Pandas[1]是用Python分析數據的工業標準。只需敲幾下鍵盤，就可以加載、過濾、重組和可視化數千兆字節的異質信息。它建立在NumPy庫的基礎上，借用了它的許多概念和語法約定，所以如果你對NumPy很熟悉，你會發現Pandas是一個相當熟悉的工具。即使你從未聽說過NumPy，Pandas也可以讓你在幾乎沒有編程背景的情況下輕松拿捏數據分析問題。

Pandas 給 NumPy 數組帶來的兩個關鍵特性是：

1. 異質類型 —— 每一列都允許有自己的類型
2. 索引 —— 提高指定列的查詢速度

事實證明，這些功能足以使Pandas成為Excel和數據庫的強大競爭者。

Polars[2]是Pandas最近的轉世（用Rust編寫，因此速度更快，它不再使用NumPy的引擎，但語法卻非常相似，所以學習 Pandas 后對學習 Polars 幫助非常大。

Pandas 圖鑒系列文章由四個部分組成：

• Part 1. Motivation：Pandas圖鑒(一)：Pandas vs Numpy
• Part 2. Series and Index
• Part 3. DataFrames
• Part 4. MultiIndex

我們將拆分成四個部分，依次呈現～建議關注和星標@公眾號：數據STUDIO，精彩內容等你來～

Part 2. Series 和 Index

Series剖析

Series是NumPy中一維數組的對應物，是DataFrame代表其列的基本構件。盡管與DataFrame相比，它的實際重要性正在減弱（你完全可以在不知道Series是什么的情況下解決很多實際問題），但如果不先學習Series和Index，可能很難理解DataFrame的工作原理。

在內部，Series將數值存儲在一個普通的NumPy向量中。因此，它繼承了它的優點（緊湊的內存布局，快速的隨機訪問）和缺點（類型同質性，緩慢的刪除和插入）。在此基礎上，可以通過標簽訪問Series的值，使用一個叫做index的類似數字的結構。標簽可以是任何類型的（通常是字符串和時間戳）。它們不需要是唯一的，但唯一性是提高查詢速度所需要的，并且在許多操作中都是假定的。

圖片

現在每個元素都可以用兩種方式來處理：通過label（=使用索引）和通過position（=不使用索引）：

圖片

按位置尋址by position 有時被稱為 by positional index，這只是增加了混亂。

很明顯，一對方括號是不夠的。特別是：

• s[2:3]不是解決2號元素的最方便方式
• 如果標簽恰好是整數，s[1:3]就變得模糊不清。它可能是指標簽1到3（含）或位置指數1到3（不含）。

為了解決這些問題，Pandas又有兩種方括號的 "口味"：

圖片

• .loc[]總是使用標簽并包括區間的兩端；
• .iloc[]總是使用位置索引，并排除了右端。

在這里使用方括號而不是小括號的目的是為了獲得方便的Python切分：可以使用一個單冒號或雙冒號，其含義是熟悉的start:stop:step。缺失的 start（end） 就是從系列的開始（到結束）。步驟參數允許用s.iloc[::2]來引用偶數行，用s['Paris':'Oslo':-1]來獲取反向順序的元素。

它們還支持布爾索引（用布爾數組進行索引），如該圖所示：

Series.isin(), Series.between()

而可以在這張圖片中看到他們是如何支持 "花式索引" 的（用整數陣列進行索引）：

圖片

由于某些原因，Series沒有一個漂亮的富文本外觀，所以與DataFrame相比，看似比較低級：

圖片

這里對Series進行稍加修飾，使其看起來更好，如下圖所示：

圖片

豎線意味著這是一個Series，而不是一個DataFrame。

也可以用pdi.sidebyside(obj1, obj2, ...)來并排顯示幾個系列或DataFrames：

圖片

pdi（代表pandas illustrated）是github上的一個開源庫pdi[3]，具有本文的這個和其他功能。安裝非常方便：

pip install pandas-illustrated

索引

負責通過標簽獲取系列元素（以及DataFrame的行和列）的對象被稱為索引。索引速度很快：無論有5個元素還是50億個元素，都可以在一定的時間內得到結果。

索引是一個真正的多態對象。默認情況下，當創建一個沒有索引參數的Series（或DataFrame）時，它初始化為一個類似于Python的range()的惰性對象。就像range()一樣，它幾乎不使用任何內存，并提供與位置索引相吻合的標簽。

現在創建一個有一百萬個元素的系列：

>>> s = pd.Series(np.zeros(10**6))
>>> s.index
RangeIndex(start=0, stop=1000000, step=1)
>>> s.index.memory_usage() # 字節數
128 # 與Series([0.])的情況相同

現在，如果刪除一個元素，索引就會隱含地變形為一個類似口令的結構，如下所示：

>>> s1 = s.drop(1)
>>> s1.index
Int64Index([ 0, 2, 3, 4, 5, 6, 7、
      ...
      999993, 999994, 999995, 999996, 999997, 999998, 999999],
      dtype='int64', length=999999)
>>> s1.index.memory_usage()
7999992

這個結構消耗了8Mb的內存!，為了避免這種情況，并回到輕量級的類似范圍的結構，我們寫下：

>>> s2 = s1.reset_index（drop=True）。
>>> s2.index
RangeIndex(start=0, stop=999999, step=1)
>>> s2.index.memory_usage()
128

如果你是Pandas的新手，你可能會想為什么Pandas不自己做呢？對于非數字標簽來說，這有點顯而易見：為什么（以及如何）Pandas在刪除一行后，會重新標記所有后續的行？對于數字標簽，答案就有點復雜了。

首先，Pandas 純粹通過位置來引用行，所以如果想在刪除第3行之后再去找第5行，可以不用重新索引（這就是iloc的作用）。

第二，保留原始標簽是一種與過去某個時刻保持聯系的方式，就像 "保存游戲" 按鈕。如果你有一個有一百列和一百萬行的大表，需要找到一些數據。你逐一進行了幾次查詢，每次都縮小了搜索范圍，但只看了列的一個子集，因為同時看到所有的一百個字段是不現實的。現在你已經找到了目標行，想看到原始表中關于它們的所有信息。一個數字索引可以幫助你立即得到它。

從原理上講，如下圖所示：

圖片

一般來說，需要保持索引值的唯一性。例如，在索引中存在重復的值時，查詢速度的提升并不會提升。Pandas沒有像關系型數據庫那樣的 "唯一約束"（該功能[4]仍在試驗中），但它有一些函數來檢查索引中的值是否唯一，并以各種方式刪除重復值。

有時，但一索引不足以唯一地識別某行。例如，同名的城市有時碰巧出現在不同的國家，甚至在同一個國家的不同地區。因此，（城市，州）是一個比單獨的城市更適合識別一個地方的候選者。在數據庫中，它被稱為 "復合主鍵"。在Pandas中，它被稱為MultiIndex（第4部分），索引內的每一列都被稱為level。

索引的另一個重要特性是它是不可改變的。與DataFrame中的普通列相比，你不能就地修改它。索引中的任何變化都涉及到從舊的索引中獲取數據，改變它，并將新的數據作為一個新的索引重新連接起來。例如，要將列名就地轉換為字符串（節省內存），可以寫df.columns = df.columns.astype(str)，或者不就地轉換（對鏈式方法有用）df.set_axis(df.columns.astype(str), axis=1)。但正是由于不可更改性，不允許只寫df.City.name = 'city'，所以必須借助于df.rename(columns={'City': 'city'})。

索引有一個名字（在MultiIndex的情況下，每一層都有一個名字）。而這個名字在Pandas中沒有被充分使用。一旦在索引中包含了列，就不能再使用方便的df.column_name符號了，而必須恢復到不太容易閱讀的df.index或者更通用的df.loc[]。有了MultiIndex。df.merge--可以用名字指定要合并的列，不管這個列是否屬于索引。

按值查找元素

考慮以下Series對象：

圖片

索引提供了一種快速而方便的方法，可以通過標簽找到一個值。但是，通過值來尋找標簽呢？

s.index[s.tolist().find(x)] # 對于len(s)< 1000來說更快
s.index[np.where(s.value==x)[0][0]] # 對于 len(s) > 1000，速度更快

pdi中有一對包裝器，叫做find()和findall()，它們速度快（因為它們根據Series的大小自動選擇實際的命令），而且更容易使用。

如下代碼所示：

>>> import pdi
>>> pdi.find(s, 2)
'penguin'
>>> pdi.findall(s, 4)
Index(['cat', 'dog'], dtype='object')

缺失值

Pandas使用者對缺失值特別關注。通常情況下，可以通過向read_csv提供一個標志來接收一個帶有NaN的DataFrame。否則，可以在構造函數或賦值運算符中使用None（盡管對于不同的數據類型，它的實現方式略有不同），例如：

圖片

對于NaN，可以做的第一件事是了解是否有任何NaN。從上圖可以看出，isna()產生一個布爾數組，而.sum()給出缺失值的總數。

現在你知道它們的存在，可以選擇通過刪除、用常量值填充或插值來擺脫它們，如下所示：

fillna(), dropna(), interpolate()

另一方面，可以繼續使用它們。大多數Pandas函數都會忽略缺失的值：

圖片

更高級的函數（median, rank, quantile等）也是如此。

算術操作是根據索引來調整的：

圖片

在索引中存在非唯一值的情況下，其結果是不一致的。不要對具有非唯一索引的系列使用算術運算。

比較

對有缺失值的數組進行比較可能很棘手。這里有一個例子：

>>> np.all(pd.Series([1., None, 3.]) ==
      pd.Series([1., None, 3.]))
False
>>> np.all(pd.Series([1, None, 3], dtype='Int64') ==
      pd.Series([1, None, 3], dtype='Int64'))
True
>>> np.all(pd.Series(['a', None, 'c']) ==
      pd.Series(['a', None, 'c']))
False

為了正確地進行比較，NaN需要被替換成保證在數組中缺少的東西。例如，用''、-1或∞：

>>> np.all(s1.fillna(np.inf) == s2.fillna(np.inf))  #對所有的dtypes都有效
True

或者更好的是，使用標準的NumPy或Pandas比較函數：

>>> s = pd.Series([1., None, 3.])
>>> np.array_equal(s.value, s.value, equal_nan=True)
True
>>> len(s.compare(s)) == 0
True

這里，比較函數返回一個差異列表（實際上是一個DataFrame），而array_equal直接返回一個布爾值。

當比較混合類型的DataFrame時，NumPy就會出問題（問題#19205[5]），而Pandas做得非常好。下面是這一情況：

>>> df = pd.DataFrame({'a': [1., None, 3.], 'b': ['x', None, 'z']})
>>> np.array_equal(df.values, df.values, equal_nan=True)
TypeError
<...>
>>> len(df.compare(df)) == 0
True

添加、插入、刪除

盡管系列對象應該是大小不可變的，但有可能在原地追加、插入和刪除元素，但所有這些操作都是：

• 緩慢，因為它們需要為整個對象重新分配內存并更新索引；
• 痛苦的不方便。

下面是插入數值的一種方式和刪除數值的兩種方式：

圖片

第二種刪除值的方法（通過刪除）比較慢，而且在索引中存在非唯一值的情況下可能會導致復雜的錯誤。

Pandas有df.insert方法，但它只能將列（而不是行）插入到數據框架中（而且對序列根本不起作用）。

另一種追加和插入的方法是用iloc對DataFrame進行切片，應用必要的轉換，然后用concat把它放回去。pdi中實現了一個叫做insert的函數，可以自動完成這個過程：

圖片

注意，（就像在df.insert中一樣）插入的位置是由0<=i<=len(s)的位置給出的，而不是由索引中的元素的標簽。

你可以為一個新元素提供一個標簽。對于一個非數字性的索引，它是必須的。例如：

圖片

要通過標簽指定插入點，你可以把pdi.find和pdi.insert結合起來，如下圖所示：

圖片

注意，與df.insert不同，pdi.insert返回一個副本，而不是在原地修改Series/DataFrame。

統計數據

Pandas提供了全方位的統計功能。它們可以深入了解百萬元素系列或數據框架中的內容，而無需手動滾動數據。

所有的Pandas統計函數都會忽略NaN，如下圖所示：

圖片

注意，Pandas std給出的結果與NumPy std不同。

由于系列中的每個元素都可以通過標簽或位置索引來訪問，所以有一個argmin（argmax）的姐妹函數，叫做idxmin（idxmax），如圖所示：

圖片

下面是Pandas的自描述性統計函數的列表，供參考：

• std，樣本標準差；
• var，無偏方差；
• sem，無偏標準誤差的平均值；
• quantile，樣本四分位數（s.quantile(0.5) ≈ s.median()）；
• mode，即出現頻率最高的值；
• nlargest和nsmallest，默認情況下，按外觀順序排列；
• diff，第一次離散差分；
• cumsum和cumprod，累積和，以及乘積；
• cummin和cummax，累積最小和最大。

還有一些更專業的統計功能：

• pct_change，當前和前一個元素之間的變化百分比；
• skew，無偏差的偏度（第三時刻）；
• kurt 或 kurtosis，無偏的谷度（第四時刻）；
• cov，corr 和 autocorr，協方差，相關，和自相關；
• rolling、加權和指數加權的窗口。

重復數據

特別注意檢測和處理重復的數據，可以在圖片中看到：

is_unique,nunique, value_counts

drop_duplicates 和 duplicated 可以保留最后出現的，而不是第一個。

請注意，s.unique()比np.unique要快（O(N)vs O(NlogN)），它保留了順序，而不是像np.unique那樣返回排序后的結果。

缺失值被當作普通值處理，這有時可能會導致令人驚訝的結果。

圖片

如果想排除NaN，你需要明確地做到這一點。在這個特殊的例子中，s.dropna().is_unique == True。

還有一個單調函數家族：

• s.is_monotonic_increasing()、
• s.is_monotonic_decreasing()、
• s._strict_monotonic_increasing()、
• s._string_monotonic_decreasing()
• s.is_monotonic() - 這是s.is_monotonic_increasing()的同義詞，對于單調下降的序列返回False!

字符串和正則表達式

幾乎所有的Python字符串方法在Pandas中都有一個矢量的版本：

count, upper, replace

當這樣的操作返回多個值時，有幾個選項來決定如何使用它們：

split, join, explode

如果知道正則表達式，Pandas也有矢量版本的常用操作：

findall, extract, replace

Group by

在數據處理中，一個常見的操作是計算一些統計數據，而不是對整個數據集，而是對其中的某些組。第一步是通過提供將一個Series（或一個DataFrame）分成若干組的標準來建立一個惰性對象。這個惰性的對象沒有任何有意義的表示，但它可以是：

• 迭代（產生分組鍵和相應的子系列--非常適合于調試）：

groupby

• 以與普通系列相同的方式進行查詢，以獲得每組的某個屬性（比迭代快）：

圖片

所有操作都不包括NaNs

在這個例子中，根據數值除以10的整數部分，將系列分成三組。對于每一組，要求提供元素的總和，元素的數量，以及每一組的平均值。

除了這些集合功能，還可以根據特定元素在組內的位置或相對價值來訪問它們。下面是這種情況：

min, median, max, first, nth, last

你也可以用g.agg(['min', 'max'])一次計算幾個函數，或者用g.describe()一次顯示一大堆的統計函數。

如果這些還不夠，也可以通過自己的Python函數傳遞數據。它可以是

• 用g.apply(f)接受一個組x（一個系列對象）并生成一個單一的值（如sum()）的函數f。
• 一個函數f接受一個組x（一個系列對象），并用g.transform(f)生成一個與x相同大小的系列對象（例如，cumsum()）。

圖片

在上面的例子中，輸入的數據被排序了。這對于groupby來說是不需要的。實際上，如果組內元素不是連續存儲的，它也同樣能工作，所以它更接近collections.defaultdict而不是itertools.groupby。而且它總是返回一個沒有重復的索引。

圖片

與defaultdict和關系型數據庫的GROUP BY子句不同，Pandas groupby是按組名排序的。它可以用sort=False來禁用，如下代碼所示：

>>> s = pd.Series([1, 3, 20, 2, 10])
>>> for k, v in s.groupby(s//10, sort=False):
       print(k, v.tolist())
0 [1, 3, 2]
2 [20]
1 [10]

參考資料

[1]Pandas: https://pandas.pydata.org/

[2]Polars: https://www.pola.rs/

[3]pdi: https://github.com/axil/pandas-illustrated

[4]該功能: https://pandas.pydata.org/docs/reference/api/pandas.Flags.allows_duplicate_labels.html

[5]問題#19205: https://github.com/numpy/numpy/issues/19205