pandas指南：做更高效的数据科学家
摘要：Python是开源的，所以有很多开源固有的问题。如果你是Python新手，很难知道针对特定任务的包哪个是最好的。你需要有经验的人来告诉你。今天我要告诉你们的是：在数据科学中，有一个软件包是你们绝对需要学习的，那就是pandas。
而pandas真正有趣的地方是，很多其他的包也在里面。pandas是一个核心包，因此它具有来自其他各种包的特性。
pandas类似于Python中的Excel：它使用表(即DataFrame)并对数据进行转换，但它还能做更多。
如果你已经熟悉Python，可以直接进入第三部分
现在让我们开始：
import pandas as pd
pandas包最基本的功能
1、读取数据：
data = pd.read_csv('my_file.csv')
data=pd.read_csv('my_file.csv',sep=';',encoding='latin-1',nrows=1000, kiprows=[2,5])sep变量代表分隔符。因为Excel中的csv分隔符是“;”，因此需要显示它。编码设置为“latin-1”以读取法语字符。nrows=1000表示读取前1000行。skiprows=[2,5]表示在读取文件时将删除第2行和第5行
最常用的函数：read_csv, read_excel
还有一些很不错的函数：read_clipboard、read_sql
2、写入数据
data.to_csv('my_new_file.csv', index=None)index=None将简单地按原样写入数据。如果你不写index=None，会得到额外的行。
我通常不使用其他函数，比如to_excel，to_json，to_pickle，to_csv，虽然它们也做得很好，但是csv是保存表最常用的方法。
3、检查数据：
data.shape data.describe() data.head(3)
.head(3)打印数据的前3行，.tail()函数将查看数据的最后一行。
data.loc[8]
打印第8行。
data.loc[8, 'column_1']
将第8行值打印在“column_1”上。
data.loc[range(4,6)]
打印第4行到第6行。
pandas的初级功能
1、逻辑运算
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')]
如果要根据逻辑操作对数据进行运算，在使用& (AND)、~ (NOT)和| (OR)等逻辑操作之前和之后添加“(”&“)”。
data[data['column_1'].isin(['french', 'english'])]
不要为同一列编写多个OR，最好是使用.isin()函数。
2、基本绘图
多亏了matplotlib包，这个特性才得以实现。就像我们在介绍中说的，它可以直接用在pandas身上。
data['column_numerical'].plot()
图 1 .plot() 输出示例
data['column_numerical'].hist()
绘制分布图(直方图)
图 2 .hist() 函数输出示例
%matplotlib inline
如果你使用Jupyter，在绘图之前，不要忘记写这一行(在代码中只写一次)
3、更新数据
data.loc[8, 'column_1'] = 'english'
将' column_1 '的第8行值替换为' english '
data.loc[data['column_1']=='french', 'column_1'] = 'French'
在一行中更改多行值
3、pandas的中级功能
现在你可以做一些在Excel中很容易做的事情。让我们来挖掘一些在Excel中做不到的神奇事情。
1、计算功能
data['column_1'].value_counts()
图 3 .value_counts() 输出示例
2、对全行、全列或所有数据的操作
data['column_1'].map(len)
len()函数应用于“column_1”的每个元素
map()操作将一个函数应用于列的每个元素。
data['column_1'].map(len).map(lambda x : x/100).plot()
pandas的另一个特点是进行链式操作。它可以帮助你在一行代码中执行多个操作，从而更加简单和高效。
data.apply(sum)
.apply()将函数应用于列。
.applymap()将一个函数应用于表(DataFrame)中的所有单元格。
3、tqdm包
在处理大型数据集时，pandas可能需要一些时间来运行.map()、.apply()、.applymap()操作。tqdm是一个非常有用的包，它可以帮助预测这些操作何时完成。
from tqdm import tqdm_notebook tqdm_notebook().pandas()
用pandas设置tqdm
data['column_1'].progress_map(lambda x : x.count('e'))将.map()替换为.progress_map()，.apply()和.applymap()也是一样
图4 这是你在Jupyter上看到的的进度条
4、相关矩阵和散射矩阵
data.corr() data.corr().applymap(lambda x : int(x*100)/100)
图 5.corr() 函数会得到相关矩阵
pd.plotting.scatter_matrix(data, figsize=(12,8))
图 6散射矩阵的例子，它绘制同一图表中两列的所有组合
pandas的高级功能
1ã行列合并
在pandas中，行列合并非常简单。
data.merge(other_data, on=['column_1', 'column_2', 'column_3'])
合并3列只需要一行代码
2、分组
分组一开始并不简单，但是如果掌握其语法，你将发现这非常简单。
data.groupby('column_1')['column_2'].apply(sum).reset_index()按列分组，选择要在其上操作函数的另一列。reset_index()将数据重新生成DataFrame(表)
图 7使用链式操作，只需一行代码
3、遍历行
dictionary = {}
for i,row in data.iterrows()：
dictionary[row['column_1']] = row['column_2']iterrows()循环两个变量：行索引和行(上面代码中的i和row)。
总体来说，pandas是一个帮助数据科学家快速阅读和理解数据的工具包，它也可以说是Python如此优秀的原因之一。我还可以展示更多pandas包其他有趣的特点，但以上所述足以让人理解为什么数据科学家离不开pandas包。总之，pandas包有以下特点：
1、 简单易用，隐藏了所有复杂和抽象的计算；
2、非常直观；
3、快速。
本文由阿里云云栖社区组织翻译。
文章原标题《Be a more efficient data scientist, master pandas with this guide
》，译者：黄小凡，审校：袁虎。
作者：【方向】