簡明 Python Pandas 入門教學


Posted by KD Chang on 2020-09-21

前言

在 Python 套件生態系中:NumpyPandasMatplotlibScipy 以及 scikit-learn 是常見用來進行資料分析和機器學習(machine learning)、資料科學應用的重要套件和模組。之前我們介紹了 Python Numpy 套件,可以方便我們建立矩陣並處理大量的矩陣運算並為未來學習資料科學相關應用打好基礎。

接下來我們要介紹的 Pandas 是一個 Python 用來資料處理的工具,可以讀取各種檔案轉成欄列式資料格式,進而過濾或是進行資料前處理(將資料整理好方便後續資料分析使用)。

Pandas 套件基礎

Pandas 是 Python 進行資料處理和資料分析一個好用的工具,其主要資料結構有包含:Series 物件和 DataFrame 物件。其中 DataFrame 就類似我們在使用的 Excel 試算表一樣,由欄列所組成的表格結構。由於 Pandas 本身基於 Numpy 所以在使用大量資料運算時效能表現也優於原生的 Python 資料結構,所以是常用將資料載入進行資料分析的好用工具。

  1. Series 物件 Series 為索引標籤和實際值的陣列組合
  2. DataFrame 物件 DataFrame 類似試算表和關聯式資料庫資料表(table)欄列結構,每一欄是固定資料型別但不同欄可以儲存不同的資料型別

在使用前我們需要確認已有安裝 Pandas 套件。若尚未安裝套件,可以使用以下語法在 Anaconda Prompt 或 Terminal 終端機下安裝(預設 Anaconda 已有安裝)

pip install pandas

若使用 Jupyter Notebook 安裝套件,需使用以下語法安裝:

!pip install pandas

接著我們可以使用 VS Code 或是 Jupyter Notebook 打開我們建立的專案工作資料夾,若已安裝過套件就可以直接引用並執行程式碼。

建立 Series 物件

透過 list 當作參數可以將 list 轉換成 Series 物件。

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 建立 Series 物件,傳入 list 當作參數
series_1 = pd.Series([2, 1, 7, 3])

print(series_1)

執行結果:

0    2
1    1
2    7
3    3
dtype: int64

建立 Series 索引值(預設為 0, 1, 2...,但可以透過 index 屬性更改):

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 建立 Series 物件並設定 index 索引
grades = pd.Series([60, 27, 72, 53], index=['小郭', '小王', '小華', '小明'])

print(grades)

執行結果:

小郭    60
小王    27
小華    72
小明    53
dtype: int64

使用索引取值:

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 建立 Series 物件,傳入 list 當作參數
series_1 = pd.Series([22, 34, 41, 3])

print(series_1[0])
print(series_1[1:3])

執行結果:

12
1    34
2    41
dtype: int64

使用自定義索引取值;

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 建立 Series 物件並設定 index 索引
grades = pd.Series([60, 27, 72, 53], index=['小郭', '小王', '小華', '小明'])

print(grades['小王'])

執行結果:

27

建立 DataFrame 物件

DataFramePandas 最重要的資料結構,基本上我們使用 Pandas 進行資料分析和操作大部分都是在使用 DataFrame。如同我們所提到的 DataFrame 的結構類似於關聯式資料庫的資料表(table)是由欄(column)和列的索引(index)所組成。

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 準備傳入 
data = {
    'name': ['王小郭', '張小華', '廖丁丁', '丁小光'],
    'email': ['min@gmail.com', 'hchang@gmail.com', 'laioding@gmail.com', 'hsulight@gmail.com'],
    'grades': [60, 77, 92, 43]
}

# 建立 DataFrame 物件
student_df = pd.DataFrame(data)

print(student_df)

執行結果:

  name               email  grades
0  王小郭       min@gmail.com      60
1  張小華    hchang@gmail.com      77
2  廖丁丁  laioding@gmail.com      92
3  丁小光  hsulight@gmail.com      43

也可以自行定義 index:

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 準備傳入 DataFrame 的資料
data = {
    'name': ['王小郭', '張小華', '廖丁丁', '丁小光'],
    'email': ['min@gmail.com', 'hchang@gmail.com', 'laioding@gmail.com', 'hsulight@gmail.com'],
    'grades': [60, 77, 92, 43]
}

# 建立 DataFrame 物件
student_df = pd.DataFrame(data, index=['one', 'second', 'third','fourth'])

print(student_df)

執行結果:

       name               email  grades
one     王小郭       min@gmail.com      60
second  張小華    hchang@gmail.com      77
third   廖丁丁  laioding@gmail.com      92
fourth  丁小光  hsulight@gmail.com      43

列出資料訊息

透過 DataFrame 函式我們可以很容易一窺整個資料集的統計數據和資料內容。

範例語法:

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

data = {
    'name': ['王小郭', '張小華', '廖丁丁', '丁小光'],
    'email': ['min@gmail.com', 'hchang@gmail.com', 'laioding@gmail.com', 'hsulight@gmail.com'],
    'grades': [60, 77, 92, 43]
}

# 建立 DataFrame 物件
student_df = pd.DataFrame(data)

# 列出欄位資料型別等資訊
print(student_df.info())
# 列出統計資訊
print(student_df.describe())

執行結果:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 3 columns):
name      4 non-null object
email     4 non-null object
grades    4 non-null int64
dtypes: int64(1), object(2)
memory usage: 176.0+ bytes
None
          grades
count   4.000000
mean   68.000000
std    21.181753
min    43.000000
25%    55.750000
50%    68.500000
75%    80.750000
max    92.000000

範例語法:

# 列出 DataFrame 的 index/columns
print(student_df.index)
print(student_df.columns)

執行結果:

RangeIndex(start=0, stop=4, step=1)
Index(['name', 'email', 'grades'], dtype='object')

範例語法:

# 印出頭尾指定幾筆資料
print(student_df.head(3))
print(student_df.tail(3))

執行結果:

  name             email  grades
0  王小郭     min@gmail.com      60
1  張小華  hchang@gmail.com      77
2  廖丁丁  laioding@gmail.com    92
  name               email  grades
1  張小華  hchang@gmail.com        77
2  廖丁丁  laioding@gmail.com      92
3  丁小光  hsulight@gmail.com      43

Pandas DataFrame 基本操作

由於 DataFrame 是 Pandas 最常使用的資料結構物件,所以我們接下來會主要學習如何操作 DataFrame 資料結構物件。

讀取資料

除了自行創建 DataFrame 物件外,我們也可以使用 read_csv(檔案名稱) 等函式讀取檔案成為 DataFrame。在 Pandas 中我們主要可以使用 read_json(檔案名稱)read_csv(檔案名稱)read_html(檔案名稱) 來讀取檔案。

Step1. 下載政府開放資料檔案
政府開放資料(Open Data)網站中我們可以下載許多生活上的開放資料來進行資料分析學習使用。

在這邊我們使用 政府開放資料中的盤後資訊 > 個股日成交資訊 CSV 檔案

資料格式如下:

證券代號,證券名稱,成交股數,成交金額,開盤價,最高價,最低價,收盤價,漲跌價差,成交筆數
"0050","元大台灣50","5,709,735","599,969,574","105.20","105.90","104.35","104.45","-0.85","2,400"
"0051","元大中型100","27,067","1,088,175","40.37","40.38","40.02","40.02","-0.35","22"
"0052","富邦科技","984,453","90,344,848","92.15","92.75","91.25","91.25","-1.00","173"
"0053","元大電子","12,000","606,200","50.60","50.70","50.05","50.05","-0.35","11"
...

將下載的檔案存成 stock_info.csv 檔案。

Step2. 載入資料
使用 Pandas read_csv() 方法讀取 csv 檔案。

import pandas as pd

# 將 csv 檔案轉換成 DataFrame
df = pd.read_csv('stock_info.csv')

Step3. 輸出資料狀況

# 輸入資料概況
df.info()
df.describe()

# 輸出頭尾資料
df.head()
df.tail()

執行結果:

刪除欄位

若希望刪除特定欄位,可以使用 drop([欄位], axis=指定欄或列) 方法(axis=1 為欄,axis=0 為列),指定要刪除的欄位。

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 準備傳入 DataFrame 的資料
data_1 = {
    'name': ['王小郭', '張小華', '廖丁丁', '丁小光'],
    'email': ['min@gmail.com', 'hchang@gmail.com', 'laioding@gmail.com', 'hsulight@gmail.com'],
    'grades': [60, 77, 92, 43]
}


# 建立 DataFrame 物件
student_df_1 = pd.DataFrame(data_1)
print(student_df_1)

# 使用 drop 指定欄位,記得要給定 axis=1 為欄。若 axis=0 為代表列
student_df_1 = student_df_1.drop(['grades'], axis=1)
print(student_df_1)

執行結果:

  name               email  grades
0  王小郭       min@gmail.com      60
1  張小華    hchang@gmail.com      77
2  廖丁丁  laioding@gmail.com      92
3  丁小光  hsulight@gmail.com      43
  name               email
0  王小郭       min@gmail.com
1  張小華    hchang@gmail.com
2  廖丁丁  laioding@gmail.com
3  丁小光  hsulight@gmail.com

充填 NA/NaN 值

有時我們建立或讀取進來的資料值中會有 NA/NaN 值(可能是資料遺漏或是沒有值),此時我們可以使用 DataFrame.fillna 來填充 NA/NaN 值,例如改為 0 等。

使用 Numpy 和 Pandas 建立一個有 NA/NaN 值的 DataFrame:

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd
import numpy as np

df = pd.DataFrame([[np.nan, 2, np.nan, 0],
                   [3, 4, np.nan, 1],
                   [np.nan, np.nan, np.nan, 5],
                   [np.nan, 3, np.nan, 4]],
                  columns=list('ABCD'))

執行結果:

df
     A    B   C  D
0  NaN  2.0 NaN  0
1  3.0  4.0 NaN  1
2  NaN  NaN NaN  5
3  NaN  3.0 NaN  4

將 NA/NaN

df.fillna(0)

執行結果:

    A   B   C   D
0   0.0 2.0 0.0 0
1   3.0 4.0 0.0 1
2   0.0 0.0 0.0 5
3   0.0 3.0 0.0 4

合併與更新物件

若我們希望合併不同的 DataFrame 我們可以使用列合併 concat() 或是欄位合併 merge()

以下先建立學習資料:

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 準備傳入 DataFrame 的資料
data_1 = {
    'name': ['王小郭', '張小華', '廖丁丁', '丁小光'],
    'email': ['min@gmail.com', 'hchang@gmail.com', 'laioding@gmail.com', 'hsulight@gmail.com'],
    'grades': [60, 77, 92, 43]
}

data_2 = {
    'name': ['黃明明', '汪新新', '鮑呱呱', '江組組'],
    'email': ['ww@gmail.com', 'cc@gmail.com', 'bb@gmail.com', 'ee@gmail.com'],
    'grades': [70, 17, 32, 43]
}

# 建立 DataFrame 物件
student_df_1 = pd.DataFrame(data_1)
student_df_2 = pd.DataFrame(data_2)

print(student_df_1)
print(student_df_2)

執行結果:

  name               email  grades
0  王小郭       min@gmail.com      60
1  張小華    hchang@gmail.com      77
2  廖丁丁  laioding@gmail.com      92
3  丁小光  hsulight@gmail.com      43
  name         email  grades
0  黃明明  ww@gmail.com      70
1  汪新新  cc@gmail.com      17
2  鮑呱呱  bb@gmail.com      32
3  江組組  ee@gmail.com      43

使用 concat 列合併資料

student_fg_3 = pd.concat([student_df_1, student_df_2])

print(student_fg_3)

執行結果:

  name               email  grades
0  王小郭       min@gmail.com      60
1  張小華    hchang@gmail.com      77
2  廖丁丁  laioding@gmail.com      92
3  丁小光  hsulight@gmail.com      43
0  黃明明        ww@gmail.com      70
1  汪新新        cc@gmail.com      17
2  鮑呱呱        bb@gmail.com      32
3  江組組        ee@gmail.com      43

若有 ignore_index 則列的 index 會重新排列:

student_fg_3 = pd.concat([student_df_1, student_df_2], ignore_index=True)

print(student_fg_3)

執行結果:

  name               email  grades
0  王小郭       min@gmail.com      60
1  張小華    hchang@gmail.com      77
2  廖丁丁  laioding@gmail.com      92
3  丁小光  hsulight@gmail.com      43
4  黃明明        ww@gmail.com      70
5  汪新新        cc@gmail.com      17
6  鮑呱呱        bb@gmail.com      32
7  江組組        ee@gmail.com      43

建立學習資料:

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

# 準備傳入 DataFrame 的資料
data_1 = {
    'name': ['王小郭', '張小華', '廖丁丁', '丁小光'],
    'email': ['min@gmail.com', 'hchang@gmail.com', 'laioding@gmail.com', 'hsulight@gmail.com'],
    'grades': [60, 77, 92, 43]
}

data_2 = {
    'name': ['王小郭', '張小華', '廖丁丁', '丁小光'],
    'age': [19, 20, 32, 43]
}

# 建立 DataFrame 物件
student_df_1 = pd.DataFrame(data_1)
student_df_2 = pd.DataFrame(data_2)

print(student_df_1)
print(student_df_2)

執行結果:

  name               email  grades
0  王小郭       min@gmail.com      60
1  張小華    hchang@gmail.com      77
2  廖丁丁  laioding@gmail.com      92
3  丁小光  hsulight@gmail.com      43
  name  age
0  王小郭   19
1  張小華   20
2  廖丁丁   32
3  丁小光   43

使用 merge 合併欄位資料
有點類似 SQL JOIN 的感覺,根據相同的欄位合併資料:

student_fg_3 = pd.merge(student_df_1, student_df_2)

print(student_fg_3)

執行結果:

  name               email  grades  age
0  王小郭       min@gmail.com      60   19
1  張小華    hchang@gmail.com      77   20
2  廖丁丁  laioding@gmail.com      92   32
3  丁小光  hsulight@gmail.com      43   43

輸出資料

在 Pandas 中同樣可以使用 DataFrame.to_csv(檔案名稱)DataFrame.to_json(檔案名稱)DataFrame.to_excel(檔案名稱)DataFrame.to_html(檔案名稱)將資料轉成檔案。

範例語法:

# 引入 pandas 套件,使用別名 pd 可以少打字
import pandas as pd

data = {
    'name': ['王小郭', '張小華', '廖丁丁', '丁小光'],
    'email': ['min@gmail.com', 'hchang@gmail.com', 'laioding@gmail.com', 'hsulight@gmail.com'],
    'grades': [60, 77, 92, 43]
}

# 建立 DataFrame 物件
student_df = pd.DataFrame(data)

# 將 DataFrame 轉成 CSV 檔案
print(student_df.to_csv('student_demo.csv'))

執行結果(儲存成 student_demo.csv 檔案):

,name,email,grades
0,王小郭,min@gmail.com,60
1,張小華,hchang@gmail.com,77
2,廖丁丁,laioding@gmail.com,92
3,丁小光,hsulight@gmail.com,43

總結

這次我們介紹了 Pandas 這個用來操作不同資料來源並將其格式化的資料分析工具,Pandas 可以讀取各種檔案轉成欄列式資料格式 DataFrame,進而過濾或是進行資料前處理。透過 Pandas 整理後的格式化資料,我們可以更方便後續資料分析、資料科學和機器學習專案使用。同時我們也可以使用 Pandas 輸入和輸出不同檔案格式的資料。


#Python #pandas #教學 #tutorial









Related Posts

什麼是 Prototype 、繼承與原型鏈 ?

什麼是 Prototype 、繼承與原型鏈 ?

自駕車模擬環境 CARLA - 簡介 & 安裝

自駕車模擬環境 CARLA - 簡介 & 安裝

Leetcode 刷題雜談 - 該如何每天都刷題

Leetcode 刷題雜談 - 該如何每天都刷題




Newsletter




Comments