Другое

Pandas Python: описание одной из популярных библиотек для Питона

Lorem ipsum dolor

Pandas — это библиотека для Python, с которой обязательно нужно познакомиться тем, кто использует Питон для работы с данными, тем более что в этом сегменте Пандас является одной из самых продвинутых и быстроразвивающихся библиотек.

Pandas отличается высокой производительностью, так как является библиотекой высокого уровня и построена поверх библиотеки низкого уровня NumPy, последняя написана на Си.

Сегодня мы разберем азы работы с библиотекой Pandas, например:

  • как создать dataframe;

  • сортировка dataframe;

  • и другая работа с данными.

 

Устанавливаем Пандас Питон

Чтобы начать работать с Пандас Питон, у вас должна быть установлена версия Питона не ниже 2.7. Если Python установлен, тогда можно приступать к инсталляции этой библиотеки.

Когда вы в работе используете «Conda», тогда установка Пандас происходит по следующей команде:

  • conda install pandas

Когда вы в работе используете PIP, тогда установка Пандас происходит по следующей команде:

  • pip3.7 install pandas

После инсталляции нашей библиотеки с ней нужно наладить взаимодействие. Для этого необходимо импортировать Пандос и обязательно NumPy в свой скрипт Питона. Это делается очень просто, в скрипт нужно добавить следующие строчки кода:

import pandas as pd

import numpy as np

 

Библиотека Pandas Python: основы

Библиотека Pandas Python несет в себе 3 основные структуры данных:

  • Series — это небольшой объект, похожий на одномерный массив, который не изменяет свои размеры;

  • DataFrame — это объект, обладающий табличной структурой данных, который может изменять свои размеры;

  • Panel — это объект, который имеет структуру трехмерного массива, способного изменять свои размеры.

 

Как создать DataFrame в Pandas

DataFrame в Pandas играет очень важную роль, так как данная структура данных является основным и стандартным способом хранения информации. Она содержит строки и столбцы, поэтому очень похожа на привычную всем электронную таблицу или таблицу SQL.

Чтобы создать объект DataFrame в Pandas, можно применить следующий конструктор:

pandas.DataFrame(data, index, columns, dtype, copy)

Краткое пояснение конструктора:

  • data — это создание объекта DataFrame из входных данных, в роли таких данных могут выступать: списки, другие объекты DataFrame, Series, массивы NumPy и др.;

  • index презентует строковые метки;

  • columns — применяется для конструирования подписей столбцов;

  • dtype — является необязательным параметром, а вообще указывает типы данных столбцов;

  • copy — применяется при копировании данных, когда нужно.

Создать DataFrame в Pandas можно несколькими путями, например, можно использовать:

  • список словарей Питона;

  • просто словарь Питона;

  • список кортежей;

  • CSV-файл;

  • Excel-файл;

  • и мн. др.

Живой пример, как происходит создание DataFrame из списка словарей Питона:

import pandas as pd

import numpy as np

df = pd.DataFrame ({

     “Country“: [ `Austria`, `Sweden`, `Poland`],

     “Capital“: [`Vienna`, `Stockholm`, `Warsaw`],

     “Catholics %“: [27, 28, 29]

})

print(df)

 

Результатом такого исполнения будет таблица:

 

Country

Capital

Catholics %

0

Austria

Vienna

27

1

Sweden

Stockholm

28

2

Poland

Warsaw

29

 

  • Первым шагом мы создали словарь

  • Вторым шагом мы передали наш словарь аргументом в методе DataFrame()

  • Третьим шагом мы вывели наш DataFrame при помощи print()

Как видно из вывода, наш DataFrame очень похож на таблицу, по крайней мере заголовки и все данные отображаются в табличном виде, а в самом левом столбце мы можем наблюдать метки каждой строки.

 

Создание DataFrame в Pandas при помощи CSV

Как мы уже говорили, в Pandas создать DataFrame можно разными путями, например, импортировать информацию из файла CSV. Для подобного импорта в Пандас есть специальный метод read_csv(), который позволяет читать CSV-файл.

Допустим, у нас есть некий CSV-файл «example.csv», тогда на практике это будет выглядеть следующим образом:

import pandas as pd

data = pd.read_csv(`example.csv`)

print(data)

 

Работа с данными DataFrame

В принципе, вы уже знаете, как создать DataFrame в Pandas. Но при помощи Питона в Пандас можно удобно работать с данными. Разберем несколько способов работы с данными.

1. Можно получить статистическую сводку, например:

print(df[`Catholics %`].describe())

Где за вывод статистики отвечает «df.describe()»

2. Можно отсортировать записи, например:

print(df.sort_values(`Catholics %`, ascending=False))

3. Можно «нарезать» записи, например:

print(df[[`Country`, `Capital`]])

При этом «нарезать» записи мы можем не только по заголовкам, но также для этого можно использовать индекс строк или столбцов. Для этой операции нам понадобится функция «iloc[]». Например, если нам нужно будет поработать с первой строкой DataFrame, то функция будет такой: «df.iloc[0,:]».

Если нам нужно вывести конкретный элемент таблицы, то мы можем также использовать эту функцию, но нужно будет прописать индекс строки и столбца элемента. К примеру, нам нужно вывести первый элемент второго столбца, тогда функция будет выглядеть так: «df.loc[0,1]». В нашей DataFrame это будет «Vienna».

4. Можно отфильтровать данные, например:

print(df[df[`Catholics %`]>20])

Для фильтрации условий применяют операторы сравнения.

5. Можно переименовать столбики в DataFrame, например:

df.rename(columns = {`Catholics %` : `Orthodoxy %`}, inplace=True)

print(df.head)

После такой небольшой процедуры наш столбец «Catholics» переименуется в «Orthodoxy».

 

Series в Pandas Python

Мы уже отмечали, что Series — это небольшой объект, который похож на одномерный массив, но от таких массивов Series отличает наличие индекса для каждого элемента.

Например, создаем и выводим Series:

import pandas as pd

Capital_series = pd.Series([Vienna, Stockholm, Warsaw])

print(Capital_series)

На выходе мы получим следующее:

0

Vienna

1

Stockholm

2

Warsaw

 

Где 0, 1, 2 — это индексы элементов Series. Сами Series могут быть элементами DataFrame. А с элементами Series можно проводить абсолютно любые операции.

 

Заключение

В этой статье мы показали, как установить Pandas, как создать DataFrame и как можно работать с элементами DataFrame. Сама библиотека Пандас Питон — это очень обширный функционал при работе с данными. Мы приоткрыли лишь небольшую его часть. Кому интересно подробнее разобраться в Pandas, могут изучить официальную документацию к этому документу по ссылке.

Схожие статьи

Интеграционное тестирование: определение, виды и примеры
Другое

Интеграционное тестирование: определение, виды и примеры

Где хранятся ПУШ уведомления на Андроид, и как их настроить
Другое

Где хранятся ПУШ уведомления на Андроид, и как их настроить

Регуляризация L1 и L2: определение и применение в разных сферах
Другое

Регуляризация L1 и L2: определение и применение в разных сферах

Другое

Зачем нужен VPN для Steam, какие из них считаются самыми лучшими

×