使用pandas进行数据快捷加载

大数据DT

共 3123字,需浏览 7分钟

 ·

2020-09-24 09:41


导读:在已经准备好工具箱的情况下,我们来学习怎样使用pandas对数据进行加载、操作、预处理与打磨。


让我们先从CSV文件和pandas开始。


作者:阿尔贝托·博斯凯蒂,卢卡·马萨罗 
来源:华章计算机(ID:hzbook_jsj)



pandas库提供了最方便、功能完备的函数,能从文件(或URL)加载表格数据。默认情况下,pandas会将数据存储到一个专门的数据结构中,这个数据结构能够实现按行索引、通过自定义的分隔符分隔变量、推断每一列的正确数据类型、转换数据(如果需要的话),以及解析日期、缺失值和出错数据。

我们将从导入pandas包和读取Iris数据集开始:

import pandas as pd
Iris_filename=’datasets-uci-iris.csv’
Iris=pd.read_csv(iris_filename,sep=’_’,decimal=’_’,heade=None,
                 names=[‘sepal_length’,‘sepal_width’
                        ‘petal_length’,‘petal_width’
                        ‘target’])

通过上面的命令,可以指定文件名分隔符(sep)、小数点占位符(decimal)、是否有标题(header)以及变量名称(使用names和列表)。分隔符和小数点占位符的默认设置为sep=',' 和decimal='.',在上面的函数中这些设置显得有些多余。

但是,对于欧洲格式的CSV文件需要明确指出这两个参数,这是因为许多欧洲国家的分隔符和小数点占位符都与默认值不同。

如果数据集不能在线使用,可以按照如下步骤从互联网上下载:

import urllib
  url=”http://aima.cs.berkeley.edu/data/iris.csv”
  set1=urllib.request.Request(ur1)
  iris_p=urllib.request.urlopen(set1)
  iris_other=pd.read_csv(iris_p,sep=',',decimal='.'
        header=None, names=[‘sepal_length’,‘sepal_width’                                                                                                                 
                            ‘petal_length’,‘petal_width’
                                             ‘target’ ])
  iris_other.head()

由此产生的对象是一个名为iris的pandas数据框(DataFrame)。它不是一个简单的Python列表或字典。为了对其内容有一个粗略的概念,使用如下命令可以输出它的前几行(或最后几行):

iris.head()

输出数据框的前五行,如下所示:


iris.tail()

调用此函数,如果不带任何参数,将输出五行。如果想要输出不同的行数,调用函数时只需要设置想要的行数作为参数,格式如下:

iris.head(2)

上述命令只输出了数据的前两行。现在,为了获得每列的名称,可以使用如下代码获得列名:

iris.columns

输出:

Index([‘sepal_length’,‘sepal_width’             
       ‘petal_length’,‘petal_width’                            
       ‘target’ ],dtype=‘object’ )

这次生成的对象非常有趣,显然它看起来像一个列表,但实际上是一个pandas索引。可以从对象的名称猜测,它表示的是列的名称。例如,要提取“target”列,简单地按如下方式就可以做到:

y=iris[‘target’ ]
   y

输出:

0 Iris-setosa
1 Iris-setosa
2 Iris-setosa
3 Iris-setosa
...
149 Iris-virginica
Name:target,dtype:object

对象y的类型是pandas series,可以把它看成是具有轴标签的一维数组,稍后我们会对它进行深入研究。现在,我们只需要了解,pandas索引(Index)类就像表中列的字典索引一样。需要注意的是,还可以通过索引得到列的列表,如下所示:

x =iris[[ ‘sepal_length’,‘sepal_width’ ]]

x

输出:

[150 rows x 2 columns]

以下是X数据集的前4行数据:


以下是X数据集的后4行数据:


在这个例子中,得到的结果是一个pandas数据框。为什么使用相同的函数却有如此大的差异呢?那么,在前一个例子中,我们想要抽取一列,因此,结果是一维向量(即pandas series)。

在第二个例子中,我们要抽取多列,于是得到了类似矩阵的结果(我们知道矩阵可以映射为pandas的数据框)。新手读者可以简单地通过查看输出结果的标题来发现它们的差异;如果该列有标签,则正在处理的是pandas 数据框。否则,如果结果是一个没有标题的向量,那么这是pandas series

至此,我们已经了解了数据科学过程中一些很常见的步骤。加载完数据集之后,通常会分离特征和目标标签。目标标签通常是序号或文本字符串,指示与每一组特征相关的类别。

然后,接下来的步骤需要弄清楚要处理的问题的规模,因此,你需要知道数据集的大小。通常,对每个观测计为一行,对每一个特征计为一列。

为了获得数据集的维数,只需在pandas数据框和series上使用属性shape,如下面的例子所示:

print (X.shape)
#输出:(150,2)
print (y.shape)
#输出:(150,)

得到的对象是一个包含矩阵或数组大小的元组(tuple),还要注意的是pandas series也遵循相同的格式(比如,只有一个元素的元组)。

本文摘编自《数据科学导论:Python语言》(原书第3版)

延伸阅读数据科学导论:Python语言

推荐语:数据科学快速入门指南,全面覆盖进行数据科学分析和开发的所有关键要点。


划重点?


干货直达?


更多精彩?

在公众号对话框输入以下关键词
查看更多优质内容!

PPT | 读书 | 书单 | 硬核 | 干货 | 讲明白 | 神操作
大数据 | 云计算 | 数据库 | Python | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 1024 | 数学 | 算法 数字孪生

据统计,99%的大咖都完成了这个神操作
?


浏览 5
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报