Pandas 是基于 NumPy 構建的庫，在數據處理方面可以把它理解為 NumPy 加強版，同時 Pandas 也是一項開源項目。它基于 Cython，因此讀取與處理數據非常快，并且還能輕松處理浮點數據中的缺失數據(表示為 NaN)以及非浮點數據。在本文中，基本數據集操作主要介紹了 CSV 與 Excel 的讀寫方法，基本數據處理主要介紹了缺失值及特征抽取，***的 DataFrame 操作則主要介紹了函數和排序等方法。

[[241508]]

基本數據集操作

(1) 讀取 CSV 格式的數據集

pd.DataFrame.from_csv(“csv_file”) 

或者：

pd.read_csv(“csv_file”) 

(2) 讀取 Excel 數據集

pd.read_excel("excel_file") 

(3) 將 DataFrame 直接寫入 CSV 文件

如下采用逗號作為分隔符，且不帶索引：

df.to_csv("data.csv", sep=",", index=False) 

(4) 基本的數據集特征信息

df.info() 

(5) 基本的數據集統計信息

print(df.describe()) 

(6) Print data frame in a table

將 DataFrame 輸出到一張表：

print(tabulate(print_table, headersheaders=headers)) 

當「print_table」是一個列表，其中列表元素還是新的列表，「headers」為表頭字符串組成的列表。

(7) 列出所有列的名字

df.columns 

基本數據處理

(8) 刪除缺失數據

df.dropna(axis=0, how='any') 

返回一個 DataFrame，其中刪除了包含任何 NaN 值的給定軸，選擇 how=「all」會刪除所有元素都是 NaN 的給定軸。

(9) 替換缺失數據

df.replace(to_replace=None, value=None) 

使用 value 值代替 DataFrame 中的 to_replace 值，其中 value 和 to_replace 都需要我們賦予不同的值。

(10) 檢查空值 NaN

pd.isnull(object) 

檢查缺失值，即數值數組中的 NaN 和目標數組中的 None/NaN。

(11) 刪除特征

df.drop('feature_variable_name', axis=1) 

axis 選擇 0 表示行，選擇表示列。

(12) 將目標類型轉換為浮點型

pd.to_numeric(df["feature_name"], errors='coerce') 

將目標類型轉化為數值從而進一步執行計算，在這個案例中為字符串。

(13) 將 DataFrame 轉換為 NumPy 數組

df.as_matrix() 

(14) 取 DataFrame 的前面「n」行

df.head(n) 

(15) 通過特征名取數據

df.loc[feature_name] 

DataFrame 操作

(16) 對 DataFrame 使用函數

該函數將令 DataFrame 中「height」行的所有值乘上 2：

df["height"].apply(*lambda* height: 2 * height) 

或：

def multiply(x): 
 
 return x * 2 
 
df["height"].apply(multiply) 

(17) 重命名行

下面代碼會重命名 DataFrame 的第三行為「size」：

df.rename(columns = {df.columns[2]:'size'}, inplace=True) 

(18) 取某一行的唯一實體

下面代碼將取「name」行的唯一實體：

df["name"].unique() 

(19) 訪問子 DataFrame

以下代碼將從 DataFrame 中抽取選定了的行「name」和「size」：

new_df = df[["name", "size"]] 

(20) 總結數據信息

# Sum of values in a data frame 
df.sum() 
# Lowest value of a data frame 
df.min() 
# Highest value 
df.max() 
# Index of the lowest value 
df.idxmin() 
# Index of the highest value 
df.idxmax() 
# Statistical summary of the data frame, with quartiles, median, etc. 
df.describe() 
# Average values 
df.mean() 
# Median values 
df.median() 
# Correlation between columns 
df.corr() 
# To get these values for only one column, just select it like this# 
df["size"].median() 

(21) 給數據排序

df.sort_values(ascending = False) 

(22) 布爾型索引

以下代碼將過濾名為「size」的行，并僅顯示值等于 5 的行：

df[df["size"] == 5] 

(23) 選定特定的值

以下代碼將選定「size」列、***行的值：

df.loc([0], ['size']) 

原文鏈接：

https://towardsdatascience.com/23-great-pandas-codes-for-data-scientists-cca5ed9d8a38

【本文是51CTO專欄機構“機器之心”的原創文章，微信公眾號“機器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文