1. 引言
Pandas是一個開源的Python數據分析庫。Pandas把結構化數據分為了三類：
- Series，1維序列，可視作為沒有column名的、只有一個column的DataFrame；
- DataFrame，同Spark SQL中的DataFrame一樣，其概念來自於R語言，為多column並schema化的2維結構化數據，可視作為Series的容器（container）；
- Panel，為3維的結構化數據，可視作為DataFrame的容器；
DataFrame較為常見，因此本文主要討論內容將為DataFrame。DataFrame的生成可通過讀取純文本、Json等數據來生成，亦可以通過Python對象來生成：
import pandas as pd
import numpy as np
df = pd.DataFrame({'total_bill': [16.99, 10.34, 23.68, 23.68, 24.59],
'tip': [1.01, 1.66, 3.50, 3.31, 3.61],
'sex': ['Female', 'Male', 'Male', 'Male', 'Female']})
對於DataFrame，我們可以看到其固有屬性：
# data type of columns
df.dtypes
# indexes
df.index
# return pandas.Index
df.columns
# each row, return array[array]
df.values
# a tuple representing the dimensionality of df
df.shape
- .index，為行索引
- .columns，為列名稱（label）
- .dtype，為列數據類型
2. SQL操作
官方Doc給出了部分SQL的Pandas實現，在此基礎上本文給出了一些擴充說明。以下內容基於Python 2.7 + Pandas 0.18.1的版本。
select
SQL中的select是根據列的名稱來選取；Pandas則更為靈活，不但可根據列名稱選取，還可以根據列所在的position選取。相關函數如下：
- loc，基於列label，可選取特定行（根據行index）；
- iloc，基於行/列的position；
df.loc[1:3, ['total_bill', 'tip']]
df.loc[1:3, 'tip': 'total_bill']
df.iloc[1:3, [1, 2]]
df.iloc[1:3, 1: 3]
- at，根據指定行index及列label，快速定位DataFrame的元素；
- iat，與at類似，不同的是根據position來定位的；
df.at[3, 'tip']
df.iat[3, 1]
- ix，為loc與iloc的混合體，既支持label也支持position；
df.ix[1:3, [1, 2]]
df.ix[1:3, ['total_bill', 'tip']]
此外，有更為簡潔的行/列選取方式：
df[1: 3]
df[['total_bill', 'tip']]
# df[1:2, ['total_bill', 'tip']] # TypeError: unhashable type
where
Pandas實現where filter，較為常用的辦法為df[df[colunm] boolean expr]，比如：
df[df['sex'] == 'Female']
df[df['total_bill'] > 20]
# or
df.query('total_bill > 20')
在where子句中常常會搭配and, or, in, not關鍵詞，Pandas中也有對應的實現：
# and
df[(df['sex'] == 'Female') & (df['total_bill'] > 20)]
# or
df[(df['sex'] == 'Female') | (df['total_bill'] > 20)]
# in
df[df['total_bill'].isin([21.01, 23.68, 24.59])]
# not
df[-(df['sex'] == 'Male')]
df[-df['total_bill'].isin([21.01, 23.68, 24.59])]
# string function
df = df[(-df['app'].isin(sys_app)) & (-df.app.str.contains('^微信\d+$'))]
對where條件篩選后只有一行的dataframe取其中某一列的值，其兩種實現方式如下：
total = df.loc[df['tip'] == 1.66, 'total_bill'].values[0]
total = df.get_value(df.loc[df['tip'] == 1.66].index.values[0], 'total_bill')
distinct
drop_duplicates根據某列對dataframe進行去重：
df.drop_duplicates(subset=['sex'], keep='first', inplace=True)
包含參數：
- subset，為選定的列做distinct，默認為所有列；
- keep，值選項{'first', 'last', False}，保留重復元素中的第一個、最后一個，或全部刪除；
- inplace ，默認為False，返回一個新的dataframe；若為True，則返回去重后的原dataframe
group
group一般會配合合計函數（Aggregate functions）使用，比如：count、avg等。Pandas對合計函數的支持有限，有count和size函數實現SQL的count：
df.groupby('sex').size()
df.groupby('sex').count()
df.groupby('sex')['tip'].count()
對於多合計函數，
select sex, max(tip), sum(total_bill) as total
from tips_tb
group by sex;
實現在agg()中指定dict：
df.groupby('sex').agg({'tip': np.max, 'total_bill': np.sum})
# count(distinct **)
df.groupby('tip').agg({'sex': pd.Series.nunique})
as
SQL中使用as修改列的別名，Pandas也支持這種修改：
# first implementation
df.columns = ['total', 'pit', 'xes']
# second implementation
df.rename(columns={'total_bill': 'total', 'tip': 'pit', 'sex': 'xes'}, inplace=True)
其中，第一種方法的修改是有問題的，因為其是按照列position逐一替換的。因此，我推薦第二種方法。
join
Pandas中join的實現也有兩種：
# 1.
df.join(df2, how='left'...)
# 2.
pd.merge(df1, df2, how='left', left_on='app', right_on='app')
第一種方法是按DataFrame的index進行join的，而第二種方法才是按on指定的列做join。Pandas滿足left、right、inner、full outer四種join方式。
order
Pandas中支持多列order，並可以調整不同列的升序/降序，有更高的排序自由度：
df.sort_values(['total_bill', 'tip'], ascending=[False, True])
top
對於全局的top：
df.nlargest(3, columns=['total_bill'])
對於分組top，MySQL的實現（采用自join的方式）：
select a.sex, a.tip
from tips_tb a
where (
select count(*)
from tips_tb b
where b.sex = a.sex and b.tip > a.tip
) < 2
order by a.sex, a.tip desc;
Pandas的等價實現，思路與上類似：
# 1.
df.assign(rn=df.sort_values(['total_bill'], ascending=False)
.groupby('sex')
.cumcount()+1)\
.query('rn < 3')\
.sort_values(['sex', 'rn'])
# 2.
df.assign(rn=df.groupby('sex')['total_bill']
.rank(method='first', ascending=False)) \
.query('rn < 3') \
.sort_values(['sex', 'rn'])
replace
replace函數提供對dataframe全局修改，亦可通過where條件進行過濾修改（搭配loc）：
# overall replace
df.replace(to_replace='Female', value='Sansa', inplace=True)
# dict replace
df.replace({'sex': {'Female': 'Sansa', 'Male': 'Leone'}}, inplace=True)
# replace on where condition
df.loc[df.sex == 'Male', 'sex'] = 'Leone'
自定義
除了上述SQL操作外，Pandas提供對每列/每一元素做自定義操作，為此而設計以下三個函數：
- map(func)，為Series的函數，DataFrame不能直接調用，需取列后再調用；
- apply(func)，對DataFrame中的某一行/列進行func操作；
- applymap(func)，為element-wise函數，對每一個元素做func操作
df['tip'].map(lambda x: x - 1)
df[['total_bill', 'tip']].apply(sum)
df.applymap(lambda x: x.upper() if type(x) is str else x)
3. 實戰
環比增長
現有兩個月APP的UV數據，要得到月UV環比增長；該操作等價於兩個Dataframe left join后按指定列做減操作：
def chain(current, last):
df1 = pd.read_csv(current, names=['app', 'tag', 'uv'], sep='\t')
df2 = pd.read_csv(last, names=['app', 'tag', 'uv'], sep='\t')
df3 = pd.merge(df1, df2, how='left', on='app')
df3['uv_y'] = df3['uv_y'].map(lambda x: 0.0 if pd.isnull(x) else x)
df3['growth'] = df3['uv_x'] - df3['uv_y']
return df3[['app', 'growth', 'uv_x', 'uv_y']].sort_values(by='growth', ascending=False)
差集
對於給定的列，一個Dataframe過濾另一個Dataframe該列的值；相當於集合的差集操作：
def difference(left, right, on):
"""
difference of two dataframes
:param left: left dataframe
:param right: right dataframe
:param on: join key
:return: difference dataframe
"""
df = pd.merge(left, right, how='left', on=on)
left_columns = left.columns
col_y = df.columns[left_columns.size]
df = df[df[col_y].isnull()]
df = df.ix[:, 0:left_columns.size]
df.columns = left_columns
return df