Python — один из популярных языков для анализа данных. Для этого в нём есть несколько инструментов, один из которых — библиотека pandas.
Что такое библиотека pandas
pandas — это библиотека, то есть набор заранее подготовленных методов и функций, которые позволяют не изобретать велосипед каждый раз, а использовать уже созданные и протестированные алгоритмы. Библиотека pandas предназначена для анализа уже структурированных данных, то есть размещённых не хаотично, а в таблицах. Такие данные ещё называют «панельными», откуда и пошло название библиотеки: PANel DAta → pandas.
Библиотека pandas в Python нужна потому, что структурированные данные часто бывают в форматах, которые не подходят моделям машинного обучения, — например, в виде таблиц Excel. Их нужно предварительно преобразовать, обработать и очистить, и в этом помогает библиотека pandas.
Аналитики данных используют pandas для того, чтобы:
● Группировать данные по определённым признакам.
● Создавать сводные таблицы из нескольких.
● Очищать данные от дубликатов и невалидных строк или столбцов.
● Выводить определённые значения по фильтрам или уникальности.
● Использовать агрегирующие функции, например подсчёт значений, сумму элементов, среднее значение.
● Визуализировать собранные данные.
pandas — только одна библиотека Python и один из множества инструментов для анализа данных. Обращению с ней, как и с другими инструментами, учат на курсе «Аналитик данных».
Повышайте прибыль компании с помощью данных
Научитесь анализировать большие данные, строить гипотезы и соберите 13 проектов в портфолио за 6 месяцев, а не 1,5 года. Сделайте первый шаг к новой профессии в бесплатной вводной части курса «Аналитик данных».
По умолчанию pandas не встроена в Python. Установить её и начать работу можно с помощью инструкции на официальном сайте библиотеки. Проще всего сначала скачать программу Anaconda, которая позволяет управлять пакетами для работы с данными и в том числе содержит библиотеку pandas. После установки можно использовать доступные в pandas функции при написании кода на Python.
Обычно для работы с данными используют специальную среду разработки — Jupyter Notebook. В ней можно писать код на Python, используя в том числе библиотеку pandas, выполнять программы итерационно и анализировать результаты выполнения отдельных операций, например выборки из таблицы.
Структуры данных в pandas
Структура — это представление данных с заранее определёнными свойствами и способом хранения. Каждая структура определена некоторым набором операций и методов для взаимодействия с ней.
При работе с pandas Python-программисты имеют дело с двумя основными структурами данных: Series и DataFrames.
Series
Это одномерный массив, то есть список данных. Он состоит из нескольких элементов, у каждого из которых есть индекс. В качестве индекса может быть номер элемента, буква либо какой-то другой ключ, заданный заранее. Если индексы не переопределить, то они будут созданы автоматически.
Автоматические индексы всегда начинаются с 0
С помощью индекса можно обратиться к конкретным элементам Series, заменить их значения или отфильтровать только определённый диапазон значений.
Массив Series обладает фиксированным размером. Он инициализируется, или создаётся, один раз, с конкретными значениями и индексами. В дальнейшем добавлять или удалять элементы нельзя.
DataFrames
Это двумерный массив, больше всего похожий на привычную таблицу. Каждый элемент находится в ячейке, у которой есть адрес, состоящий из строки и столбца. Столбцы в DataFrames — это структуры Series.
У каждой строки и столбца есть индекс. Они могут быть расставлены автоматически, а могут быть заданы вручную
DataFrame — это название и структуры, и объектов. То есть объекты, созданные с этой структурой, также называются DataFrames, или фреймами.
Материал по теме:
Всё о языке программирования Python: растущая популярность, плюсы и минусы, сферы применения
Основы анализа данных в pandas
Чтобы работать с таблицами в pandas, их нужно заранее загрузить из файла. Для этого существует функция read, в которой нужно указать тип обрабатываемого файла: CSV, Excel или SQL. Например, команда df = pd.read_csv('names.csv', sep=',') создаст из файла names.csv структуру DataFrame с названием df. Переменная sep — это указатель на разделитель столбцов, для него обычно используют запятую.
Теперь с этим DataFrame можно взаимодействовать с помощью следующих методов:
● head и tail выводят строки с начала и с конца;
● display() полностью отображает DataFrame;
● shape показывает количество строк и столбцов;
● rename переименовывает столбцы;
● describe выдаёт первичные статистические характеристики набора данных: среднее значение, стандартное отклонение, максимум и минимум и некоторые другие.
Это базовые операции, а для полноценного анализа нужны другие методы, которые позволяют более глубоко изучать столбцы и строки: сводные таблицы, срезы фреймов, визуализация.
Базовые операции со столбцами и строками
В pandas есть множество функций, которые позволяют по-разному подготавливать и обрабатывать данные. Все они перечислены в документации к библиотеке. Рассмотрим часто используемые операции.
Срез фрейма
Операция позволяет выделить из общего DataFrame несколько столбцов.
Для этого необходимо использовать срез, который выглядит как df[['Имя', 'Возраст']]. Указанная команда из общей таблицы с данными выделит срез, содержащий столбцы с именами, возрастами и индексами строк.
Срез можно сохранить в новой переменной, в виде нового фрейма.
Другие столбцы DataFrame при этом никуда не исчезают — они просто не отображаются
«Вырезать» столбцы «от и до» позволяет метод loc. Например, df.loc [:, 'Место в рейтинге':'Семейное положение'] выведет все столбцы от имени до семейного положения, сколько бы их ни было между ними.
Метод iloc делает срез по индексам строк и столбцов. Например: в df.iloc[0:100, 0:5].
Чтобы выделить столбец в отдельный список и легче извлекать из него данные, нужно использовать метод tolist. Он выглядит как df['Имя'].tolist() и собирает названия столбцов в отдельный список df.columns.tolist().
Добавление и удаление строк и столбцов
DataFrame можно изменять, в том числе добавляя столбцы и строки. Причём это можно делать на основе уже существующих данных в DataFrame. Например, можно создать столбец 'Общий доход', который станет суммой столбцов 'Зарплата' и 'Доход от инвестиций'.
Добавить строку чуть сложнее. Для этого нужно сначала составить переменную с ключами — названиями столбцов, а потом добавить её в виде строки:
new = {'Имя': 'Игнат', 'Возраст': '21', 'Профессия': 'Плотник'}.
df = df.append(new, ignore_index=True)
Все колонки, которые не указаны, заполнятся значениями NaN автоматически, а строка попадёт в конец DataFrame. Параметр ignore_index=True нужен, чтобы строка добавилась без ошибки.
Можно добавить строку или столбец, не задавая значение явно, а используя функцию: sum(), mean(), median().
Для удаления используется метод drop().
Группировка и агрегирование данных
Метод groupby позволяет проанализировать группы данных и сравнить их показатели. Например, df.groupby('Профессия').count() посчитает, сколько строк с каждой профессией есть в таблице.
Результат применения groupby покажет, сколько в таблице учителей, врачей, таксистов и представителей других профессий
Сводные таблицы
Для сопоставления и обобщения данных из одной или нескольких таблиц существует метод pivot_table. Он позволяет создавать новые DataFrames по координатам как строк, так и столбцов. Здесь можно использовать операторы, например суммирование или вычисление среднего.
Возьмём из таблицы два столбца — профессию и возраст. Возраст поместим в индекс, профессию — в столбцы, а ячейки заполним средней зарплатой, которую получают люди этой профессии в каждом конкретном возрасте. Для этого можно использовать такую команду:
zp.pivot_table(df, index = ['Возраст'], columns = ['Профессия'], values = 'Зарплата', aggfunc = 'mean')
Это создаст новую DataFrame zp такого вида:
Функция mean усреднит значения зарплат. Там, где в таблице значений нет, появятся ячейки с NaN, то есть пустые
Сортировка
Функция sort_values() позволяет сортировать таблицы по значению определённого столбца по убыванию. Например, df.sort_values(by = 'Зарплата').head() выведет первые 5 строк с описанием людей с самой высокой зарплатой.
Расположение столбцов при сортировке останется тем же, но все строки будут перетасованы
Для сортировки по другим критериям можно задавать параметры. Например, ascending=False позволяет отсортировать по убыванию.
Очистка данных
Эта операция подготовит данные к построению на их основе нейронных сетей и моделей. Для этого существуют базовые функции:
● drop_duplucates() удаляет дубликаты, то есть полностью идентичные строки.
● fillna() заменяет пропуски NaN на какое-то значение, например на нули.
● dropna() удаляет строки с NaN из таблицы.
Совет эксперта
Николай Федосеев
pandas — одна из наиболее часто используемых библиотек для обработки данных в проектах машинного обучения и Data Science. Чтобы изучить библиотеку на практике, можно использовать сервис Colab, который позволяет запускать код Python в браузере. Для глубокого погружения в pandas и его возможности рекомендую книгу Маккинни «Python и анализ данных».
Дайджест блога: ежемесячная подборка лучших статей от редакции
Читать также:
