別找了，這是Pandas最詳細教程了
Python 是開源的，它很棒，但是也無法避免開源的一些固有問題：很多包都在做（或者在嘗試做）同樣的事情。如果你是 Python 新手，那么你很難知道某個特定任務的最佳包是哪個，你需要有經驗的人告訴你。有一個用于數據科學的包絕對是必需的，它就是 pandas。
pandas 最有趣的地方在于里面隱藏了很多包。它是一個核心包，里面有很多其他包的功能。這點很棒，因為你只需要使用 pandas 就可以完成工作。
pandas 相當于 python 中 excel：它使用表（也就是 dataframe)，能在數據上做各種變換，但還有其他很多功能。
如果你早已熟知 python 的使用，可以直接跳到第三段。
讓我們開始吧!
pandas 最基本的功能
讀取數據
- data = pd.read_csv( my_file.csv )
- data = pd.read_csv( my_file.csv , sep= ; , encoding= latin-1 , nrows=1000, skiprows=[2,5])
sep 代表的是分隔符。如果你在使用法語數據，excel 中 csv 分隔符是「;」，因此你需要顯式地指定它。編碼設置為 latin-1 來讀取法語字符。nrows=1000 表示讀取前 1000 行數據。skiprows=[2,5] 表示你在讀取文件的時候會移除第 2 行和第 5 行。
- 最常用的功能：read_csv, read_excel
- 其他一些很棒的功能：read_clipboard, read_sql
寫數據
- data.to_csv( my_new_file.csv , index=None)
index=None 表示將會以數據本來的樣子寫入。如果沒有寫 index=None，你會多出一個第一列，內容是 1，2，3，...，一直到最后一行。
我通常不會去使用其他的函數，像.to_excel, .to_json, .to_pickle 等等，因為.to_csv 就能很好地完成工作，并且 csv 是最常用的表格保存方式。
檢查數據
image
- Gives (#rows, #columns)
給出行數和列數
- data.describe()
計算基本的統計數據
查看數據
- data.head(3)
打印出數據的前 3 行。與之類似，.tail() 對應的是數據的最后一行。
- data.loc[8]
打印出第八行
- data.loc[8, column_1 ]
打印第八行名為「column_1」的列
- data.loc[range(4,6)]
第四到第六行（左閉右開）的數據子集
pandas 的基本函數
邏輯運算
- data[data[ column_1 ]== french ]
- data[(data[ column_1 ]== french ) & (data[ year_born ]==1990)]
- data[(data[ column_1 ]== french ) & (data[ year_born ]==1990) & ~(data[ city ]== London )]
通過邏輯運算來取數據子集。要使用 & (AND)、 ~ (NOT) 和 | (OR)，必須在邏輯運算前后加上「and」。
- data[data[ column_1 ].isin([ french , english ])]
除了可以在同一列使用多個 OR，你還可以使用.isin() 函數。
基本繪圖
matplotlib 包使得這項功能成為可能。正如我們在介紹中所說，它可以直接在 pandas 中使用。
- data[ column_numerical ].plot()
image
（）.plot() 輸出的示例
- data[ column_numerical ].hist()
畫出數據分布（直方圖）
image
.hist() 輸出的示例
- %matplotlib inline
如果你在使用 Jupyter，不要忘記在畫圖之前加上以上代碼。
更新數據
- data.loc[8, column_1 ] = english
- 將第八行名為 column_1 的列替換為「english」
- data.loc[data[ column_1 ]== french , column_1 ] = French
在一行代碼中改變多列的值
好了，現在你可以做一些在 excel 中可以輕松訪問的事情了。下面讓我們深入研究 excel 中無法實現的一些令人驚奇的操作吧。
中級函數
統計出現的次數
- data[ column_1 ].value_counts()
image
.value_counts() 函數輸出示例
在所有的行、列或者全數據上進行操作
- data[ column_1 ].map(len)
len() 函數被應用在了「column_1」列中的每一個元素上
.map() 運算給一列中的每一個元素應用一個函數
- data[ column_1 ].map(len).map(lambda x: x/100).plot()
pandas 的一個很好的功能就是鏈式方法（https://tomaugspurger.github.io/method-chaining）。它可以幫助你在一行中更加簡單、高效地執行多個操作（.map() 和.plot()）。
- data.apply(sum)
.apply() 會給一個列應用一個函數。
.applymap() 會給表 (DataFrame) 中的所有單元應用一個函數。
tqdm, 唯一的
在處理大規模數據集時，pandas 會花費一些時間來進行.map()、.apply()、.applymap() 等操作。tqdm 是一個可以用來幫助預測這些操作的執行何時完成的包（是的，我說謊了，我之前說我們只會使用到 pandas）。
- from tqdm import tqdm_notebook
- tqdm_notebook().pandas()
用 pandas 設置 tqdm
- data[ column_1 ].progress_map(lambda x: x.count( e ))
用 .progress_map() 代替.map()、.apply() 和.applymap() 也是類似的。
image
在 Jupyter 中使用 tqdm 和 pandas 得到的進度條
相關性和散射矩陣
- data.corr()
- data.corr().applymap(lambda x: int(x*100)/100)
image
.corr() 會給出相關性矩陣
- pd.plotting.scatter_matrix(data, figsize=(12,8))
image
散點矩陣的例子。它在同一幅圖中畫出了兩列的所有組合。
pandas 中的高級操作
The SQL 關聯
在 pandas 中實現關聯是非常非常簡單的
- data.merge(other_data, on=[ column_1 , column_2 , column_3 ])
關聯三列只需要一行代碼
分組
一開始并不是那么簡單，你首先需要掌握語法，然后你會發現你一直在使用這個功能。
- data.groupby( column_1 )[ column_2 ].apply(sum).reset_index()
按一個列分組，選擇另一個列來執行一個函數。.reset_index() 會將數據重構成一個表。
image
正如前面解釋過的，為了優化代碼，在一行中將你的函數連接起來。
行迭代
- dictionary = {}
- for i,row in data.iterrows():
- dictionary[row[ column_1 ]] = row[ column_2 ]
.iterrows() 使用兩個變量一起循環：行索引和行的數據 (上面的 i 和 row)
總而言之，pandas 是 python 成為出色的編程語言的原因之一
我本可以展示更多有趣的 pandas 功能，但是已經寫出來的這些足以讓人理解為何數據科學家離不開 pandas。總結一下，pandas 有以下優點：
- 易用，將所有復雜、抽象的計算都隱藏在背后了；
- 直觀；
- 快速，即使不是最快的也是非常快的。
它有助于數據科學家快速讀取和理解數據，提高其工作效率
