《利用python進行數據分析》讀書筆記--第七章 數據規整化:清理、轉換、合並、重塑(一)


http://www.cnblogs.com/batteryhp/p/5023330.html

 

數據分析和建模的大量編程工作都是在數據准備上的(深表同意):加載、清理、轉換以及重塑。pandas和Python標准庫提供了一組高級的、靈活的、高效的核心函數和算法,他們能夠輕松地將數據規整化為正確的形式。

1、合並數據集

pandas對象中的數據可以通過一些內置的方式進行合並

  • pandas.merge可以根據一個或者多個鍵值連接起來,就是SQL中的數據庫連接工作。
  • pandas.concat可以沿着一條軸將多個對象堆疊在一起
  • 實例方法combine_first可以講重復數據編接在一起 ,用一個對象中的值填充另一個對象中的缺失值(注:譯者說就是數據庫中的外連接)。

由於太常用,給出一些例子。

數據庫風格的DataFrame合並

復制代碼
#-*- encoding: utf-8 -*-
import numpy as np 
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series,DataFrame

#數據集的合並(merge)或者連接(join)運算是通過一個或者多個鍵將行鏈接起來。這是關系型數據庫的核心。
df1 = DataFrame({'key':['b','b','a','c','a','a','b'],'data1':range(7)})
df2 = DataFrame({'key':['a','b','d'],'data2':range(3)})
print df1
print df2
#沒有指定用哪些列進行合並時,默認用重復的列名進行合並,並且只保留合並列中的交集,其他舍去
#即merge默認的是“內連接”
print pd.merge(df1,df2) 
#不過,最好顯示指定一下:
print pd.merge(df1,df2,on = 'key')
#如果兩個對象列明不同,也可以分別指定,當然,原則是這兩列得有相同的值
df3 = DataFrame({'lkey':['b','b','a','c','a','a','b'],'data1':range(7)})
df4 = DataFrame({'rkey':['a','b','d'],'data2':range(3)})
print pd.merge(df3,df4,left_on = 'lkey',right_on = 'rkey')
#如果兩列沒有相同值,返回一個空DataFrame
print pd.merge(df3,df4,left_on = 'lkey',right_on = 'data2')
#merge選項有inner、left、right、outer幾種,分別表示 內、左、右、外連接
print pd.merge(df1,df2,how = 'outer')
#下面看多對多(即兩個對象中每個鍵值對應不同的值)
df1 = DataFrame({'key':list('bbacab'),'data1':range(6)})
df2 = DataFrame({'key':list('ababd'),'data2':range(5)})
#下面是多對多的合並,結果是笛卡爾積也就是針對一個鍵值,兩個對象對應值的所有組合
print pd.merge(df1,df2,on = 'key',how = 'left')
#對多個鍵進行合並,傳入一個由列名組成的列表即可
left = DataFrame({'key1':['foo','foo','bar'],'key2':['one','two','one'],'lval':[1,2,3]})
right = DataFrame({'key1':['foo','foo','bar','bar'],'key2':['one','one','one','two'],'rval':[4,5,6,7]})
#多個鍵進行合並就是將多個鍵組合成元組,當作單個鍵值使用(實際上並不是這么回事)
#注意要“不忘初心”,根據鍵值是對其他列的值進行合並
print pd.merge(left,right,on = ['key1','key2'],how = 'outer')
#警告:列與列合並時,會把DataFrame的索引丟棄
#下面處理重復列名的問題,這里的重復列名是說,依據一列進行合並時兩個對象剩下的列中有的列名字重復
#pandas會自動添加后綴
print pd.merge(left,right,on = 'key1')
#后綴可以通過suffixes選項來指定
print pd.merge(left,right,on = 'key1',suffixes = ('_left','_right'))
>>>
   data1 key
0      0   b
1      1   b
2      2   a
3      3   c
4      4   a
5      5   a
6      6   b
   data2 key
0      0   a
1      1   b
2      2   d
   data1 key  data2
0      2   a      0
1      4   a      0
2      5   a      0
3      0   b      1
4      1   b      1
5      6   b      1
   data1 key  data2
0      2   a      0
1      4   a      0
2      5   a      0
3      0   b      1
4      1   b      1
5      6   b      1
   data1 lkey  data2 rkey
0      2    a      0    a
1      4    a      0    a
2      5    a      0    a
3      0    b      1    b
4      1    b      1    b
5      6    b      1    b
Empty DataFrame
Columns: array([data1, lkey, data2, rkey], dtype=object)
Index: array([], dtype=int64)
   data1 key  data2
0      2   a      0
1      4   a      0
2      5   a      0
3      0   b      1
4      1   b      1
5      6   b      1
6      3   c    NaN
7    NaN   d      2
    data1 key  data2
0       2   a      0
1       2   a      2
2       4   a      0
3       4   a      2
4       0   b      1
5       0   b      3
6       1   b      1
7       1   b      3
8       5   b      1
9       5   b      3
10      3   c    NaN
  key1 key2  lval  rval
0  bar  one     3     6
1  bar  two   NaN     7
2  foo  one     1     4
3  foo  one     1     5
4  foo  two     2   NaN
  key1 key2_x  lval key2_y  rval
0  bar    one     3    one     6
1  bar    one     3    two     7
2  foo    one     1    one     4
3  foo    one     1    one     5
4  foo    two     2    one     4
5  foo    two     2    one     5
  key1 key2_left  lval key2_right  rval
0  bar       one     3        one     6
1  bar       one     3        two     7
2  foo       one     1        one     4
3  foo       one     1        one     5
4  foo       two     2        one     4
5  foo       two     2        one     5
[Finished in 0.7s]
復制代碼

merge的選項有:

image

image

索引上的合並

復制代碼
#-*- encoding: utf-8 -*-
import numpy as np 
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series,DataFrame

#索引上的合並
#DataFrame中連接鍵有時候在索引中。這時可以傳入left_index = True或者right_index = True
left1 = DataFrame({'key':list('abaabc'),'value':range(6)})
right1 = DataFrame({'group_val':[3.5,7],'index':['a','b']})
print right1
#注意上面的right1的索引值和ledt1中的值是同類型的,也就是說相當於對右邊的進行轉置並且索引跟隨改變再進行合並
print pd.merge(left1,right1,left_on = 'key',right_index = True,how = 'inner')
#對於層次化索引,事情就有點復雜了
lefth = DataFrame({'key1':['Ohio','Ohio','Ohio','Nevada','Nevada'],
    'key2':[2000,2001,2002,2001,2002],'data':np.arange(5.)})
righth = DataFrame(np.arange(12.).reshape((6,2)),index = [['Nevada','Nevada','Ohio','Ohio','Ohio','Ohio',],
    [2001,2000,2000,2000,2001,2002]],columns = ['event1','event2'])
print lefth
print righth
#這種情況下,必須指明用作合並鍵的多個列(注意對重復索引值的處理)
#注意得到的結果的index是跟左邊對象的index一致
print pd.merge(lefth,righth,left_on = ['key1','key2'],right_index = True,how = 'outer')
#同時使用合並雙方的索引也沒問題
left2 = DataFrame([[1.,2.],[3.,4.],[5.,6.]],index = ['a','c','e'],columns = ['Ohio','Nevada'])
right2 = DataFrame([[7.,8.],[9.,10.],[11.,12.],[13,14]],index = ['b','c','d','e'],columns = ['Missouri','Alabama'])
print left2
print right2
#注意下面的方式,利用index進行合並
print pd.merge(left2,right2,how = 'outer',left_index = True,right_index = True)
#DataFrame有一個join實例方法,它能更方便地實現按索引合並。還可以用作合並多個帶有相同或者相似索引的
#DataFrame對象,而不管有沒有重疊的列
print left2.join(right2,how = 'outer')
#由於一些歷史原因,DataFrame的join方法是在連接鍵上做左連接。它還支持參數DataFrame的索引跟
#調用者DataFrame的某個列之間的連接(這個方法有點像merge中的left_index這樣的參數)
print left1.join(right1,on = 'key') #這個函數現在已經跟書上的不一樣了
#最后,對於簡單的索引合並,還可以向join傳入多個DataFrame
another = DataFrame([[7.,8.],[9.,10.],[11.,12.],[16.,17.]],index = ['a','c','e','f'],columns = ['New York','Oregon'])
print left2.join([right2,another],how = 'outer')
>>>
   group_val index
0        3.5     a
1        7.0     b
Empty DataFrame
Columns: array([key, value, group_val, index], dtype=object)
Index: array([], dtype=int64)
   data    key1  key2
0     0    Ohio  2000
1     1    Ohio  2001
2     2    Ohio  2002
3     3  Nevada  2001
4     4  Nevada  2002
             event1  event2
Nevada 2001       0       1
       2000       2       3
Ohio   2000       4       5
       2000       6       7
       2001       8       9
       2002      10      11
   data    key1  key2  event1  event2
4   NaN  Nevada  2000       2       3
3     3  Nevada  2001       0       1
4     4  Nevada  2002     NaN     NaN
0     0    Ohio  2000       4       5
0     0    Ohio  2000       6       7
1     1    Ohio  2001       8       9
2     2    Ohio  2002      10      11
   Ohio  Nevada
a     1       2
c     3       4
e     5       6
   Missouri  Alabama
b         7        8
c         9       10
d        11       12
e        13       14
   Ohio  Nevada  Missouri  Alabama
a     1       2       NaN      NaN
b   NaN     NaN         7        8
c     3       4         9       10
d   NaN     NaN        11       12
e     5       6        13       14
   Ohio  Nevada  Missouri  Alabama
a     1       2       NaN      NaN
b   NaN     NaN         7        8
c     3       4         9       10
d   NaN     NaN        11       12
e     5       6        13       14
  key  value  group_val index
0   a      0        NaN   NaN
1   b      1        NaN   NaN
2   a      2        NaN   NaN
3   a      3        NaN   NaN
4   b      4        NaN   NaN
5   c      5        NaN   NaN
   Ohio  Nevada  Missouri  Alabama  New York  Oregon
a     1       2       NaN      NaN         7       8
b   NaN     NaN         7        8       NaN     NaN
c     3       4         9       10         9      10
d   NaN     NaN        11       12       NaN     NaN
e     5       6        13       14        11      12
f   NaN     NaN       NaN      NaN        16      17
[Finished in 0.8s]
復制代碼

下面是軸向連接

復制代碼
#-*- encoding: utf-8 -*-
import numpy as np 
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series,DataFrame

#另一種合並運算為連接(concatenation),綁定(binding)或者堆疊(stacking)。
#Numpy有一個用於合並原始Numpy數組的concatenation函數:
arr = np.arange(12).reshape((3,4))
print arr
print np.concatenate([arr,arr],axis = 1)
復制代碼

對於pandas對象,需要考慮:

  • 如果各對象其他軸上的索引不同,那些軸應該是並集還是交集?
  • 結果對象中的分組需要各不相同嗎?
  • 用於連接的軸重要嗎?

下面介紹concat函數:

復制代碼
#-*- encoding: utf-8 -*-
import numpy as np 
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series,DataFrame
'''
#另一種合並運算為連接(concatenation),綁定(binding)或者堆疊(stacking)。
#Numpy有一個用於合並原始Numpy數組的concatenation函數:
arr = np.arange(12).reshape((3,4))
print arr
print np.concatenate([arr,arr],axis = 1)
'''
s1 = Series([0,1],index = ['a','b'])
s2 = Series([2,3,4],index = ['c','d','e'])
s3 = Series([5,6],index = ['f','g'])
print pd.concat([s1,s2,s3])
#注意下面的方式,產生的是一個DataFrame,index是所有index合並起來,列是每個Series占一列,其他位置N啊N
print pd.concat([s1,s2,s3],axis = 1)
#如果Series有重復值的情況下
s4 = pd.concat([s1 * 5,s3])
print s4
#下面的inner是取交集
print pd.concat([s1,s4],axis = 1,join = 'inner')
#通過join_axes指定要在“其他軸”上使用的索引
print pd.concat([s1,s4],axis = 1,join_axes = [['a','c','b','e']])
#現在有個問題,參與連接的各個部分在最后的結果中不能區分,可以設置層次化索引解決此問題
result = pd.concat([s1,s2,s3],keys = ['one','two','three'])
print result
print result.unstack()
#如果沿着axis=1進行合並,則當然的key成為DataFrame的列頭(列名):
result1 = pd.concat([s1,s2,s3],axis = 1,keys = ['one','two','three'])
print result1
print result1.columns
#下面看DataFrame的合並方式,行列數量不同也能合並,比R語言好
df1 = DataFrame(np.arange(6).reshape(3,2),index = ['a','b','c'],columns = ['one','two'])
df2 = DataFrame(5 + np.arange(4).reshape(2,2),index = ['a','c'],columns = ['three','four'])
print pd.concat([df1,df2])#默認將行合並
print pd.concat([df1,df2],axis = 1,keys = ['level1','level2'])
#下面的這種合並方式更加科學,字典的形式
print pd.concat({'level1':df1,'level2':df2},axis = 0)
print pd.concat([df1,df2],axis = 1,keys = ['level1','level2'],names = ['upper','lower'])
#最后需要考慮的問題是,跟當前分析工作無關的DataFrame行索引,也就是說,原來的行索引沒有意義了
df1 = DataFrame(np.random.randn(3,4),columns = [list('abcd')])
df2 = DataFrame(np.random.randn(2,3),columns = ['b','d','a'])
#只要加上ignore_index = True 即可
print pd.concat([df1,df2],ignore_index = True)
>>>

a    0
b    1
c    2
d    3
e    4
f    5
g    6
    0   1   2
a   0 NaN NaN
b   1 NaN NaN
c NaN   2 NaN
d NaN   3 NaN
e NaN   4 NaN
f NaN NaN   5
g NaN NaN   6
a    0
b    5
f    5
g    6
   0  1
a  0  0
b  1  5
    0   1
a   0   0
c NaN NaN
b   1   5
e NaN NaN
one    a    0
       b    1
two    c    2
       d    3
       e    4
three  f    5
       g    6
        a   b   c   d   e   f   g
one     0   1 NaN NaN NaN NaN NaN
two   NaN NaN   2   3   4 NaN NaN
three NaN NaN NaN NaN NaN   5   6
   one  two  three
a    0  NaN    NaN
b    1  NaN    NaN
c  NaN    2    NaN
d  NaN    3    NaN
e  NaN    4    NaN
f  NaN  NaN      5
g  NaN  NaN      6
array([one, two, three], dtype=object)
   four  one  three  two
a   NaN    0    NaN    1
b   NaN    2    NaN    3
c   NaN    4    NaN    5
a     6  NaN      5  NaN
c     8  NaN      7  NaN
   level1       level2      
      one  two   three  four
a       0    1       5     6
b       2    3     NaN   NaN
c       4    5       7     8
          four  one  three  two
level1 a   NaN    0    NaN    1
       b   NaN    2    NaN    3
       c   NaN    4    NaN    5
level2 a     6  NaN      5  NaN
       c     8  NaN      7  NaN
upper  level1       level2      
lower     one  two   three  four
a           0    1       5     6
b           2    3     NaN   NaN
c           4    5       7     8
          a         b         c         d
0  2.277611  0.597990  2.128480 -0.467747
1  2.450508 -0.682617  1.129313  1.174447
2 -0.106422  0.590667  1.015706  0.712673
3 -1.323742  0.060791       NaN  1.095113
4  0.586082 -0.849976       NaN -0.320739
[Finished in 1.9s]

復制代碼

concat函數的參數如下:

image

合並重疊數據

還有一種數據是不能簡單通過merge、concatenation解決的。比如,有可能部分或者全部索引重疊的兩個數據集。

復制代碼
#-*- encoding: utf-8 -*-
import numpy as np 
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series,DataFrame

a = Series([np.nan,2.5,np.nan,3.5,4.5,np.nan],
    index = ['f','e','d','c','b','a'])
b = Series(np.arange(len(a),dtype = np.float64),
    index = ['f','e','d','c','b','a'])
b[-1] = np.nan
print a,'\n'
print b,'\n'
#print a + b #注意這里的自動對齊
#c用來按照索引取a、b的值:
c = np.where(pd.isnull(a),b,a)
print c,'\n'
#numpy中也有這樣一個方法combine_first
print b[:-2].combine_first(a[2:]) #注意兩者都不為空時,保留b的值

#對於DataFrame而言,combine_first也是做同樣的事,可以看作用參數對象中的數據
#為調用者對象的確實數據“打補丁”
df1 = DataFrame({'a':[1.,np.nan,5.,np.nan],
    'b':[np.nan,2.,np.nan,6.],
    'c':range(2,18,4)})
df2 = DataFrame({'a':[5.,4.,np.nan,3.,7.],
    'b':[np.nan,3.,4.,6.,8.]})
#要特別注意下面的應用,df1比df2 少一行,運行以后df1就比原來多了一行,這有時候對數據處理是個隱藏bug啊!
print df1.combine_first(df2)
>>>
f    NaN
e    2.5
d    NaN
c    3.5
b    4.5
a    NaN

f     0
e     1
d     2
c     3
b     4
a   NaN

f    0.0
e    2.5
d    2.0
c    3.5
b    4.5
a    NaN

a    NaN
b    4.5
c    3.0
d    2.0
e    1.0
f    0.0
   a   b   c
0  1 NaN   2
1  4   2   6
2  5   4  10
3  3   6  14
4  7   8 NaN
[Finished in 0.9s]

復制代碼

2、重塑和軸向旋轉

復制代碼
#-*- encoding: utf-8 -*-
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series,DataFrame

#reshape(重塑)、pivot(軸向旋轉)可以對表格型數據進行基礎運算
#重塑層次化索引
#stack:將數據的列“旋轉”為行
#unstack:將數據的行“旋轉”為列
data = DataFrame(np.arange(6).reshape((2,3)),index = pd.Index(['Ohio','Colorado'],name = 'state'),
    columns = pd.Index(['one','two','three'],name = 'number'))
print data
result = data.stack()
print result #這里就是將列名作為了層次化索引(內層索引),得到了一個Series
print result.unstack() #將層次化索引轉換為二維表,得到DataFrame
#默認情況下,unstack處理的是內層的索引,若想別的層次,傳入編號或者名稱即可,注意最外一層編號為0
result1 = result.unstack(0)
print result1
print result1.stack(0),'\n'  #默認,列為內層
print result1.unstack(1) ,'\n'  #列為外層
#下面看有缺失值的情況,unstack()會標示出缺失值
s1 = Series([0,1,2,3],index = [list('abcd')])
s2 = Series([4,5,6],index = ['c','d','e'])
data2 = pd.concat([s1,s2],keys = ['one','two'])
print data2
print data2.unstack(),'\n'
#stack會濾除缺失數據
print data2.unstack().stack(),'\n'
print data2.unstack().stack(dropna = False) ,'\n' #保留缺失值
#對DataFrame進行unstack時,作為旋轉軸的級別成為結果中最低的,弄到最內層
df = DataFrame({'left':result,'right':result + 5},columns = pd.Index(['left','right'],name = 'side'))
print 'df is \n',df
print 'df.unstack is \n',df.unstack('state')
print 'df.unstack.stack \n',df.unstack('state').stack('side')
復制代碼

將“長格式”轉換為“寬格式”

復制代碼
#-*- encoding: utf-8 -*-
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series,DataFrame

#時間序列中的數據通常是以所謂“長格式”(long)或“堆疊格式”(stacked)存儲在數據庫和csv中
#由於沒有找到數據,自己動手寫一點
ldata = DataFrame({'date':['03-31','03-31','03-31','06-30','06-30','06-30'],
    'item':['real','infl','unemp','real','infl','unemp'],'value':['2710.','000.','5.8','2778.','2.34','5.1']})
print 'ldata is \n',ldata
#下面就是將data、item作為行、列名,value填充進二維表
pivoted = ldata.pivot('date','item','value')
print 'pivoted is \n',pivoted
ldata['value2'] = np.random.randn(len(ldata))
print 'ldata is \n',ldata
#看一下下面的結果,得到的列就有了層次化列表
pivoted = ldata.pivot('date','item')
print pivoted
print 'pivoted is \n',pivoted['value'],'\n'
#換一種試試,下面的就將value2填充,value就丟棄了
pivoted1 = ldata.pivot('date','item','value2')
print pivoted1
#注意,pivot其實只是一個“快捷方式而已”,用set_index創建層次化索引,再用unstack重塑
unstacked = ldata.set_index(['date','item']).unstack('item') #unstack標明展開的軸
print unstacked
復制代碼


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM