Pandas 2.2 中文官方教程和指南(六)(1)https://developer.aliyun.com/article/1509740
缺失数据
pandas 和 Stata 都有缺失数据的表示。
pandas 用特殊的浮点值NaN
(不是一个数字)表示缺失数据。许多语义是相同的;例如,缺失数据通过数值运算传播,并且默认情况下在聚合中被忽略。
In [57]: outer_join Out[57]: key value_x value_y 0 A 0.469112 NaN 1 B -0.282863 1.212112 2 C -1.509059 NaN 3 D -1.135632 -0.173215 4 D -1.135632 0.119209 5 E NaN -1.044236 In [58]: outer_join["value_x"] + outer_join["value_y"] Out[58]: 0 NaN 1 0.929249 2 NaN 3 -1.308847 4 -1.016424 5 NaN dtype: float64 In [59]: outer_join["value_x"].sum() Out[59]: -3.5940742896293765
一个区别是缺失数据无法与其标记值进行比较。例如,在 Stata 中,您可以这样过滤缺失值。
* Keep missing values list if value_x == . * Keep non-missing values list if value_x != .
在 pandas 中,Series.isna()
和Series.notna()
可用于过滤行。
In [60]: outer_join[outer_join["value_x"].isna()] Out[60]: key value_x value_y 5 E NaN -1.044236 In [61]: outer_join[outer_join["value_x"].notna()] Out[61]: key value_x value_y 0 A 0.469112 NaN 1 B -0.282863 1.212112 2 C -1.509059 NaN 3 D -1.135632 -0.173215 4 D -1.135632 0.119209
pandas 提供了各种方法来处理缺失数据。以下是一些示例:
删除具有缺失值的行
In [62]: outer_join.dropna() Out[62]: key value_x value_y 1 B -0.282863 1.212112 3 D -1.135632 -0.173215 4 D -1.135632 0.119209
从前面的行向前填充
In [63]: outer_join.ffill() Out[63]: key value_x value_y 0 A 0.469112 NaN 1 B -0.282863 1.212112 2 C -1.509059 1.212112 3 D -1.135632 -0.173215 4 D -1.135632 0.119209 5 E -1.135632 -1.044236
用指定值替换缺失值
使用均值:
In [64]: outer_join["value_x"].fillna(outer_join["value_x"].mean()) Out[64]: 0 0.469112 1 -0.282863 2 -1.509059 3 -1.135632 4 -1.135632 5 -0.718815 Name: value_x, dtype: float64
分组
聚合
Stata 的 collapse
可以用于按一个或多个关键变量分组并计算数值列的聚合。
collapse (sum) total_bill tip, by(sex smoker)
pandas 提供了灵活的 groupby
机制,允许类似的聚合。查看 groupby 文档 获取更多详细信息和示例。
In [65]: tips_summed = tips.groupby(["sex", "smoker"])[["total_bill", "tip"]].sum() In [66]: tips_summed Out[66]: total_bill tip sex smoker Female No 869.68 149.77 Yes 527.27 96.74 Male No 1725.75 302.00 Yes 1217.07 183.07
转换
在 Stata 中,如果需要将组聚合与原始数据集一起使用,通常会使用 bysort
与 egen()
。例如,要按吸烟者组减去每个观测值的平均值。
bysort sex smoker: egen group_bill = mean(total_bill) generate adj_total_bill = total_bill - group_bill
pandas 提供了一个 Transformation 机制,允许这些类型的操作在一个操作中简洁地表达。
In [67]: gb = tips.groupby("smoker")["total_bill"] In [68]: tips["adj_total_bill"] = tips["total_bill"] - gb.transform("mean") In [69]: tips Out[69]: total_bill tip sex smoker day time size adj_total_bill 67 1.07 1.00 Female Yes Sat Dinner 1 -17.686344 92 3.75 1.00 Female Yes Fri Dinner 2 -15.006344 111 5.25 1.00 Female No Sat Dinner 1 -11.938278 145 6.35 1.50 Female No Thur Lunch 2 -10.838278 135 6.51 1.25 Female No Thur Lunch 2 -10.678278 .. ... ... ... ... ... ... ... ... 182 43.35 3.50 Male Yes Sun Dinner 3 24.593656 156 46.17 5.00 Male No Sun Dinner 6 28.981722 59 46.27 6.73 Male No Sat Dinner 4 29.081722 212 46.33 9.00 Male No Sat Dinner 4 29.141722 170 48.81 10.00 Male Yes Sat Dinner 3 30.053656 [244 rows x 8 columns]
按组处理
除了聚合,pandas 的 groupby
还可以用于复制 Stata 中的大多数其他 bysort
处理。例如,以下示例列出了当前排序顺序中按性别/吸烟者组列出的第一个观测值。
bysort sex smoker: list if _n == 1
在 pandas 中,这样写:
In [70]: tips.groupby(["sex", "smoker"]).first() Out[70]: total_bill tip day time size adj_total_bill sex smoker Female No 5.25 1.00 Sat Dinner 1 -11.938278 Yes 1.07 1.00 Sat Dinner 1 -17.686344 Male No 5.51 2.00 Thur Lunch 2 -11.678278 Yes 5.25 5.15 Sun Dinner 2 -13.506344
其他考虑
磁盘 vs 内存
pandas 和 Stata 都仅在内存中运行。这意味着 pandas 可以加载的数据大小受限于计算机的内存。如果需要离线处理,一个可能的选择是 dask.dataframe 库,它为磁盘上的 DataFrame
提供了一部分 pandas 功能。
数据结构
通用术语翻译
pandas | Stata |
DataFrame |
数据集 |
列 | 变量 |
行 | 观测值 |
groupby | bysort |
NaN |
. |
DataFrame
pandas 中的 DataFrame
类似于 Stata 数据集 - 一个具有标记列的二维数据源,可以是不同类型。正如本文档所示,几乎可以在 Stata 中应用于数据集的任何操作也可以在 pandas 中完成。
Series
Series
是表示 DataFrame
的一列的数据结构。Stata 没有单独的数据结构用于单列,但总体上,与在 Stata 中引用数据集的列类似,使用 Series
。
Index
每个 DataFrame
和 Series
都有一个 Index
- 数据的 行 上的标签。Stata 没有完全类似的概念。在 Stata 中,数据集的行基本上是无标签的,除了可以通过 _n
访问的隐式整数索引。
在 pandas 中,如果未指定索引,则默认也使用整数索引(第一行 = 0,第二行 = 1,依此类推)。虽然使用带标签的 Index
或 MultiIndex
可以实现复杂的分析,并最终是理解 pandas 的重要部分,但在此比较中,我们将基本上忽略 Index
,只将 DataFrame
视为一列集合。请参阅 索引文档 以获取有关如何有效使用 Index
的更多信息。
复制 vs. 原地操作
大多数 pandas 操作返回 Series
/DataFrame
的副本。要使更改“生效”,您需要将其分配给一个新变量:
sorted_df = df.sort_values("col1")
或覆盖原始内容:
df = df.sort_values("col1")
注意
您将看到一些方法可用的 inplace=True
或 copy=False
关键字参数:
df.replace(5, inplace=True)
关于大多数方法(例如 dropna
)的 inplace
和 copy
的弃用和移除正在进行活跃的讨论,除了一小部分方法(包括 replace
)。在写时复制的情况下,这两个关键字将不再必要。提案可以在这里找到。
通用术语翻译
pandas | Stata |
DataFrame |
数据集 |
列 | 变量 |
行 | 观察 |
groupby | bysort |
NaN |
. |
DataFrame
在 pandas 中,一个 DataFrame
类似于 Stata 数据集 - 一个带有标记列的二维数据源,可以是不同类型的。正如本文档所示,几乎任何可以应用于 Stata 数据集的操作也可以在 pandas 中完成。
Series
Series
是表示 DataFrame
的一列的数据结构。Stata 没有单独的数据结构用于单列,但通常,与 Series
一起工作类似于引用 Stata 数据集中的一列。
Index
每个 DataFrame
和 Series
都有一个 Index
- 数据的 行 上的标签。Stata 没有完全类似的概念。在 Stata 中,数据集的行基本上是无标签的,除了可以使用 _n
访问的隐式整数索引。
在 pandas 中,如果没有指定索引,也会默认使用整数索引(第一行 = 0,第二行 = 1,依此类推)。虽然使用标记的 Index
或 MultiIndex
可以实现复杂的分析,并且最终是理解 pandas 的重要部分,但在这个比较中,我们基本上会忽略 Index
,只将 DataFrame
视为列的集合。请参阅索引文档以了解如何有效使用 Index
。
复制 vs. 就地操作
大多数 pandas 操作返回 Series
/DataFrame
的副本。要使更改“生效”,您需要将其分配给一个新变量:
sorted_df = df.sort_values("col1")
或覆盖原始内容:
df = df.sort_values("col1")
注意
您将看到一些方法可用的 inplace=True
或 copy=False
关键字参数:
df.replace(5, inplace=True)
关于大多数方法(例如 dropna
)的 inplace
和 copy
的弃用和移除正在进行活跃的讨论,除了一小部分方法(包括 replace
)。在写时复制的情况下,这两个关键字将不再必要。提案可以在这里找到。
数据输入/输出
从数值构建 DataFrame
可以通过在 input
语句后放置数据并指定列名来从指定值构建 Stata 数据集。
input x y 1 2 3 4 5 6 end
一个 pandas DataFrame
可以通过多种不同的方式构建,但对于少量值来说,通常将其指定为 Python 字典会更方便,其中键是列名,值是数据。
In [3]: df = pd.DataFrame({"x": [1, 3, 5], "y": [2, 4, 6]}) In [4]: df Out[4]: x y 0 1 2 1 3 4 2 5 6
读取外部数据
像 Stata 一样,pandas 提供了从许多格式中读取数据的实用程序。在 pandas 测试中找到的tips
数据集(csv)将在接下来的许多示例中使用。
Stata 提供import delimited
将 csv 数据读入内存中的数据集。如果tips.csv
文件在当前工作目录中,我们可以这样导入。
import delimited tips.csv
pandas 方法是read_csv()
,其工作方式类似。此外,如果提供了 url,它将自动下载数据集。
In [5]: url = ( ...: "https://raw.githubusercontent.com/pandas-dev" ...: "/pandas/main/pandas/tests/io/data/csv/tips.csv" ...: ) ...: In [6]: tips = pd.read_csv(url) In [7]: tips Out[7]: total_bill tip sex smoker day time size 0 16.99 1.01 Female No Sun Dinner 2 1 10.34 1.66 Male No Sun Dinner 3 2 21.01 3.50 Male No Sun Dinner 3 3 23.68 3.31 Male No Sun Dinner 2 4 24.59 3.61 Female No Sun Dinner 4 .. ... ... ... ... ... ... ... 239 29.03 5.92 Male No Sat Dinner 3 240 27.18 2.00 Female Yes Sat Dinner 2 241 22.67 2.00 Male Yes Sat Dinner 2 242 17.82 1.75 Male No Sat Dinner 2 243 18.78 3.00 Female No Thur Dinner 2 [244 rows x 7 columns]
像import delimited
一样,read_csv()
可以接受多个参数来指定数据应如何解析。例如,如果数据实际上是制表符分隔的,没有列名,并且存在于当前工作目录中,则 pandas 命令将是:
tips = pd.read_csv("tips.csv", sep="\t", header=None) # alternatively, read_table is an alias to read_csv with tab delimiter tips = pd.read_table("tips.csv", header=None)
pandas 还可以使用read_stata()
函数读取.dta
格式的 Stata 数据集。
df = pd.read_stata("data.dta")
除了文本/csv 和 Stata 文件外,pandas 还支持各种其他数据格式,如 Excel、SAS、HDF5、Parquet 和 SQL 数据库。所有这些都是通过pd.read_*
函数读取的。有关更多详细信息,请参阅 IO 文档。
限制输出
默认情况下,pandas 会截断大型DataFrame
的输出以显示第一行和最后一行。这可以通过更改 pandas 选项或使用DataFrame.head()
或DataFrame.tail()
来覆盖。
In [8]: tips.head(5) Out[8]: total_bill tip sex smoker day time size 0 16.99 1.01 Female No Sun Dinner 2 1 10.34 1.66 Male No Sun Dinner 3 2 21.01 3.50 Male No Sun Dinner 3 3 23.68 3.31 Male No Sun Dinner 2 4 24.59 3.61 Female No Sun Dinner 4
在 Stata 中的等效操作是:
list in 1/5
导出数据
在 Stata 中import delimited
的反操作是export delimited
export delimited tips2.csv
类似地,在 pandas 中,read_csv
的相反操作是DataFrame.to_csv()
。
tips.to_csv("tips2.csv")
pandas 还可以使用DataFrame.to_stata()
方法导出为 Stata 文件格式。
tips.to_stata("tips2.dta")
从值构建 DataFrame
可以通过在input
语句后放置数据并指定列名来从指定值构建 Stata 数据集。
input x y 1 2 3 4 5 6 end
可以以许多不同的方式构建 pandas 的DataFrame
,但对于少量值,通常将其指定为 Python 字典是方便的,其中键是列名,值是数据。
In [3]: df = pd.DataFrame({"x": [1, 3, 5], "y": [2, 4, 6]}) In [4]: df Out[4]: x y 0 1 2 1 3 4 2 5 6
读取外部数据
与 Stata 类似,pandas 提供了从多种格式中读取数据的实用工具。在 pandas 测试中找到的tips
数据集(csv)将在以下许多示例中使用。
Stata 提供了import delimited
来将 csv 数据读入内存中的数据集。如果tips.csv
文件位于当前工作目录中,我们可以按照以下方式导入它。
import delimited tips.csv
pandas 的方法是read_csv()
,其工作方式类似。此外,如果提供了 url,它将自动下载数据集。
In [5]: url = ( ...: "https://raw.githubusercontent.com/pandas-dev" ...: "/pandas/main/pandas/tests/io/data/csv/tips.csv" ...: ) ...: In [6]: tips = pd.read_csv(url) In [7]: tips Out[7]: total_bill tip sex smoker day time size 0 16.99 1.01 Female No Sun Dinner 2 1 10.34 1.66 Male No Sun Dinner 3 2 21.01 3.50 Male No Sun Dinner 3 3 23.68 3.31 Male No Sun Dinner 2 4 24.59 3.61 Female No Sun Dinner 4 .. ... ... ... ... ... ... ... 239 29.03 5.92 Male No Sat Dinner 3 240 27.18 2.00 Female Yes Sat Dinner 2 241 22.67 2.00 Male Yes Sat Dinner 2 242 17.82 1.75 Male No Sat Dinner 2 243 18.78 3.00 Female No Thur Dinner 2 [244 rows x 7 columns]
与import delimited
类似,read_csv()
可以接受许多参数来指定数据的解析方式。例如,如果数据是制表符分隔的,没有列名,并且存在于当前工作目录中,则 pandas 命令将是:
tips = pd.read_csv("tips.csv", sep="\t", header=None) # alternatively, read_table is an alias to read_csv with tab delimiter tips = pd.read_table("tips.csv", header=None)
pandas 还可以使用read_stata()
函数读取.dta
格式的 Stata 数据集。
df = pd.read_stata("data.dta")
除了 text/csv 和 Stata 文件外,pandas 还支持各种其他数据格式,如 Excel、SAS、HDF5、Parquet 和 SQL 数据库。这些都是通过pd.read_*
函数读取的。有关更多详细信息,请参阅 IO 文档。
限制输出
默认情况下,pandas 会截断大型DataFrame
的输出,以显示第一行和最后一行。可以通过更改 pandas 选项或使用DataFrame.head()
或DataFrame.tail()
来覆盖此行为。
In [8]: tips.head(5) Out[8]: total_bill tip sex smoker day time size 0 16.99 1.01 Female No Sun Dinner 2 1 10.34 1.66 Male No Sun Dinner 3 2 21.01 3.50 Male No Sun Dinner 3 3 23.68 3.31 Male No Sun Dinner 2 4 24.59 3.61 Female No Sun Dinner 4
在 Stata 中的等价操作是:
list in 1/5
导出数据
在 Stata 中,import delimited
的反向操作是export delimited
。
export delimited tips2.csv
类似地,在 pandas 中,read_csv
的反向操作是DataFrame.to_csv()
。
tips.to_csv("tips2.csv")
pandas 还可以使用DataFrame.to_stata()
方法导出为 Stata 文件格式。
tips.to_stata("tips2.dta")
数据操作
列上的操作
在 Stata 中,可以在新列或现有列上使用generate
和replace
命令进行任意数学表达式运算。drop
命令会从数据集中删除该列。
replace total_bill = total_bill - 2 generate new_bill = total_bill / 2 drop new_bill
pandas 通过在 DataFrame
中指定单独的 Series
来提供矢量化操作。新列可以以相同的方式分配。DataFrame.drop()
方法从 DataFrame
中删除列。
In [9]: tips["total_bill"] = tips["total_bill"] - 2 In [10]: tips["new_bill"] = tips["total_bill"] / 2 In [11]: tips Out[11]: total_bill tip sex smoker day time size new_bill 0 14.99 1.01 Female No Sun Dinner 2 7.495 1 8.34 1.66 Male No Sun Dinner 3 4.170 2 19.01 3.50 Male No Sun Dinner 3 9.505 3 21.68 3.31 Male No Sun Dinner 2 10.840 4 22.59 3.61 Female No Sun Dinner 4 11.295 .. ... ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 13.515 240 25.18 2.00 Female Yes Sat Dinner 2 12.590 241 20.67 2.00 Male Yes Sat Dinner 2 10.335 242 15.82 1.75 Male No Sat Dinner 2 7.910 243 16.78 3.00 Female No Thur Dinner 2 8.390 [244 rows x 8 columns] In [12]: tips = tips.drop("new_bill", axis=1)
筛选
在 Stata 中,通过对一个或多个列使用 if
子句来进行筛选。
list if total_bill > 10
DataFrames 可以通过多种方式进行筛选;其中最直观的是使用布尔索引。
In [13]: tips[tips["total_bill"] > 10] Out[13]: total_bill tip sex smoker day time size 0 14.99 1.01 Female No Sun Dinner 2 2 19.01 3.50 Male No Sun Dinner 3 3 21.68 3.31 Male No Sun Dinner 2 4 22.59 3.61 Female No Sun Dinner 4 5 23.29 4.71 Male No Sun Dinner 4 .. ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 240 25.18 2.00 Female Yes Sat Dinner 2 241 20.67 2.00 Male Yes Sat Dinner 2 242 15.82 1.75 Male No Sat Dinner 2 243 16.78 3.00 Female No Thur Dinner 2 [204 rows x 7 columns]
上述语句只是将一个 Series
对象传递给 DataFrame,返回所有值为 True
的行。
In [14]: is_dinner = tips["time"] == "Dinner" In [15]: is_dinner Out[15]: 0 True 1 True 2 True 3 True 4 True ... 239 True 240 True 241 True 242 True 243 True Name: time, Length: 244, dtype: bool In [16]: is_dinner.value_counts() Out[16]: time True 176 False 68 Name: count, dtype: int64 In [17]: tips[is_dinner] Out[17]: total_bill tip sex smoker day time size 0 14.99 1.01 Female No Sun Dinner 2 1 8.34 1.66 Male No Sun Dinner 3 2 19.01 3.50 Male No Sun Dinner 3 3 21.68 3.31 Male No Sun Dinner 2 4 22.59 3.61 Female No Sun Dinner 4 .. ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 240 25.18 2.00 Female Yes Sat Dinner 2 241 20.67 2.00 Male Yes Sat Dinner 2 242 15.82 1.75 Male No Sat Dinner 2 243 16.78 3.00 Female No Thur Dinner 2 [176 rows x 7 columns]
If/then 逻辑
在 Stata 中,通过对一个或多个列使用 if
子句来进行筛选。
generate bucket = "low" if total_bill < 10 replace bucket = "high" if total_bill >= 10
pandas 中可以使用 numpy
的 where
方法来执行相同的操作。
In [18]: tips["bucket"] = np.where(tips["total_bill"] < 10, "low", "high") In [19]: tips Out[19]: total_bill tip sex smoker day time size bucket 0 14.99 1.01 Female No Sun Dinner 2 high 1 8.34 1.66 Male No Sun Dinner 3 low 2 19.01 3.50 Male No Sun Dinner 3 high 3 21.68 3.31 Male No Sun Dinner 2 high 4 22.59 3.61 Female No Sun Dinner 4 high .. ... ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 high 240 25.18 2.00 Female Yes Sat Dinner 2 high 241 20.67 2.00 Male Yes Sat Dinner 2 high 242 15.82 1.75 Male No Sat Dinner 2 high 243 16.78 3.00 Female No Thur Dinner 2 high [244 rows x 8 columns]
Pandas 2.2 中文官方教程和指南(六)(3)https://developer.aliyun.com/article/1509742