pandas 简介

pandas 是一个开源的 Python 库，提供高效的数据操作和分析工具。它提供了多种数据结构和处理方法，并支持多种数据格式。pandas 基于 Python 的 NumPy 库构建。

以下是一些关键特性，使得 pandas 成为广泛使用且受欢迎的库：

• 快速、高效且性能优越，支持大规模数据处理。
• 支持多种数据格式，如 CSV 文件、JSON、XML 和 SQL 数据库（仅举几例）。
• 提供数据清洗功能，支持缺失值处理。

Python 的 pandas 库支持以下两种主要数据结构：

• pandas Series
• pandas DataFrame

pandas Series 对象是一个一维带标签的数组。我们可以用任意 Python 数据类型填充 Series，例如整数、字符串、浮点数等。可以将 Series 理解为电子表格中的一列。所有 Series 对象默认都有索引，即每个元素都对应一个索引。

我们可以通过数组、字典、列表或标量创建 Series 对象。如下图所示，通过将 student_score 列表传入 pd.Series() 函数，可以创建名为 scores 的 Series 对象。每个元素都有索引，可以通过索引访问任意元素。这里使用了默认别名 pd 来引用 pandas 库。

pandas DataFrame 对象是一个二维数据结构，以行和列的形式组织数据。DataFrame 可以通过字典、列表、SQL 数据库、CSV 文件等方式填充。可以将 DataFrame 理解为电子表格中的一张表。DataFrame 默认也有索引，可以通过索引访问每一行。

下图展示了 DataFrame 对象的创建过程：通过将 data 字典传入 pd.DataFrame() 函数，创建了名为 df 的 DataFrame 对象。

Series 和 DataFrame 对象默认都是带索引的。但也可以在 pd.Series() 和 pd.DataFrame() 函数的 index 参数中指定自定义索引。

我们将使用存储在 CSV 格式中的 CustomerLaptopTransactionData.csv 数据集。要加载该数据集，使用 read_csv() 函数，如下代码片段所示。数据被加载到一个名为 transactions_df 的 pandas DataFrame 中：

1import pandas as pd
2transactions_df = pd.read_csv('CustomerLaptopTransactionData.csv') # load data

将数据集加载到 DataFrame 后，第一步是查看数据的结构。为了查看 DataFrame 中的记录，使用 pandas 的 head() 函数，它会显示前五条记录。

1print(transactions_df.head())

同样，可以使用 tail() 函数获取数据集的最后 $n$ 条记录。默认情况下返回最后五条。

1print(transactions_df.tail())

我们可以在 head() 和 tail() 函数中传入任意在 DataFrame 记录范围内的数值。

但如何知道 DataFrame 中有多少条记录呢？pandas 也提供了相应方法。使用 DataFrame 的 shape 属性可以获取数据形状，返回一个元组（行数，列数），说明该数据集共有 86 行和 7 列。

1print(transactions_df.shape)

类似地，DataFrame 的 size 属性返回一个整数，表示元素总数（即行数乘以列数）。

1print(transactions_df.size)

了解数据集大小和列数后，下一步是了解各列的数据类型。为此，使用 pandas DataFrame 的 dtypes 属性。

1print(transactions_df.dtypes)

在上述代码中，Purchase_ID 和 laptop_price 是整数类型，其余列均为浮点数类型。

在掌握数据集的大小、列名和数据类型之后，接下来可以了解数据的分布情况。为此，使用 describe() 方法，它会返回数据集中数值型列的统计摘要。

1print(transactions_df.describe())

describe() 方法对 DataFrame 中的数值型数据计算一些统计指标，如百分位数、均值和标准差。

我们已经看到数据集中的 laptop_brand 列。假设我们好奇这家商店销售了多少种不同的笔记本品牌，也就是想知道 laptop_brand 列中唯一值的数量。这时可以使用 nunique() 方法，它返回某一列中唯一值的数量。该方法在探索分类变量时非常有用。

1print(transactions_df.nunique())   # 每列的唯一值数量

可以看到，共有两种不同品牌的笔记本电脑被售出。注意，这里的分类变量以数值形式表示，即某个数值代表一个品牌，另一个数值代表另一个品牌。这只是数据的一种常见表示方式。当然，这些值也可以以字符串形式存储（如 laptop_brand）。

我们已经整体查看和访问了 DataFrame。但也可以单独访问特定列进行分析。例如，可以使用 [] 符号访问 laptop_price 列，如下代码所示。这是因为 pandas 使用方括号来索引列。

1print("Single bracket\n", transactions_df['laptop_price'])
2print("\n")
3print("Double brackets\n", transactions_df[['laptop_price']])

在上述代码中，第 1 行使用 []，第 3 行使用 [[]]。你是否注意到两个输出之间的区别？

请暂停一下思考一下。有没有什么看起来熟悉的地方？

第一种方法 [] 默认返回一个 Series 对象，而第二种方法 [[]] 即使传入的是包含单个元素的列表，也会返回一个 DataFrame 对象。

第一种方法的输出是一个包含 86 行的 Series，而第二种方法返回的是一个包含 86 行 1 列的 DataFrame。

我们还可以查看每个类别的数量。之前已知 laptop_price 列有四个唯一值：$500、$600、$900 和$1200。但我们想知道每种价格对应的销售数量。此时可以使用 value_counts() 方法。

1print(transactions_df['laptop_price'].value_counts())

可以看到，售价为 $900 的笔记本电脑销量最高。你是否发现，仅分析一列就能获得重要洞察？

pandas 库常与 seaborn 库配合用于数据可视化。我们使用 pandas 进行数据清洗和预处理，使数据适合 seaborn 可视化，从而让图表准确传达信息。