Series и DataFrame в Python

Преди няколко месеца взех онлайн курса „Използване на Python за изследвания“, предлаган от Харвардския университет на edX. По време на курса научих много понятия за Python, NumPy, Matplotlib и PyPlot. Също така имах възможност да работя върху казуси по време на този курс и успях да използвам знанията си за реални набори от данни. За повече информация относно тази програма вижте тук.

В този курс научих две важни концепции - Series и DataFrame. Искам да ви ги представя чрез кратък урок.

За да започнете с урока, нека вземем най-новия изходен код на Python от официалния уебсайт тук.

След като инсталирате Python е инсталиран, ще използвате графичен потребителски интерфейс, наречен IDLE, за да работите с Python.

Нека импортираме Pandas в нашето работно пространство. Pandas е библиотека на Python, която предоставя структури от данни и инструменти за анализ на данни за различни функции.

Серия

Серията е едноизмерен обект, който може да съдържа всякакъв тип данни като цели числа, плувки и низове. Нека вземем списък с елементи като входен аргумент и да създадем обект от серия за този списък.

>>> import pandas as pd
>>> x = pd.Series([6,3,4,6])
>>> x
0 6
1 3
2 4
3 6
dtype: int64

Етикетите на оста за данните, посочени като индекс. Дължината на индекса трябва да бъде същата като дължината на данните. Тъй като не сме предали нито един индекс в горния код, индексът по подразбиране ще бъде създаден със стойности[0, 1, … len(data) -1]

Нека да продължим и да дефинираме индекси за данните.

>>> x = pd.Series([6,3,4,6], index=[‘a’, ‘b’, ‘c’, ‘d’])
>>> x
a 6
b 3
c 4
d 6
dtype: int64

Индексът в най-лявата колона сега се отнася до данни в дясната колона.

Можем да търсим данните, като се позоваваме на неговия индекс:

>>> x[“c”]
4

Python ни дава съответните данни за индекса.

Един пример за тип данни е речникът, дефиниран по-долу. Индексът и стойностите съответстват на ключове и стойности. Можем да използваме индекса, за да получим стойностите на данните, съответстващи на етикетите в индекса.

>>> data = {‘abc’: 1, ‘def’: 2, ‘xyz’: 3}
>>> pd.Series(data)
abc 1
def 2
xyz 3
dtype: int64

Друга интересна функция в Series е да има данни като скаларна стойност. В този случай стойността на данните се повтаря за всеки от дефинираните индекси.

>>> x = pd.Series(3, index=[‘a’, ‘b’, ‘c’, ‘d’])
>>> x
a 3
b 3
c 3
d 3
dtype: int64

DataFrame

DataFrame е двуизмерен обект, който може да има колони с потенциални различни типове. Различните видове входове включват речници, списъци, серии и дори друг DataFrame.

Това е най-често използваният обект на панди.

Нека да продължим и да създадем DataFrame, като предадем масив NumPy с дата и час като индекси и обозначени колони:

>>> import numpy as np
>>> dates = pd.date_range(‘20170505’, periods = 8)
>>> dates
DatetimeIndex([‘2017–05–05’, ‘2017–05–06’, ‘2017–05–07’, ‘2017–05–08’,
‘2017–05–09’, ‘2017–05–10’, ‘2017–05–11’, ‘2017–05–12’],
dtype=’datetime64[ns]’, freq=’D’)
>>> df = pd.DataFrame(np.random.randn(8,3), index=dates, columns=list(‘ABC’))
>>> df
A B C
2017–05–05 -0.301877 1.508536 -2.065571
2017–05–06 0.613538 -0.052423 -1.206090
2017–05–07 0.772951 0.835798 0.345913
2017–05–08 1.339559 0.900384 -1.037658
2017–05–09 -0.695919 1.372793 0.539752
2017–05–10 0.275916 -0.420183 1.744796
2017–05–11 -0.206065 0.910706 -0.028646
2017–05–12 1.178219 0.783122 0.829979

DataFrame с период от 8 дни се създава, както е показано по-горе. Можем да видим горните и долните редове на рамката, като използваме df.headи df.tail:

>>> df.head()
A B C
2017–05–05 -0.301877 1.508536 -2.065571
2017–05–06 0.613538 -0.052423 -1.206090
2017–05–07 0.772951 0.835798 0.345913
2017–05–08 1.339559 0.900384 -1.037658
2017–05–09 -0.695919 1.372793 0.539752
>>> df.tail()
A B C
2017–05–08 1.339559 0.900384 -1.037658
2017–05–09 -0.695919 1.372793 0.539752
2017–05–10 0.275916 -0.420183 1.744796
2017–05–11 -0.206065 0.910706 -0.028646
2017–05–12 1.178219 0.783122 0.829979

Можем да наблюдаваме и кратко статистическо обобщение на нашите данни:

>>> df.describe()
A B C
count 8.000000 8.000000 8.000000
mean 0.372040 0.729842 -0.109691
std 0.731262 0.657931 1.244801
min -0.695919 -0.420183 -2.065571
25% -0.230018 0.574236 -1.079766
50% 0.444727 0.868091 0.158633
75% 0.874268 1.026228 0.612309
max 1.339559 1.508536 1.744796

Също така можем да приложим функции към данните като кумулативна сума, преглед на хистограми, обединяване на DataFrames, обединяване и преоформяне на DataFrames.

>>> df.apply(np.cumsum)
A B C
2017–05–05 -0.301877 1.508536 -2.065571
2017–05–06 0.311661 1.456113 -3.271661
2017–05–07 1.084612 2.291911 -2.925748
2017–05–08 2.424171 3.192296 -3.963406
2017–05–09 1.728252 4.565088 -3.423654
2017–05–10 2.004169 4.144905 -1.678858
2017–05–11 1.798104 5.055611 -1.707504
2017–05–12 2.976322 5.838734 -0.877526

Можете да прочетете повече подробности за тези структури от данни тук.