大熊貓是全竹宴美食家中的饕餮，亦是十足的瞌睡蟲。不過它們還身懷一項(xiàng)隱秘技能：（不遺余力吞噬下）大量的數(shù)據(jù)。今天將要介紹的就是數(shù)據(jù)處理中最強(qiáng)有力也最流行的工具之一：Pandas！

當(dāng)人們談到數(shù)據(jù)科學(xué)，往往不會(huì)立即想到 Pandas。這些黑白相間憨態(tài)可掬的大熊貓總是把時(shí)間消耗在吃和睡上面，而不是鉆研數(shù)據(jù)相關(guān)的研究。但今天我們就是要用 Pandas 對付候選數(shù)據(jù)集，然后準(zhǔn)備好下一步用于機(jī)器學(xué)習(xí)。我沒法在一期視頻中介紹整個(gè) Pandas 庫，但是所幸我能在這期概述中給你一些幫助，讓你能自行去深入探索 Pandas 的世界。

我吃我吃我吃吃吃！數(shù)據(jù)集就是我的竹子，別和我搶！

Pandas 是一個(gè)低學(xué)習(xí)成本高性能的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析工具。拋開大熊貓憨態(tài)可掬的樣子不說，「Pandas」這個(gè)名字來源于術(shù)語「panel data」，指的是統(tǒng)計(jì)和計(jì)量經(jīng)濟(jì)學(xué)上的多維數(shù)據(jù)。

要安裝 Pandas，只需在 Python 環(huán)境中執(zhí)行 pip install pandas 命令就可以了。之后只需要在代碼中引入 Pandas：import pandas as pd。

人們用 Pandas 時(shí)往往都會(huì)用到 pd.read_csv 來讀入 CSV 文件中的數(shù)據(jù)。這也常常是人們使用時(shí)落筆的第一點(diǎn)墨。

pd.read_csv 會(huì)將數(shù)據(jù)載入一個(gè) DataFrame 中。它本質(zhì)上是一張電子表格或是數(shù)據(jù)表。我們可以通過在 DataFrame 調(diào)用 head() 來粗略察看數(shù)據(jù)集中的概況。

DataFrames 中有一行一行數(shù)據(jù)，這些數(shù)據(jù)的列首都是經(jīng)過命名的，這些命名后的列又被稱為「序列」。

我最喜歡的 DataFrames 的一些特性當(dāng)中，有一個(gè)函數(shù)叫做 describe()，這個(gè)函數(shù)會(huì)羅列出你的 DataFrame 的一些相關(guān)數(shù)據(jù)。這個(gè)函數(shù)有助于你檢查數(shù)據(jù)集，思考其中的數(shù)據(jù)分布是否合理，也可以檢驗(yàn)是否各項(xiàng)屬性都符合預(yù)期。

有時(shí)候我會(huì)用 Pandas 來擾亂數(shù)據(jù)。有時(shí)候你想要打亂所有數(shù)據(jù)，而不是僅僅釋出數(shù)據(jù)時(shí)取用首部那一點(diǎn)點(diǎn)數(shù)據(jù)，那么這時(shí) Pandas 就很有用了。比如，假使你的數(shù)據(jù)處于完全有序的狀態(tài)，沒有絲毫混亂，此時(shí)你可能就需要進(jìn)行一些額外的混合、擾亂操作了。

然而，對于那些無法放進(jìn)內(nèi)存里的大型數(shù)據(jù)集，這么做實(shí)在不太明智。也許應(yīng)該試試更高明點(diǎn)的法子來處理。

處理列

要處理數(shù)據(jù)集中單獨(dú)的某一列，只需使用括號來標(biāo)注出那一列，將該列的名字作為參數(shù)傳入即可。如果你不清楚有哪些具體的列名稱，那么可以回過頭看看 .describe() 輸出的內(nèi)容或者用 .columns 以數(shù)組形式輸出 DataFrame 中所有的列名稱。

處理行

處理行的方法與處理列不盡相同。比如，如果我們要想得到某個(gè) DataFrame 中索引為 i 的行，需要使用 .iloc[i] 得到該行數(shù)據(jù)。

索引為 5，表示這是第 6 行

記住 Pandas 是以 0 作為索引起點(diǎn)的，所以數(shù)據(jù)中的第一行對應(yīng)著索引 0。

同時(shí)處理行和列

有時(shí)你會(huì)想要得到某一指定的行、列的數(shù)據(jù)。由于行列的訪問方式不同，我們需要結(jié)合上面講到的兩種方式：

當(dāng)然，你也可以交換兩者的訪問順序，比如 csv_data.iloc[5][‘sepal_len’]。不過，相較之下我覺得這樣一來可讀性就變差了。

某個(gè)行/列范圍

真正有意思的是當(dāng)你要處理某個(gè)行列范圍內(nèi)數(shù)據(jù)的時(shí)候。

對于列，一個(gè)列范圍只需要用一個(gè)列名稱的數(shù)組來指定。

如果要挨著輸入的列名字太多太復(fù)雜，那么可以直接使用 csv_data.columns 得到列名稱數(shù)組后，取數(shù)組中某個(gè)范圍作為列索引的值即可。

本來這兩列我可以直接輸入進(jìn)去的，不過你明白我的意思就好

如果要得到某個(gè)范圍內(nèi)的行怎么辦？我們用冒號作為 .iloc 之后的括號內(nèi)中的分隔符來表達(dá)即可。

起始索引已經(jīng)被包括在內(nèi)了，而終止索引卻被忽略了。注意，返回的是索引為 5、6、7、8、9 的行，而不包含索引為 10 的行。

混合行、列范圍選擇

我們想要的是行的一個(gè)子集和列的一個(gè)子集，該怎么做？我們把上面談到的各類方法結(jié)合起來：

首先，得到所需的列名數(shù)組：

cols_2_4 = csv_data.column[2:4]

然后是所有所需的列：

df_cols_2_4 = df[cols_2_4]

選擇這些列中的指定行：

df_cols_2_4.iloc[5:10]

如果你非常熟練了，完全可以把上面三步結(jié)合成一步：

csv_data[csv_data.columns[2:4]].iloc[5:10]

我希望你能先暫停視頻回頭想想這個(gè)表達(dá)式的等價(jià)形式。我不會(huì)走開，一直在這兒等你。

小結(jié)幾句

Pandas 中的鏈?zhǔn)讲僮鞑粌H會(huì)讓數(shù)據(jù)處理更快，同時(shí)當(dāng)你熟練之后，代碼可讀性也會(huì)顯著提高。

我們已經(jīng)看過一些 DataFrame 的處理了，但是 Pandas 所衍生的一整套工具卻遠(yuǎn)遠(yuǎn)不止這些。從高效的 PyTables 和 HDF5 式文件存儲到進(jìn)行統(tǒng)計(jì)學(xué)分析，處處遍布 Pandas 的身影。

稍后就試著去用一下 Pandas 吧，定會(huì)讓你滿意！