Pandas 数据结构简介

前段时间我说过我会写一些关于Pandas的文章，但是我却一直没有跟进。然而，本周两位同事向我表达了他们对于Pandas的学习兴趣，因此我打算重新讨论这个话题。

因为我觉得这是一个庞大的任务，所以下面我将分成三个部分来全面地介绍Pandas库：

Part 1:Pandas数据结构简介，该部分主要介绍该库的两个基本数据结构—— Series 和 DataFrames。

Part 2:DataFrames的使用方法，该部分主要介绍如何使用 DataFrames 的筛选、过滤、合并、联合以及分组功能。

Part 3: 利用Pandas处理 MovieLens 数据集，该部分主要利用前两部分的内容来回答关于 MovieLens 收视率数据的几个基本分析的问题。​

如果你想跟着文章的内容运行相应代码的话，你可以在这里下载到相关 CSV 数据和MovieLens数据。

本篇文章的目的在于通过比较Pandas与 SQL 之间的差异来介绍该库的基本用法。由于我的同事都非常熟悉 SQL 的语法，所以我觉得这是一个易于被读者所理解的写作方法。

如果你想要学习更多的Pandas知识，你可以阅读Pandas作者撰写的书籍《Python for Data Analysis》。

Pandas是 Python中用于分析数据的常用开源库。Python 可以很好地预处理和加工数据，但是它无法很好地进行数据分析——通常情况下你会利用 R 或者 SQL 来分析数据。有了Pandas之后，我们可以利用 Python 快速地进行数据分析。

数据结构

Pandas中引入了两种新的数据结构——Series和DataFrame，这两种数据结构都建立在NumPy的基础之上。

Series

Series是指一个类似于数组、列表或列变量的一维对象，Series中每个条目都会被分配一个标签索引。默认情况下，每个条目都会收到一个从0到N之间的索引标签，其中N等于Series的长度减一。

Series可以直接转换词典格式的数据，其中词典的键值对应Series中的索引值。 你可以利用索引从Series中提取出特定的条目。 或者你也可以利用布尔索引值来选取数据。

第二种方法可能看起来有点奇怪，所以让我们更清楚地了解下它的逻辑——cities < 1000将返回一系列逻辑值，然后我们可以利用这些值从Series中提取出相应的条目。

我们还可以更改Series中的数值。

如果你不确定Series中是否存在某个条目，你可以利用 Python 代码来检测。

我们还可以对Series进行数学运算和函数运算。

此外你还可以汇总两个Series，这会返回两个Series的并集，其中没有共同索引的条目将会返回 NULL/NaN。

由于两个Series中没有同时包含Austin，Chicago和Portland，因此它们的返回值是 NULL/NaN。

我们可以利用 isnull 和 notnull 函数来检测 NULL 值。

DataFrame

DataFrame是一种由列向量和行向量组成的数据结构，它类似于电子数据表、数据库表格和 R 语言中的data.frame对象。你也可以理解成DataFrame是由多个共享索引值的Series对象构成的。

本文的剩下篇幅中，我将主要介绍DataFrame的内容。

Reading Data

我们可以将 Python 中常用的数据结构(如词典列表)转换成DataFrame，其中通过控制columns的参数值可以调整变量的顺序。默认情况下，DataFrame会按字母顺序对变量进行排序。

更多情况下，我们需要将数据集读到DataFrame中，接下来我们将介绍几种常用的读取数据的方法。

CSV

我们可以利用read.csv函数来读取 CSV 文件，其中read.csv函数默认CSV数据集是以逗号分隔的，你可以通过 sep 参数来控制分隔符的类别。

该函数默认将文件中的第一行设定为列变量的标题，我们还可以设定 header=None 来手动设定列标题。

Pandas的reader系列函数中有许多可控参数，用于控制读取数据时的其他设定。

大家可以参阅IO文档来熟悉文件读取/写入功能。

Excel

你们讨厌VBA吗？我非常讨厌它，我相信你也会讨厌它的。幸运的是，pandas允许我们读写 Excel 文件，所以我们可以利用Python处理完数据后再导出Excel文件，这样可以规避使用烦人的VBA来处理数据。

读取Excel文件需要安装xlrd库，我们可以利用pip工具来安装它(pip install xlrd)。

Database

Pandas还可以直接从数据库中读写DataFrame文件，你只需要利用pandas.io模块中的read_sql或to_sql函数来创建一个连接数据库的对象即可。

需要注意的是，to_sql直接调用INSERT INTO语句，因此数据的传输速度比较慢。如果你想将一个大型DataFrame写入数据库中，最好先导出CSV文件然后再导入数据库中。

Clipboard

相比于直接将查询结果插入DataFrame中，我更倾向于从剪贴板中读取数据。Python可以很好地处理剪贴板中的分隔符数据，你可以控制sep参数来设定数据分隔符。

URL

此外，我们还可以利用read_table函数直接从 URL 链接中读取数据。

Google Analytics

Pandas还整合了 Google Analytics 的API接口，但是需要进行一些设置。本文没有介绍这些内容，你可以参阅文章1和文章2。

原文链接：http://gregreda.com/2013/10/26/intro-to-pandas-data-structures/

原文作者：Greg Reda

译者：Fibears