使用pandas进行数据快捷加载

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。