1. 引言

Pandas是一個(gè)開(kāi)源的Python數據分析庫。Pandas把結構化數據分為了三類(lèi)：

• Series，1維序列，可視作為沒(méi)有column名的、只有一個(gè)column的DataFrame；
• DataFrame，同Spark SQL中的DataFrame一樣，其概念來(lái)自于R語(yǔ)言，為多column并schema化的2維結構化數據，可視作為Series的容器（container）；
• Panel，為3維的結構化數據，可視作為DataFrame的容器；

DataFrame較為常見(jiàn)，因此本文主要討論內容將為DataFrame。DataFrame的生成可通過(guò)讀取純文本、Json等數據來(lái)生成，亦可以通過(guò)Python對象來(lái)生成：

import pandas as pdimport numpy as npdf = pd.DataFrame({'total_bill': [16.99, 10.34, 23.68, 23.68, 24.59],                   'tip': [1.01, 1.66, 3.50, 3.31, 3.61],                   'sex': ['Female', 'Male', 'Male', 'Male', 'Female']})

對于DataFrame，我們可以看到其固有屬性：

# data type of columnsdf.dtypes# indexesdf.index# return pandas.Indexdf.columns# each row, return array[array]df.values# a tuple representing the dimensionality of dfdf.shape

• .index，為行索引
• .columns，為列名稱(chēng)（label）
• .dtype，為列數據類(lèi)型

2. SQL操作

官方Doc給出了部分SQL的Pandas實(shí)現，在此基礎上本文給出了一些擴充說(shuō)明。以下內容基于Python 2.7 + Pandas 0.18.1的版本。

select

SQL中的select是根據列的名稱(chēng)來(lái)選??；Pandas則更為靈活，不但可根據列名稱(chēng)選取，還可以根據列所在的position選取。相關(guān)函數如下：

• loc，基于列label，可選取特定行（根據行index）；
• iloc，基于行/列的position；

print df.loc[1:3, ['total_bill', 'tip']]print df.loc[1:3, 'tip': 'total_bill']print df.iloc[1:3, [1, 2]]print df.iloc[1:3, 1: 3]

• at，根據指定行index及列label，快速定位DataFrame的元素；
• iat，與at類(lèi)似，不同的是根據position來(lái)定位的；

print df.at[3, 'tip']print df.iat[3, 1]

• ix，為loc與iloc的混合體，既支持label也支持position；

print df.ix[1:3, [1, 2]]print df.ix[1:3, ['total_bill', 'tip']]

此外，有更為簡(jiǎn)潔的行/列選取方式：

print df[1: 3]print df[['total_bill', 'tip']]# print df[1:2, ['total_bill', 'tip']]  # TypeError: unhashable type

where

Pandas實(shí)現where filter，較為常用的辦法為df[df[colunm] boolean expr]，比如：

print df[df['sex'] == 'Female']print df[df['total_bill'] > 20]# orprint df.query('total_bill > 20')

在where子句中常常會(huì )搭配and, or, in, not關(guān)鍵詞，Pandas中也有對應的實(shí)現：

# andprint df[(df['sex'] == 'Female') & (df['total_bill'] > 20)]# orprint df[(df['sex'] == 'Female') | (df['total_bill'] > 20)]# inprint df[df['total_bill'].isin([21.01, 23.68, 24.59])]# notprint df[-(df['sex'] == 'Male')]print df[-df['total_bill'].isin([21.01, 23.68, 24.59])]# string functionprint df = df[(-df['app'].isin(sys_app)) & (-df.app.str.contains('^微信\d+$'))]

對where條件篩選后只有一行的dataframe取其中某一列的值，其兩種實(shí)現方式如下：

total = df.loc[df['tip'] == 1.66, 'total_bill'].values[0]total = df.get_value(df.loc[df['tip'] == 1.66].index.values[0], 'total_bill')

distinct

包含參數：

• subset，為選定的列做distinct，默認為所有列；
• keep，值選項{'first', 'last', False}，保留重復元素中的第一個(gè)、最后一個(gè)，或全部刪除；
• inplace ，默認為False，返回一個(gè)新的dataframe；若為T(mén)rue，則返回去重后的原dataframe

group

group一般會(huì )配合合計函數（Aggregate functions）使用，比如：count、avg等。Pandas對合計函數的支持有限，有count和size函數實(shí)現SQL的count：

print df.groupby('sex').size()print df.groupby('sex').count()print df.groupby('sex')['tip'].count()

對于多合計函數，

select sex, max(tip), sum(total_bill) as totalfrom tips_tbgroup by sex;

實(shí)現在agg()中指定dict：

print df.groupby('sex').agg({'tip': np.max, 'total_bill': np.sum})# count(distinct **)print df.groupby('tip').agg({'sex': pd.Series.nunique})

as

SQL中使用as修改列的別名，Pandas也支持這種修改：

# first implementationdf.columns = ['total', 'pit', 'xes']# second implementationdf.rename(columns={'total_bill': 'total', 'tip': 'pit', 'sex': 'xes'}, inplace=True)

其中，第一種方法的修改是有問(wèn)題的，因為其是按照列position逐一替換的。因此，我推薦第二種方法。

join

Pandas中join的實(shí)現也有兩種：

# 1.df.join(df2, how='left'...)# 2. pd.merge(df1, df2, how='left', left_on='app', right_on='app')

第一種方法是按DataFrame的index進(jìn)行join的，而第二種方法才是按on指定的列做join。Pandas滿(mǎn)足left、right、inner、full outer四種join方式。

order

Pandas中支持多列order，并可以調整不同列的升序/降序，有更高的排序自由度：

print df.sort_values(['total_bill', 'tip'], ascending=[False, True])

top

對于全局的top：

print df.nlargest(3, columns=['total_bill'])

對于分組top，MySQL的實(shí)現（采用自join的方式）：

select a.sex, a.tipfrom tips_tb awhere (    select count(*)    from tips_tb b    where b.sex = a.sex and b.tip > a.tip) < 2order by a.sex, a.tip desc;

Pandas的等價(jià)實(shí)現，思路與上類(lèi)似：

# 1.df.assign(rn=df.sort_values(['total_bill'], ascending=False)          .groupby('sex')          .cumcount()+1)    .query('rn < 3')    .sort_values(['sex', 'rn'])    # 2.df.assign(rn=df.groupby('sex')['total_bill']          .rank(method='first', ascending=False))     .query('rn < 3')     .sort_values(['sex', 'rn'])

replace

replace函數提供對dataframe全局修改，亦可通過(guò)where條件進(jìn)行過(guò)濾修改（搭配loc）：

# overall replacedf.replace(to_replace='Female', value='Sansa', inplace=True)# dict replacedf.replace({'sex': {'Female': 'Sansa', 'Male': 'Leone'}}, inplace=True)# replace on where condition df.loc[df.sex == 'Male', 'sex'] = 'Leone'

自定義

除了上述SQL操作外，Pandas提供對每列/每一元素做自定義操作，為此而設計以下三個(gè)函數：

• map(func)，為Series的函數，DataFrame不能直接調用，需取列后再調用；
• apply(func)，對DataFrame中的某一行/列進(jìn)行func操作；
• applymap(func)，為element-wise函數，對每一個(gè)元素做func操作

print df['tip'].map(lambda x: x - 1)print df[['total_bill', 'tip']].apply(sum)print df.applymap(lambda x: x.upper() if type(x) is str else x)

3. 實(shí)戰

環(huán)比增長(cháng)

現有兩個(gè)月APP的UV數據，要得到月UV環(huán)比增長(cháng)；該操作等價(jià)于兩個(gè)Dataframe left join后按指定列做減操作：

def chain(current, last):    df1 = pd.read_csv(current, names=['app', 'tag', 'uv'], sep='\t')    df2 = pd.read_csv(last, names=['app', 'tag', 'uv'], sep='\t')    df3 = pd.merge(df1, df2, how='left', on='app')    df3['uv_y'] = df3['uv_y'].map(lambda x: 0.0 if pd.isnull(x) else x)    df3['growth'] = df3['uv_x'] - df3['uv_y']    return df3[['app', 'growth', 'uv_x', 'uv_y']].sort_values(by='growth', ascending=False)

差集

對于給定的列，一個(gè)Dataframe過(guò)濾另一個(gè)Dataframe該列的值；相當于集合的差集操作：

def difference(left, right, on):    """    difference of two dataframes    :param left: left dataframe    :param right: right dataframe    :param on: join key    :return: difference dataframe    """    df = pd.merge(left, right, how='left', on=on)    left_columns = left.columns    col_y = df.columns[left_columns.size]    df = df[df[col_y].isnull()]    df = df.ix[:, 0:left_columns.size]    df.columns = left_columns    return df