与数据访问

pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候，标签的数组或者序列会被转换成Index。可以通过下面的方式获取到DataFrame的列和行的Index对象：

# data_structure.pyprint("df3.columns\n{}\n".format(df3.columns))print("df3.index\n{}\n".format(df3.index))

这两行代码输出如下：

df3.columnsIndex(['note', 'No.'], dtype='object')df3.indexRangeIndex(start=0, stop=7, step=1)

请注意：

• Index并非集合，因此其中可以包含重复的数据
• Index对象的值是不可以改变，因此可以通过它安全的访问数据

DataFrame提供了下面两个操作符来访问其中的数据：

• loc：通过行和列的索引来访问数据
• iloc：通过行和列的下标来访问数据
  

例如这样：

# data_structure.pyprint("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"]))print("Note C, D is:\n{}\n".format(df3.iloc[[0, 1], 0]))

第一行代码访问了行索引为0和1，列索引为“note”的元素。第二行代码访问了行下标为0和1（对于df3来说，行索引和行下标刚好是一样的，所以这里都是0和1，但它们却是不同的含义），列下标为0的元素。

这两行代码输出如下：

Note C, D is:0 C1 DName: note, dtype: objectNote C, D is:0 C1 DName: note, dtype: object

文件操作

pandas库提供了一系列的read_函数来读取各种格式的文件，它们如下所示：

• read_csv
• read_table
• read_fwf
• read_clipboard
• read_excel
• read_hdf
• read_html
• read_json
• read_msgpack
• read_pickle
• read_sas
• read_sql
• read_stata
• read_feather

读取Excel文件

注：要读取Excel文件，还需要安装另外一个库：xlrd

通过pip可以这样完成安装：

sudo pip3 install xlrd

安装完之后可以通过pip查看这个库的信息：

$ pip3 show xlrdName: xlrdVersion: 1.1.0Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet filesHome-page: http://FORTABLY NUMB4 ALL ALONG THE WATCHTOWERdtype: objects2.str.len():0 181 82 83 164 24dtype: int64

总结

以上所述是小编给大家介绍的Python 数据处理库 pandas 入门教程基本操作，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对网站的支持！