從剪貼板中創(chuàng)建DataFrame

假設(shè)你將一些數(shù)據(jù)儲(chǔ)存在Excel或者Google Sheet中，你又想要盡快地將他們讀取至DataFrame中。你需要選擇這些數(shù)據(jù)并復(fù)制至剪貼板。然后，你可以使用read_clipboard()函數(shù)將他們讀取至DataFrame中：

和read_csv()類似，read_clipboard()會(huì)自動(dòng)檢測每一列的正確的數(shù)據(jù)類型：

讓我們?cè)購?fù)制另外一個(gè)數(shù)據(jù)至剪貼板：

神奇的是，pandas已經(jīng)將第一列作為索引了：

需要注意的是，如果你想要你的工作在未來可復(fù)制，那么read_clipboard()并不值得推薦。

將DataFrame劃分為兩個(gè)隨機(jī)的子集

假設(shè)你想要將一個(gè)DataFrame劃分為兩部分，隨機(jī)地將75%的行給一個(gè)DataFrame，剩下的25%的行給另一個(gè)DataFrame。

舉例來說，我們的movie ratings這個(gè)DataFrame有979行：

我們可以使用sample()函數(shù)來隨機(jī)選取75%的行，并將它們賦值給"movies_1"DataFrame：

接著我們使用drop()函數(shù)來舍棄“moive_1”中出現(xiàn)過的行，將剩下的行賦值給"movies_2"DataFrame：

你可以發(fā)現(xiàn)總的行數(shù)是正確的：

你還可以檢查每部電影的索引，或者"moives_1":

或者"moives_2":

需要注意的是，這個(gè)方法在索引值不唯一的情況下不起作用。

注：該方法在機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)中很有用，因?yàn)樵谀Ｐ陀?xùn)練前，我們往往需要將全部數(shù)據(jù)集按某個(gè)比例劃分成訓(xùn)練集和測試集。該方法既簡單又高效，值得學(xué)習(xí)和嘗試。

多種類型過濾DataFrame

讓我們先看一眼movies這個(gè)DataFrame：

In[60]: movies.head() Out[60]:

其中有一列是genre（類型）:

比如我們想要對(duì)該DataFrame進(jìn)行過濾，我們只想顯示genre為Action或者Drama或者Western的電影，我們可以使用多個(gè)條件，以"or"符號(hào)分隔：

In[62]: movies[(movies.genre=='Action')| (movies.genre=='Drama')| (movies.genre== 'Western')].head() Out[62]:

但是，你實(shí)際上可以使用isin()函數(shù)將代碼寫得更加清晰，將genres列表傳遞給該函數(shù)：

In[63]: movies[movies.genre.isin(['Action','Drama','Western'])].head() Out[63]:

如果你想要進(jìn)行相反的過濾，也就是你將吧剛才的三種類型的電影排除掉，那么你可以在過濾條件前加上破浪號(hào)：

In[64]: movies[~movies.genre.isin(['Action', 'Drama','Western'])].head() Out[64]:

這種方法能夠起作用是因?yàn)樵?a href="http://m.sdkjxy.cn/tags/python/" target="_blank">Python中，波浪號(hào)表示“not”操作。

DataFrame篩選數(shù)量最多類別

假設(shè)你想要對(duì)movies這個(gè)DataFrame通過genre進(jìn)行過濾，但是只需要前3個(gè)數(shù)量最多的genre。

我們對(duì)genre使用value_counts()函數(shù)，并將它保存成counts（type為Series）:

該Series的nlargest()函數(shù)能夠輕松地計(jì)算出Series中前3個(gè)最大值：

事實(shí)上我們?cè)谠揝eries中需要的是索引：

最后，我們將該索引傳遞給isin()函數(shù)，該函數(shù)會(huì)把它當(dāng)成genre列表：

In[68]: movies[movies.genre.isin(counts.nlargest(3).index)].head() Out[68]:

這樣，在DataFrame中只剩下Drame, Comdey, Action這三種類型的電影了。

處理缺失值

讓我們來看一看UFO sightings這個(gè)DataFrame:

你將會(huì)注意到有些值是缺失的。

為了找出每一列中有多少值是缺失的，你可以使用isna()函數(shù)，然后再使用sum():

isna()會(huì)產(chǎn)生一個(gè)由True和False組成的DataFrame，sum()會(huì)將所有的True值轉(zhuǎn)換為1，F(xiàn)alse轉(zhuǎn)換為0并把它們加起來。

類似地，你可以通過mean()和isna()函數(shù)找出每一列中缺失值的百分比。

如果你想要舍棄那些包含了缺失值的列，你可以使用dropna()函數(shù)：

或者你想要舍棄那么缺失值占比超過10%的列，你可以給dropna()設(shè)置一個(gè)閾值：

len(ufo)返回總行數(shù)，我們將它乘以0.9，以告訴pandas保留那些至少90%的值不是缺失值的列。

一個(gè)字符串劃分成多列

我們先創(chuàng)建另一個(gè)新的示例DataFrame:

如果我們需要將“name”這一列劃分為三個(gè)獨(dú)立的列，用來表示first, middle, last name呢？我們將會(huì)使用str.split()函數(shù)，告訴它以空格進(jìn)行分隔，并將結(jié)果擴(kuò)展成一個(gè)DataFrame:

這三列實(shí)際上可以通過一行代碼保存至原來的DataFrame:

如果我們想要?jiǎng)澐忠粋€(gè)字符串，但是僅保留其中一個(gè)結(jié)果列呢？比如說，讓我們以", "來劃分location這一列：

如果我們只想保留第0列作為city name，我們僅需要選擇那一列并保存至DataFrame:

Series擴(kuò)展成DataFrame

讓我們創(chuàng)建一個(gè)新的示例DataFrame:

這里有兩列，第二列包含了Python中的由整數(shù)元素組成的列表。

如果我們想要將第二列擴(kuò)展成DataFrame，我們可以對(duì)那一列使用apply()函數(shù)并傳遞給Series constructor:

通過使用concat()函數(shù)，我們可以將原來的DataFrame和新的DataFrame組合起來：

對(duì)多個(gè)函數(shù)進(jìn)行聚合

讓我們來看一眼從Chipotle restaurant chain得到的orders這個(gè)DataFrame:

In[82]: orders.head(10) Out[82]:

每個(gè)訂單（order）都有訂單號(hào)（order_id），包含一行或者多行。為了找出每個(gè)訂單的總價(jià)格，你可以將那個(gè)訂單號(hào)的價(jià)格（item_price）加起來。比如，這里是訂單號(hào)為1的總價(jià)格：

如果你想要計(jì)算每個(gè)訂單的總價(jià)格，你可以對(duì)order_id使用groupby()，再對(duì)每個(gè)group的item_price進(jìn)行求和。

但是，事實(shí)上你不可能在聚合時(shí)僅使用一個(gè)函數(shù)，比如sum()。為了對(duì)多個(gè)函數(shù)進(jìn)行聚合，你可以使用agg()函數(shù)，傳給它一個(gè)函數(shù)列表，比如sum()和count():

這將告訴我們沒定訂單的總價(jià)格和數(shù)量。

聚合結(jié)果與DataFrame組合

讓我們?cè)倏匆谎踥rders這個(gè)DataFrame:

In[86]: orders.head(10) Out[86]:

如果我們想要增加新的一列，用于展示每個(gè)訂單的總價(jià)格呢？回憶一下，我們通過使用sum()函數(shù)得到了總價(jià)格：

sum()是一個(gè)聚合函數(shù)，這表明它返回輸入數(shù)據(jù)的精簡版本（reduced version ）。

換句話說，sum()函數(shù)的輸出：

比這個(gè)函數(shù)的輸入要?。?/p>

解決的辦法是使用transform()函數(shù)，它會(huì)執(zhí)行相同的操作但是返回與輸入數(shù)據(jù)相同的形狀：

我們將這個(gè)結(jié)果存儲(chǔ)至DataFrame中新的一列：

In[91]: orders['total_price']= total_price orders.head(10) Out[91]:

你可以看到，每個(gè)訂單的總價(jià)格在每一行中顯示出來了。

這樣我們就能方便地甲酸每個(gè)訂單的價(jià)格占該訂單的總價(jià)格的百分比：

In[92]: orders['percent_of_total']=orders.item_price/orders.total_price orders.head(10) In[92]:

選取行和列的切片

讓我們看一眼另一個(gè)數(shù)據(jù)集：

In[93]: titanic.head() Out[93]:

這就是著名的Titanic數(shù)據(jù)集，它保存了Titanic上乘客的信息以及他們是否存活。

如果你想要對(duì)這個(gè)數(shù)據(jù)集做一個(gè)數(shù)值方面的總結(jié)，你可以使用describe()函數(shù)：

但是，這個(gè)DataFrame結(jié)果可能比你想要的信息顯示得更多。

如果你想對(duì)這個(gè)結(jié)果進(jìn)行過濾，只想顯示“五數(shù)概括法”（five-number summary）的信息，你可以使用loc函數(shù)并傳遞"min"到"max"的切片:

如果你不是對(duì)所有列都感興趣，你也可以傳遞列名的切片：

MultiIndexed Series重塑

Titanic數(shù)據(jù)集的Survived列由1和0組成，因此你可以對(duì)這一列計(jì)算總的存活率：

如果你想對(duì)某個(gè)類別，比如“Sex”，計(jì)算存活率，你可以使用groupby():

如果你想一次性對(duì)兩個(gè)類別變量計(jì)算存活率，你可以對(duì)這些類別變量使用groupby()：

該結(jié)果展示了由Sex和Passenger Class聯(lián)合起來的存活率。它存儲(chǔ)為一個(gè)MultiIndexed Series，也就是說它對(duì)實(shí)際數(shù)據(jù)有多個(gè)索引層級(jí)。

這使得該數(shù)據(jù)難以讀取和交互，因此更為方便的是通過unstack()函數(shù)將MultiIndexed Series重塑成一個(gè)DataFrame:

該DataFrame包含了與MultiIndexed Series一樣的數(shù)據(jù)，不同的是，現(xiàn)在你可以用熟悉的DataFrame的函數(shù)對(duì)它進(jìn)行操作。

創(chuàng)建數(shù)據(jù)透視表

如果你經(jīng)常使用上述的方法創(chuàng)建DataFrames，你也許會(huì)發(fā)現(xiàn)用pivot_table()函數(shù)更為便捷：

想要使用數(shù)據(jù)透視表，你需要指定索引(index),列名(columns),值(values)和聚合函數(shù)(aggregation function)。

數(shù)據(jù)透視表的另一個(gè)好處是，你可以通過設(shè)置margins=True輕松地將行和列都加起來：

這個(gè)結(jié)果既顯示了總的存活率，也顯示了Sex和Passenger Class的存活率。

最后，你可以創(chuàng)建交叉表（cross-tabulation），只需要將聚合函數(shù)由"mean"改為"count":

這個(gè)結(jié)果展示了每一對(duì)類別變量組合后的記錄總數(shù)。

連續(xù)數(shù)據(jù)轉(zhuǎn)類別數(shù)據(jù)

讓我們來看一下Titanic數(shù)據(jù)集中的Age那一列：

它現(xiàn)在是連續(xù)性數(shù)據(jù)，但是如果我們想要將它轉(zhuǎn)變成類別數(shù)據(jù)呢？

一個(gè)解決辦法是對(duì)年齡范圍打標(biāo)簽，比如"adult", "young adult", "child"。實(shí)現(xiàn)該功能的最好方式是使用cut()函數(shù)：

這會(huì)對(duì)每個(gè)值打上標(biāo)簽。0到18歲的打上標(biāo)簽"child"，18-25歲的打上標(biāo)簽"young adult"，25到99歲的打上標(biāo)簽“adult”。

注意到，該數(shù)據(jù)類型為類別變量，該類別變量自動(dòng)排好序了（有序的類別變量）。

Style a DataFrame

上一個(gè)技巧在你想要修改整個(gè)jupyter notebook中的顯示會(huì)很有用。但是，一個(gè)更靈活和有用的方法是定義特定DataFrame中的格式化（style）。

讓我們回到stocks這個(gè)DataFrame:

我們可以創(chuàng)建一個(gè)格式化字符串的字典，用于對(duì)每一列進(jìn)行格式化。然后將其傳遞給DataFrame的style.format()函數(shù)：

注意到，Date列是month-day-year的格式，Close列包含一個(gè)$符號(hào)，Volume列包含逗號(hào)。

我們可以通過鏈?zhǔn)秸{(diào)用函數(shù)來應(yīng)用更多的格式化：

我們現(xiàn)在隱藏了索引，將Close列中的最小值高亮成紅色，將Close列中的最大值高亮成淺綠色。

這里有另一個(gè)DataFrame格式化的例子：

Volume列現(xiàn)在有一個(gè)漸變的背景色，你可以輕松地識(shí)別出大的和小的數(shù)值。

最后一個(gè)例子：

現(xiàn)在，Volumn列上有一個(gè)條形圖，DataFrame上有一個(gè)標(biāo)題。

請(qǐng)注意，還有許多其他的選項(xiàng)你可以用來格式化DataFrame。

額外技巧

Profile a DataFrame

假設(shè)你拿到一個(gè)新的數(shù)據(jù)集，你不想要花費(fèi)太多力氣，只是想快速地探索下。那么你可以使用pandas-profiling這個(gè)模塊。

在你的系統(tǒng)上安裝好該模塊，然后使用ProfileReport()函數(shù)，傳遞的參數(shù)為任何一個(gè)DataFrame。它會(huì)返回一個(gè)互動(dòng)的HTML報(bào)告：

第一部分為該數(shù)據(jù)集的總覽，以及該數(shù)據(jù)集可能出現(xiàn)的問題列表

第二部分為每一列的總結(jié)。你可以點(diǎn)擊"toggle details"獲取更多信息

第三部分顯示列之間的關(guān)聯(lián)熱力圖

第四部分為缺失值情況報(bào)告

第五部分顯示該數(shù)據(jù)及的前幾行

使用示例如下（只顯示第一部分的報(bào)告）：

原文鏈接：
https://nbviewer.jupyter.org/github/justmarkham/pandas-videos/blob/master/top_25_pandas_tricks.ipynb