In [1]: import pandas as pd
- 泰坦尼克号数据
本教程使用泰坦尼克号数据集,该数据集以 CSV 格式存储。数据包含以下数据列:
PassengerId:每位乘客的 ID。
Survived:指示乘客是否幸存。
0
表示是,1
表示否。Pclass:3 种票类之一:Class
1
、Class2
和 Class3
。Name:乘客姓名。
Sex:乘客性别。
Age:乘客年龄(以年为单位)。
SibSp:船上兄弟姐妹或配偶的数量。
Parch:船上父母或子女的数量。
Ticket:乘客票号。
Fare:表示票价。
Cabin:乘客舱位号。
Embarked:登船港口。
In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S [5 rows x 12 columns]
如何选择 DataFrame
的子集?#
如何从 DataFrame
中选择特定列?#
我对泰坦尼克号乘客的年龄感兴趣。
In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64
要选择单个列,请使用方括号
[]
并指定感兴趣的列名。
DataFrame
中的每个列都是一个 Series
。当选择单个列时,返回的对象是一个 pandas Series
。我们可以通过检查输出的类型来验证这一点。
In [6]: type(titanic["Age"])
Out[6]: pandas.core.series.Series
并查看输出的 shape
。
In [7]: titanic["Age"].shape
Out[7]: (891,)
DataFrame.shape
是 pandas Series
和 DataFrame
的一个属性(请记住读写教程,属性不使用括号),它包含行数和列数:(nrows, ncolumns)。pandas Series 是一维的,只返回行数。
我对泰坦尼克号乘客的年龄和性别感兴趣。
In [8]: age_sex = titanic[["Age", "Sex"]] In [9]: age_sex.head() Out[9]: Age Sex 0 22.0 male 1 38.0 female 2 26.0 female 3 35.0 female 4 35.0 male
要选择多个列,请在选择括号
[]
中使用列名列表。
注意
内部方括号定义了一个包含列名的 Python 列表,而外部方括号用于从 pandas DataFrame
中选择数据,如前面的示例所示。
返回的数据类型是 pandas DataFrame
In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame
In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)
该选择返回了一个包含 891 行和 2 列的 DataFrame
。请记住,DataFrame
是二维的,具有行和列两个维度。
有关索引的基本信息,请参阅用户指南中关于索引和选择数据的部分。
如何从 DataFrame
中筛选特定行?#
我对年龄大于 35 岁的乘客感兴趣。
In [12]: above_35 = titanic[titanic["Age"] > 35] In [13]: above_35.head() Out[13]: PassengerId Survived Pclass ... Fare Cabin Embarked 1 2 1 1 ... 71.2833 C85 C 6 7 0 1 ... 51.8625 E46 S 11 12 1 1 ... 26.5500 C103 S 13 14 0 3 ... 31.2750 NaN S 15 16 1 2 ... 16.0000 NaN S [5 rows x 12 columns]
要根据条件表达式选择行,请在选择括号
[]
中使用条件。
选择括号 []
内的条件 titanic["Age"] > 35
检查 Age
列中值大于 35 的行。
In [14]: titanic["Age"] > 35
Out[14]:
0 False
1 True
2 False
3 False
4 False
...
886 False
887 False
888 False
889 False
890 False
Name: Age, Length: 891, dtype: bool
条件表达式(>
,但 ==
, !=
, <
, <=
等也同样适用)的输出实际上是一个布尔值(True
或 False
)的 pandas Series
,其行数与原始 DataFrame
相同。这种布尔值的 Series
可以通过将其放入选择括号 []
中来筛选 DataFrame
。只有值为 True
的行才会被选中。
我们之前知道原始的泰坦尼克号 DataFrame
包含 891 行。让我们通过检查结果 DataFrame
above_35
的 shape
属性来查看满足条件的行数。
In [15]: above_35.shape
Out[15]: (217, 12)
我对泰坦尼克号中舱位等级为 2 和 3 的乘客感兴趣。
In [16]: class_23 = titanic[titanic["Pclass"].isin([2, 3])] In [17]: class_23.head() Out[17]: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 2 3 1 3 ... 7.9250 NaN S 4 5 0 3 ... 8.0500 NaN S 5 6 0 3 ... 8.4583 NaN Q 7 8 0 3 ... 21.0750 NaN S [5 rows x 12 columns]
与条件表达式类似,
isin()
条件函数对于提供列表中包含值的每一行返回True
。要根据此类函数筛选行,请在选择括号[]
中使用条件函数。在这种情况下,选择括号中的条件titanic["Pclass"].isin([2, 3])
检查Pclass
列的值是 2 还是 3 的行。
上述操作等同于筛选类别为 2 或 3 的行,并将这两个语句与 |
(或) 运算符结合使用。
In [18]: class_23 = titanic[(titanic["Pclass"] == 2) | (titanic["Pclass"] == 3)]
In [19]: class_23.head()
Out[19]:
PassengerId Survived Pclass ... Fare Cabin Embarked
0 1 0 3 ... 7.2500 NaN S
2 3 1 3 ... 7.9250 NaN S
4 5 0 3 ... 8.0500 NaN S
5 6 0 3 ... 8.4583 NaN Q
7 8 0 3 ... 21.0750 NaN S
[5 rows x 12 columns]
注意
组合多个条件语句时,每个条件必须用括号 ()
括起来。此外,不能使用 or
/and
,而需要使用 or
运算符 |
和 and
运算符 &
。
我希望处理年龄已知的乘客数据。
In [20]: age_no_na = titanic[titanic["Age"].notna()] In [21]: age_no_na.head() Out[21]: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S [5 rows x 12 columns]
notna()
条件函数对于值不是Null
值的每一行返回True
。因此,它可以与选择括号[]
结合使用来筛选数据表。
您可能想知道实际上有什么变化,因为前 5 行的值仍然相同。一种验证方法是检查 shape 是否已更改。
In [22]: age_no_na.shape
Out[22]: (714, 12)
有关缺失值的更多专用函数,请参阅用户指南中关于处理缺失数据的部分。
如何从 DataFrame
中选择特定行和列?#
我对年龄大于 35 岁的乘客姓名感兴趣。
In [23]: adult_names = titanic.loc[titanic["Age"] > 35, "Name"] In [24]: adult_names.head() Out[24]: 1 Cumings, Mrs. John Bradley (Florence Briggs Th... 6 McCarthy, Mr. Timothy J 11 Bonnell, Miss. Elizabeth 13 Andersson, Mr. Anders Johan 15 Hewlett, Mrs. (Mary D Kingcome) Name: Name, dtype: object
在这种情况下,需要一次性创建行和列的子集,仅仅使用选择括号
[]
已不再足够。需要在选择括号[]
前面使用loc
/iloc
运算符。当使用loc
/iloc
时,逗号前是您想要的行,逗号后是您想要选择的列。
当使用列名、行标签或条件表达式时,请在选择括号 []
前使用 loc
运算符。对于逗号前和逗号后的部分,您可以使用单个标签、标签列表、标签切片、条件表达式或冒号。使用冒号表示您希望选择所有行或所有列。
我对第 10 到 25 行以及第 3 到 5 列感兴趣。
In [25]: titanic.iloc[9:25, 2:5] Out[25]: Pclass Name Sex 9 2 Nasser, Mrs. Nicholas (Adele Achem) female 10 3 Sandstrom, Miss. Marguerite Rut female 11 1 Bonnell, Miss. Elizabeth female 12 3 Saundercock, Mr. William Henry male 13 3 Andersson, Mr. Anders Johan male .. ... ... ... 20 2 Fynney, Mr. Joseph J male 21 2 Beesley, Mr. Lawrence male 22 3 McGowan, Miss. Anna "Annie" female 23 1 Sloper, Mr. William Thompson male 24 3 Palsson, Miss. Torborg Danira female [16 rows x 3 columns]
同样,行和列的子集是一次性创建的,仅仅使用选择括号
[]
已不再足够。当您特别关注表中特定位置的某些行和/或列时,请在选择括号[]
前使用iloc
运算符。
当使用 loc
或 iloc
选择特定行和/或列时,可以将新值分配给所选数据。例如,将名称 anonymous
分配给第四列的前 3 个元素。
In [26]: titanic.iloc[0:3, 3] = "anonymous"
In [27]: titanic.head()
Out[27]:
PassengerId Survived Pclass ... Fare Cabin Embarked
0 1 0 3 ... 7.2500 NaN S
1 2 1 1 ... 71.2833 C85 C
2 3 1 3 ... 7.9250 NaN S
3 4 1 1 ... 53.1000 C123 S
4 5 0 3 ... 8.0500 NaN S
[5 rows x 12 columns]
请参阅用户指南中关于不同索引选择的部分,以更深入地了解 loc
和 iloc
的用法。
请记住
选择数据子集时,使用方括号
[]
。在这些括号内,您可以使用单个列/行标签、列/行标签列表、标签切片、条件表达式或冒号。
当使用行和列名时,使用
loc
选择特定行和/或列。当使用表中位置时,使用
iloc
选择特定行和/或列。您可以根据
loc
/iloc
为选择的数据分配新值。
有关索引的完整概述,请参阅用户指南中关于索引和选择数据的页面。