史上最强Pandas手册，让你从小白立马变身数据分析师，建议收藏！

Pandas是Python的一个数据分析库，提供如DataFrame等十分容易操作的数据结构，是近年做数据分析时不可或缺的工具之一。

虽然已经有满坑满谷的教学文章、视频或是线上课程，正是因为pandas学习资源之多，导致初学者常常不知如何踏出第一步。

在这篇文章里头，我们将接近40个实用的pandas技巧由浅入深地分成6大类别：

 建立DataFrame

 定制化DataFrame 显示设定

 数据清理& 整理

 取得想要关注的数据

 基本数据处理与转换

 简单汇总& 分析数据

通过有系统地呈现这些pandas技巧，我们希望能让更多想要利用Python做数据分析或是想成为data scientist的你，能用最有效率的方式掌握核心pandas能力；同时也希望你能将自己认为实用但本文没有提到的技巧与我们分享。

废话不多说啦，让我们开始这趟pandas旅程吧！当然，首先你得import pandas：

建立DataFrame

pandas里有非常多种可以初始化一个DataFrame的技巧：

1. 用Python dict建立DataFrame

使用Python的dict来初始化DataFrame十分直观，基本上dict里头的每一个键（key）都对应到一个列名称，而其值（value）则是一个iterable，代表该列里头所有的数值。

在需要管理多个DataFrames时你会需要用更有意义的名字来代表它们，但在数据科学领域里只要看到df，每个人都会预期它是一个Data Frame，不论是Python或是R语言的使用者。

很多时候你也会需要改变DataFrame 里的列名称：

这里也很直观，就是给一个将旧列名对应到新列名的Python dict。值得注意的是参数axis=1：在pandas里大部分函数预设处理的轴为行（row），以axis=0表示；而将axis设置为1则代表你想以列（column）为单位套用该函数。

你也可以用df.columns的方式改变列名称：

2. 使用pd.util.testing随机建立DataFrame

当你想要随意初始化一个DataFrame并测试pandas功能时，pd.util.testing就显得十分好用：

head函数预设用来显示DataFrame中前5项数据，要显示最后数据则可以使用tail函数。

你也可以用makeMixedDataFrame建立一个有各种数据类型的DataFrame方便测试：

其他函数如makeMissingDataframe及makeTimeDataFrame我们在后面的章节介绍使用。

3. 将剪贴簿内容转换成DataFrame

你可以从Excel、Google Sheet 或是网页上复制表格并将其转成DataFrame。

只需简单2个步骤：

 复制其他来源的表格；

 执行 pd.read_clipboard；

这个技巧在你想要快速将一些数据转成DataFrame 时非常方便。

4. 读取线上CSV文档

不限于本地档案，只要有正确的URL 以及网络连接就可以将网络上的任意CSV 档案转成DataFrame。比方说你可以将Kaggle著名的Titanic竞赛的CSV档案从网络上下载下来并转成DataFrame：

过来人经验，虽然像这样利用pandas 直接从网络上下载并分析数据很方便，但是有时host 数据的网页与机构（尤其是政府机关）会无预期地修改他们网站，导致数据集的URL 失效。为了最大化重现性，我还是会建议将数据载到本地备份之后，再做分析比较实在。

5. 优化内存使用量

你可以透过df.info查看DataFrame当前的内存用量：

从最后一列可以看出Titanic这个小DataFrame只占了322 KB。这边使用的df不占什么内存，但如果你想读入的DataFrame很大，可以只读入特定的栏位并将已知的分类型（categorical）栏位转成category型态以节省内存（在分类数目较数据量小时有效）：

通过减少读入的栏位数并将object转换成category栏位，读入的df只剩135KB，只需刚刚的40%内存用量。

另外如果你想在有限的内存处理巨大CSV文档，也可以透通过chunksize参数来限制一次读入的行数（rows）：

定制化DataFrame显示设定

虽然pandas 会尽可能地将一个DataFrame 完整且漂亮地呈现出来，有时候你还是会想要改变预设的显示方式。这节列出一些常见的使用情境。

1.完整显示所有列

有时候一个DataFrame 里头的栏位太多， pandas 会自动省略某些中间栏位以保持页面整洁：

但如果你无论如何都想要显示所有栏位以方便一次查看，可以透过pd.set_option函数来改变display.max_columns设定：

1  pd.set_option("display.max_columns", None) 

2  df 

另外你也可以使用T来转置（transpose）当前DataFrame，垂直显示所有栏位：

1  df.T.head (15)

此外，你可以在pandas官方文件里查看其他常用的显示设定。

2. 减少显示的栏位长度

这边你一样可以通过pd.set_option函数来限制Titanic数据集里头Name栏位的显示长度：

3. 改变浮点数显示位数

除了栏位长度以外，你常常会想要改变浮点数（float）显示的小数点位数：

你会发现Fare栏位现在只显示小数点后一位的数值了。另外注意刚刚设定的max_colwidth是会被套用到所有DataFrame的。因此这个DataFrame的Name栏位显示的宽度还跟上个DataFrame相同：都被缩减了。

想要将所有调整过的设定初始化，可以执行：

1  pd.reset_option("all")

其他常用的options 包含：

 max_rows

 max_columns

 date_yearfirst

等等。执行pd.describe_option()可以显示所有可供使用的options，但如果你是在Jupyter notebook内使用pandas的话，我推荐直接在set_option函式的括号里输入Shift+ tab显示所有选项。

另外值得一提的是pandas 函数都会回传处理后的结果，而不是直接修改原始DataFrame。

这让你可以轻松地把多个函式串（chain）成一个复杂的数据处理pipeline，但又不会影响到最原始的数据：

瞧！原来的DataFrame还是挺淳朴的，注意Fare栏位里的小数点并没有因为刚刚的styling而变少，而这让你在呈现DataFrame时有最大的弹性。

以上是思迈特软件的一些技术分享，希望对您有所帮助！

申请试用