如果对于pandas库的操作基本已经忘记的话,我们这里来重新复习以下。
我们首先导入pandas,我们这里也顺便导入numpy
import pandas as pd
import numpy as np
文章首先提到了series
import pandas as pd
import numpy as np
s1 = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
s2 = s1.copy()
s3 = s2[:, np.newaxis]
s4 = s3.reshape(1, 3)
print(s1.shape, '\n', s2.shape, '\n', s3.shape, '\n', s4.shape)
(3,)
(3,)
(3, 1)
(1, 3)
我们可以看到输出结果,series是只有1维的,我们可以用numpy来添加维度和改变数据的形状。
这里用series构建dataframe
city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])
pd.DataFrame({ 'City name': city_names, 'Population': population })
文中给出了实际例子,这个例子是csv格式。
california_housing_dataframe = pd.read_csv('california_housing_train.csv')
print(california_housing_dataframe.describe())
我们可以通过 df.describe()来查看每列的(总数,均值,标准差,(min 25% 50% 75% max)值。
california_housing_dataframe.head()
我们可以通过df.head(value) 来查看前value行的值。(在机器学习中,我们往往会将总体数据分为 训练集 测试集 和验证集)。
california_housing_dataframe.hist('housing_median_age')
还可以用来画图。我们也可以通过matplotlab来完成
plt.figure(1)
plt.hist(california_housing_dataframe.housing_median_age)
plt.show()
与pandas给出的图形一致。
回到之前的city 与population的例子中:
我们可以通过Python中 list/dict的用法来访问其中的数据:
df['City name']
df['City name'][1]
df['City name'][0:2]
我们也可以用来进行基本运算:
df['Population']/1000
np.log(population)
np.log(df['Population'])
我们也可以通过series.apply来创建lambda函数
population.apply(lambda val: val > 1000000)
df['Population'].apply(lambda val: val>1000000)
创建新列也非常的简单:
cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
练习1:
通过添加一个新的布尔值列(当且仅当以下两项均为 True 时为 True)修改 cities
表格:
- 城市以圣人命名。
- 城市面积大于 50 平方英里。
注意:布尔值 Series
是使用“按位”而非传统布尔值“运算符”组合的。例如,执行逻辑与时,应使用 &
,而不是 and
。
提示:"San" 在西班牙语中意为 "saint"。
答案:
cities['new column'] = (cities['Area square miles']> 50) &cities['City name'].apply(lambda name:name.startswith('San',0))
索引:
Series
和 DataFrame
对象也定义了 index
属性,该属性会向每个 Series
项或 DataFrame
行赋一个标识符值。
默认情况下,在构造时,pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的;也就是说,它们不会因为数据重新排序而发生改变。
city_names.index
cities.index
我们也可以用reindex重新排序。
也可以用np打乱顺序。
cities.reindex(np.random.permutation(cities.index))
这里请注意permutation和shuffle的区别, shuffle直接打乱原数组顺序,permutation是不会打乱原数组顺序,而是返回一个新的数组,这个新的数组顺序会被打乱。
练习 2
reindex
方法允许使用未包含在原始 DataFrame
索引值中的索引值。请试一下,看看如果使用此类值会发生什么!您认为允许此类值的原因是什么?(这里直接给出原文答案了)
如果您的 `reindex` 输入数组包含原始 `DataFrame` 索引值中没有的值,`reindex` 会为此类“丢失的”索引添加新行,并在所有对应列中填充 `NaN` 值
这种行为是可取的,因为索引通常是从实际数据中提取的字符串(请参阅 pandas reindex 文档,查看索引值是浏览器名称的示例)。
在这种情况下,如果允许出现“丢失的”索引,您将可以轻松使用外部列表重建索引,因为您不必担心会将输入清理掉。
在这里重新提了以下pandas库的用法,df中添加新列的方法(或者新行),我们之前也提过其他方法,这里不再一一赘述。文中给出的pandas的用法还是比较常见的。在官方文档中后续的例子中,我们也会用到(包括这个csv文件)。