pandas

pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具，很多机器学习框架都支持将 pandas 数据结构作为输入。虽然全方位介绍 pandas API 会占据很长篇幅，但它的核心概念非常简单，我们会在下文中进行说明。有关更完整的参考，请访问 pandas 文档网站，其中包含丰富的文档和教程资源。

基本概念

首先安装一下 module，可以配置下pip源，或者加参数-i提高下载速度

mkdir ~/.pip
vim ~/.pip/pip.conf
[global]
index-url = https://mirrors.aliyun.com/pypi/simple

pip3 install pandas -i https://mirrors.aliyun.com/pypi/simple
pip3 install matplotlib -i https://mirrors.aliyun.com/pypi/simple # 如果需要绘制图表

pandas 中的主要数据结构被实现为以下两类：

**DataFrame**，您可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。
**Series**，它是单一列。DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称。

数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。

创建Series

city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])

创建DataFrame，通过Series

pd.DataFrame({ 'City name': city_names, 'Population': population })

更多时候，一般装载整个文件

california_housing_dataframe = pd.read_csv("https://download.mlcc.google.com/mledu-datasets/california_housing_train.csv", sep=",")

当然，也可以通过复制表格内容

df = pd.read_clipboard()
df.to_csv("some_data.csv")

DataFrame 常用方法

# 显示统计信息
california_housing_dataframe.describe()
# 显示前几个记录
california_housing_dataframe.head()
# 绘制图表 
california_housing_dataframe.hist('housing_median_age')

访问数据

您可以使用熟悉的 Python dict/list 指令访问 DataFrame 数据：

cities = pd.DataFrame({ 'City name': city_names, 'Population': population })
print(type(cities['City name']))
print(cities['City name'])
print(type(cities['City name'][1]))
print(cities['City name'][1])

此外，pandas 针对高级索引和选择提供了极其丰富的 API（数量过多，此处无法逐一列出）。

操控数据

您可以向 Series 应用 Python 的基本运算指令。例如：

population / 1000

NumPy 是一种用于进行科学计算的常用工具包。pandas Series 可用作大多数 NumPy 函数的参数：

import numpy as np
np.log(population)

对于更复杂的单列转换，您可以使用 Series.apply。像 Python 映射函数一样，Series.apply 将以参数形式接受 lambda 函数，而该函数会应用于每个值。

下面的示例创建了一个指明 population 是否超过 100 万的新 Series：

population.apply(lambda val: val > 1000000)

DataFrames 的修改方式也非常简单。例如，以下代码向现有 DataFrame 添加了两个 Series：

cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
print(cities)

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。

print(city_names.index)

调用 DataFrame.reindex 以手动重新排列各行的顺序。例如，以下方式与按城市名称排序具有相同的效果：

cities.reindex([2, 0, 1])

重建索引是一种随机排列 DataFrame 的绝佳方式。在下面的示例中，我们会取用类似数组的索引，然后将其传递至 NumPy 的 random.permutation 函数，该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex，会导致 DataFrame 行以同样的方式随机排列。尝试多次运行以下单元格！

cities.reindex(np.random.permutation(cities.index))

练习

推荐使用 https://colab.research.google.com/ 练习，可以直接导入ipynb，练习库github上面有很多，这里不多赘述，底下相关链接也有列出。