原文：
www.kdnuggets.com/2022/03/introductory-pandas-tutorial.html
图片由作者提供
Pandas 是一个灵活且易于使用的数据分析和数据处理工具。它在数据科学家中广泛使用，用于准备数据、清洗数据和进行数据科学实验。Pandas 是一个开源库，帮助你用简单易用的语法解决复杂的统计问题。
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升您的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持您的组织的 IT
我创建了一个简单的指南，用于温和地介绍 Pandas 函数。在这个指南中，我们将学习数据导入、数据导出、数据探索、数据总结、选择与筛选、排序、重命名、删除数据、应用函数和可视化。
对于导入，我们将使用 Kaggle 的开源数据集 Social Network Advertisements。该数据集包含三列和 400 个样本。首先，让我们使用 read_csv() 导入我们的 CSV（逗号分隔值）文件。
import pandas as pd
data = pd.read_csv("Social_Network_Ads.csv")
type(data)
>>> pandas.core.frame.DataFrame如我们所见，我们的 CSV 文件已成功加载并转换为 Pandas 数据框。要查看前五行，我们将使用 head()。
data.head()
Pandas 数据框包含 Age、EstimatedSalary 和 Purchased 列。
除了 CSV 文件，我们还可以导入 Excel 文件、从任何 SQL 服务器导入文件、读取和解析 JSON 文件、使用 HTML 解析从网站导入表格，并使用字典创建数据框。Pandas 使得导入任何类型的数据变得简单。
pd.read_excel('filename')
pd.read_sql(query,connection_object)
pd.read_json(json_string)
pd.read_html(url)
pd.DataFrame(dict)要将数据框导出为 CSV，我们将使用 to_csv()。
data.to_csv("new_wine_data.csv",index=False)类似地，我们可以将数据框导出到 Excel、发送到 SQL、导出为 JSON，并通过一行代码创建 HTML 表格。
data.to_excel(filename)
data.to_sql(table_name, connection_object)
data.to_json(filename)
data.to_html(filename)要生成一个简单的数据总结，我们将使用 info() 函数。总结包括数据类型、样本数量和内存使用情况。
data.info()
RangeIndex: 400 entries, 0 to 399
Data columns (total 3 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Age 400 non-null int64
1 EstimatedSalary 400 non-null int64
2 Purchased 400 non-null int64
dtypes: int64(3)
memory usage: 9.5 KB同样，要获取数据框的具体信息，我们可以使用 .shape 获取列数和行数，.index 获取索引范围，.columns 获取列名。这些小工具在解决更大的数据问题时非常有用。
data.shape
>>> (400, 3)
data.index
>>> RangeIndex(start=0, stop=400, step=1)
data.columns
>>> Index(['Age', 'EstimatedSalary', 'Purchased'], dtype='object')describe() 将给我们一个数值列分布的摘要。它包括均值、标准差、最小值/最大值以及四分位距。
data.describe()
Age EstimatedSalary Purchased
count 400.000000 400.000000 400.000000
mean 37.655000 69742.500000 0.357500
std 10.482877 34096.960282 0.479864
min 18.000000 15000.000000 0.000000
25% 29.750000 43000.000000 0.000000
50% 37.000000 70000.000000 0.000000
75% 46.000000 88000.000000 1.000000
max 60.000000 150000.000000 1.000000要检查缺失值，我们可以简单地使用 isnull() 函数，它会返回布尔值，并且我们可以将它们相加以获得确切的数字。我们的数据集没有缺失值。
data.isnull().sum()
Age 0
EstimatedSalary 0
Purchased 0
dtype: int64corr() 将生成数值列之间的相关矩阵。列之间没有高相关性。
data.corr()
Age EstimatedSalary Purchased
Age 1.000000 0.155238 0.622454
EstimatedSalary 0.155238 1.000000 0.362083
Purchased 0.622454 0.362083 1.000000选择列有多种方法。下面的示例是直接选择。
使用data[“<column_name>”] 或 data.<column_name>
data["Age"]
0 19
1 35
2 26
3 27
4 19
..
395 46
396 51
397 50
398 36
399 49
Name: Age, Length: 400, dtype: int64
data.Purchased.head()
0 0
1 0
2 0
3 0
4 0
Name: Purchased, dtype: int64我们还可以使用 iloc 和 loc 来选择列和行，如下所示。
data.iloc[0,1]
19000
data.loc[0,"Purchased"]
0要计算列中类别的数量，我们将使用 value_counts() 函数。
data.Purchased.value_counts()
0 257
1 143
Name: Purchased, dtype: int64过滤值很简单。我们只需提供简单的 Python 条件。在我们的案例中，我们只过滤1的值来自 Purchased 列。
print(data[data['Purchased']==1].head())
Age EstimatedSalary Purchased
7 32 150000 1
16 47 25000 1
17 45 26000 1
18 46 28000 1
19 48 29000 1对于更复杂的演示，我们通过使用 & 添加了第二个条件。
print(data[(data['Purchased']==1) & (data['Age']>=35)])
Age EstimatedSalary Purchased
16 47 25000 1
17 45 26000 1
18 46 28000 1
19 48 29000 1
20 45 22000 1
.. ... ... ...
393 60 42000 1
395 46 41000 1
396 51 23000 1
397 50 20000 1
399 49 36000 1
[129 rows x 3 columns]对于排序索引，我们使用 sort_values()。它接受多个参数，第一个是我们想要排序的列，第二个是排序方向。在我们的例子中，我们按 Purchased 列降序排序。
data.sort_values('Purchased', ascending=False).head()
sort_index() 类似于排序索引，但它将根据索引号对数据框进行排序。
data.sort_index()要重命名列，我们需要一个当前名称和修改名称的字典。我们使用 rename() 函数将名称从 ‘EstimatedSalary更改为Salary`。
data = data.rename(columns= {'EstimatedSalary' : 'Salary'})
data.head()
我们可以简单地使用 drop 函数来删除列或行。在这个例子中，我们成功地删除了 Salary 列。
data.drop(columns='Salary').head()
要删除一行，你可以简单地写下行号。
data.drop(1)我们有三列，所有列都是整数。让我们将“Purchased”列更改为布尔型，因为它只包含 1 和 0。
data.dtypes
Age int64
Salary int64
Purchased int64
dtype: object使用 astype() 函数更改数据类型。
data['Purchased'] = data['Purchased'].astype('bool')我们已经成功地将‘Purchased’列更改为布尔类型。
data.dtypes
Age int64
Salary int64
Purchased bool
dtype: object对列或整个数据集应用 Python 函数变得更加简单，通过 Pandas apply() 函数。在这一部分，我们将创建一个简单的双倍值的函数，并将其应用于‘Salary’列。
def double(x): #create a function
return x*2
data['double_Salary'] = data['Salary'].apply(double)
print(data.head())我们可以观察到，新创建的列包含了双倍的工资。
Age Salary Purchased double_Salary
0 19 19000 False 38000
1 35 20000 False 40000
2 26 43000 False 86000
3 27 57000 False 114000
4 19 76000 False 152000我们还可以在 apply 函数中使用 Python lambda 函数来获得类似的结果。
data['Salary'].apply(lambda x: x*2).head()Pandas 使用matplotlib库来可视化数据。我们可以使用此函数生成条形图、折线图、饼图、箱线图、直方图、KDE 图等。我们还可以像 matplotlib 库一样自定义我们的图表。通过简单地更改图形的kind，我们可以使用**plot()**函数生成任何类型的图形。
箱线图显示了三个数值列的分布情况。
data.plot( kind='box');
要绘制密度图，我们需要 x 和 y 参数以及 kind。在此示例中，我们绘制了年龄与薪资的密度图。
data.plot(x="Age",y = "Salary", kind='density');
Pandas 的内容如此之多，我们尚未涉及。它是数据科学家和数据从业者中使用最广泛的库。如果你有兴趣了解更多，可以查看 Python Pandas 教程 或参加一个完整的数据分析课程，学习 Pandas 的使用案例。在本指南中，我们学习了 Pandas Python 库以及如何使用它来执行各种数据操作和分析任务。希望你喜欢，如果你对这些主题有问题，请在评论区输入，我会尽力回答。
Abid Ali Awan (@1abidaliawan) 是一位认证数据科学专业人士，热爱构建机器学习模型。目前，他专注于内容创作，并撰写关于机器学习和数据科学技术的技术博客。Abid 拥有技术管理硕士学位和电信工程学士学位。他的愿景是使用图神经网络构建一款 AI 产品，帮助面临心理健康问题的学生。