说到python与数据分析，那肯定少不了pandas的身影，本文希望通过分析经典的NBA数据集来系统的全方位讲解pandas包，建议搭配IDE一遍敲一边读哦。话不多说，开始吧！
目录安装与数据介绍安装与配置
检查数据
探索性分析
pandas数据结构series对象
dataframe对象
访问series元素使用索引
使用.loc与.iloc
访问dataframe元素使用索引
使用.loc与.iloc
查询数据集
分类和汇总数据
对列进行操作
指定数据类型
数据清洗
数据可视化
一、安装与数据介绍pandas的安装建议直接安装anaconda，会预置安装好所有数据分析相关的包，当然也可以使用pip安装。
$ pip install pandas既然是数据分析就肯定选择jupyter notebook
$ pip install jupyter接下来就可以进入python使用pandas对数据进行一些探索性的分析，将数据保存在工作目录，然后使用pd.read_csv()函数读取。
>>>import pandas as pd
>>>nba = pd.read_csv("nba_all_elo.csv")
>>>type(nba)#查看数据类型再看看一共有多少数据>>>len(nba)
126314
>>>nba.shape
(126314, 23)现在我们知道数据集中有126,314行和23列。但是，如何确定数据集包含NBA的哪些统计数据？可以使用以下内容查看前五行.head()：>>> nba.head()
在jupyter notebook中可以看到，一共有23列变量，其中因为列数太多被隐藏了一部分，那么怎样可以看到这些变量呢>>> pd.set_option("display.max.columns", None)可以看到部分数据小数点后面跟了6位，而对于分析来说并没有必要，所以我们调整为小数点后两位
>>> pd.set_option("display.precision", 2)
检查数据
之前已经使用Pandas Python库导入了CSV文件，并首先查看了数据集的内容。到目前为止，我们仅看到了数据集的大小及前几行数据。接下来我们来系统地检查数据。
使用以下命令显示所有列及其数据类型.info()：
>>> nba.info()
既然已经了解了数据集中的数据类型，现在该概述每个列包含的值了。可以使用.describe()：
>>> nba.describe()
.describe()默认情况下仅分析数字列，但是如果使用include参数，则可以提供其他数据类型：>>>import numpy as np
>>>nba.describe(include=np.object)
探索性分析接下来接着进行对数据集的探索性相关分析
>>>nba["team_id"].value_counts()
BOS 5997
NYK 5769
LAL 5078
...
SDS 11
>>>nba["fran_id"].value_counts()
Name: team_id, Length: 104, dtype: int64
Lakers 6024
Celtics 5997
Knicks 5769
...
Huskies 60
Name: fran_id, dtype: int64可以看到含有队名"Lakers"的队伍打了6024场比赛，但其中只有5078场是洛杉矶湖人队的比赛。找出另一个"Lakers"团队是哪个>>>nba.loc[nba["fran_id"] == "Lakers", "team_id"].value_counts()
LAL 5078
MNL 946
Name: team_id, dtype: int64
可以看到另一支湖人队是明尼阿波利斯湖人("MNL")踢了946场比赛。我们甚至可以找出他们打比赛的时间：
>>>nba.loc[nba["team_id"] == "MNL", "date_game"].min()
'1/1/1949'
>>>nba.loc[nba["team_id"] == "MNL", "date_game"].max()
'4/9/1959'
>>>nba.loc[nba["team_id"] == "MNL", "date_game"].agg(("min", "max"))
min 1/1/1949
max 4/9/1959
Name: date_game, dtype: object
二、pandas的数据结构尽管DataFrame提供的功能看起来非常直观，但是基本概念却很难理解。因此，我们将暂不使用庞大的NBA数据，从头开始构建一些较小的Pandas对象分析。
Series对象
Python最基本的数据结构是list，这也是了解pandas.Series对象的一个很好的起点。Series是根据列表创建一个新对象，一个Series对象包含两个组件：值和索引
>>>revenues = pd.Series([5555, 7000, 1980])
>>>revenues
0 5555
1 7000
2 1980
dtype: int64
可以分别使用.values和来访问这些组件.index。revenues.values返回中的值Series，而revenues.index返回位置索引。
>>>revenues.values
array([5555, 7000, 1980])
>>>revenues.index
RangeIndex(start=0, stop=3, step=1)
一个Series也可以具有任意类型的索引。我们可以将此显式索引视为特定行的标签：
>>>city_revenues = pd.Series(
... [4200, 8000, 6500],
... index=["Amsterdam", "Toronto", "Tokyo"]
...)
>>>city_revenues
Amsterdam 4200
Toronto 8000
Tokyo 6500
dtype: int64
以下是Series从Python字典构造带有标签索引的的方法：
>>>city_employee_count = pd.Series({"Amsterdam": 5, "Tokyo": 8})
>>>city_employee_count
Amsterdam 5
Tokyo 8
dtype: int64
字典键成为索引，而字典值即为Series值。就像字典一样，Series也支持.keys()和in索引：>>>city_employee_count.keys()
Index(['Amsterdam', 'Tokyo'], dtype='object')
>>>"Tokyo" in city_employee_count
True
>>>"New York" in city_employee_count
False
Dataframe对象按照之前的Series示例，现在已经有两个Series以城市为键的对象：city_revenues和city_employee_count。我们可以DataFrame通过在构造函数中提供字典将这些对象组合为一个。字典键将成为列名，并且值应包含Series对象：>>>city_data = pd.DataFrame({
... "revenue": city_revenues,
... "employee_count": city_employee_count
...})
>>>city_data
revenue employee_count
Amsterdam 4200 5.0
Tokyo 6500 8.0
Toronto 8000 NaN注意到Pandas用NAN替换了employee_count的缺失值。新DataFrame索引是两个Series索引的并集：>>>city_data.index
Index(['Amsterdam', 'Tokyo', 'Toronto'], dtype='object')就像Series一样，DataFrame还将其值存储在NumPy数组中：
>>>city_data.values
array([[4.2e+03, 5.0e+00],
[6.5e+03, 8.0e+00],
[8.0e+03, nan]])
三、访问Series元素在上面的部分中，我们已经介绍了pandas的数据结构。我们知道Series对象在几种方面与列表和字典的相似之处。也就意味着我们可以使用索引运算符。现在我们来说明如何使用两种特定于pandas的访问方法：.loc和.iloc。使用.loc和.iloc会发现这些数据访问方法比索引运算符更具可读性。因为在之前的文章中已经详细的介绍了这两种方法，因此我们将简单介绍。更详细的可以查看【公众号：早起python】之前的文章。
使用索引运算符
我们先来访问重新city_revenues对象：
>>>city_revenues
Amsterdam 4200
Toronto 8000
Tokyo 6500
dtype: int64我们还可以Series通过标签和位置索引方便地访问中的值：>>>city_revenues["Toronto"]
8000
>>>city_revenues[1]
8000我们也可以使用负索引和切片，就像使用列表一样：
>>>city_revenues[-1]
6500
>>>city_revenues[1:]
Toronto 8000
Tokyo 6500
dtype: int64
>>>city_revenues["Toronto":]
Toronto 8000
Tokyo 6500
dtype: int64
使用.loc和.iloc
索引运算符([])很方便，但有一个警告。如果标签也是数字怎么办？假设我们必须使用如下Series对象则可以按照以下方法：
>>>colors = pd.Series(
... ["red", "purple", "blue", "green", "yellow"],
... index=[1, 2, 3, 5, 8]
...)
>>>colors
1 red
2 purple
3 blue
5 green
8 yellow
dtype: object为了避免混淆，Pandas Python库提供了两种数据访问方法：.loc指标签索引。.iloc指位置索引。这将会数据访问方法更具可读性：>>>colors.loc[1]
'red'
>>>colors.iloc[1]
'purple'colors.loc[1]返回"red"带有标签的元素1。colors.iloc[1]返回"purple"带有索引的元素1。下图就显示.loc与.iloc引用了哪些元素：
可以看出.loc指向图像右侧的标签索引。而iloc指向图片左侧的位置索引。
四、访问DataFrame元素由于DataFrame由一系列对象组成，所以可以使用相同的上面的方法来访问它的元素。关键的区别是DataFrame还有一些附加维度。所以我们再对列使用索引操作符，对行使用访问方法.loc和.iloc。
使用索引运算符如果我们将DataFrame的值看成Series字典形式，则可以使用index运算符访问它的列>>>city_data["revenue"]
Amsterdam 4200
Tokyo 6500
Toronto 8000
Name: revenue, dtype: int64
>>>type(city_data["revenue"])
pandas.core.series.Series
在这里，我们使用索引运算符选择标记为的列"revenue"，但如果列名是字符串，那么也可以使用带点符号的属性样式访问：>>>city_data.revenue
Amsterdam 4200
Tokyo 6500
Toronto 8000
Name: revenue, dtype: int64
在一些况下，使用DataFrame点符号访问元素可能无法正常工作或导致意外。这是当列名与DataFrame属性或方法名重合时：>>>toys = pd.DataFrame([
... {"name": "ball", "shape": "sphere"},
... {"name": "Rubik's cube", "shape": "cube"}
...])
>>>toys["shape"]
0 sphere
1 cube
Name: shape, dtype: object
>>>toys.shape
(2, 2)
使用.loc和.iloc类似于Series，DataFrame还提供了.loc和.iloc数据访问方法。请记住，.loc使用标签和.iloc位置索引>>>city_data.loc["Amsterdam"]
revenue 4200.0
employee_count 5.0
Name: Amsterdam, dtype: float64
>>>city_data.loc["Tokyo": "Toronto"]
revenue employee_count
Tokyo 6500 8.0
Toronto 8000 NaN
>>>city_data.iloc[1]
revenue 6500.0
employee_count 8.0
Name: Tokyo, dtype: float64那么更多的iloc和loc方法可以查看【公众号：早起python】之前的文章。
五、查询数据集现在我们已经了解了如何根据索引访问大型数据集的子集。现在，我们继续基于数据集列中的值选择行以查询数据。例如，我们可以创建一个DataFrame仅包含2010年之后打过的比赛。>>>current_decade = nba[nba["year_id"] > 2010]
>>>current_decade.shape
(12658, 23)仍然拥有全部23列，但新列DataFrame仅包含其中列中的值"year_id"大于的行2010。我们还可以选择特定字段不为空的行：>>>games_with_notes = nba[nba["notes"].notnull()]
>>>games_with_notes.shape
(5424, 23)我们接着搜索一下Baltimore两队得分都超过100分的比赛。为了每个比赛只看一次，我们需要排除重复:
>>>nba[
... (nba["_iscopy"] == 0) &
... (nba["pts"] > 100) &
... (nba["opp_pts"] > 100) &
... (nba["team_id"] == "BLB")
...]
六、分类和汇总数据我们接着学习pandas处理数据集的其他功能，例如一组元素的总和，均值或平均值。幸运的是，Pandas 库提供了分组和聚合功能来帮助我们完成此任务。Series有二十多种不同的方法来计算描述性统计数据。这里有些例子：>>>city_revenues.sum()
18700
>>>city_revenues.max()
8000
第一种方法返回的总和city_revenues，第二种方法返回的最大值。我们还可以使用其他方法，例如.min()和.mean()。但是需要记住，DataFrame的列实际上是一个Series对象。因此，我们可以在以下各列上使用这些相同的功能：>>>points = nba["pts"]
>>>type(points)
>>>points.sum()
12976235一个DataFrame可以有多个列，其中介绍了聚合的新的可能性，比如分组：
>>>nba.groupby("fran_id", sort=False)["pts"].sum()
fran_id
Huskies 3995
Knicks 582497
Stags 20398
Falcons 3797
Capitols 22387
...
还可以按多列分组：>>>nba[
... (nba["fran_id"] == "Spurs") &
... (nba["year_id"] > 2010)
...].groupby(["year_id", "game_result"])["game_id"].count()
year_id game_result
2011 L 25
W 63
2012 L 20
W 60
2013 L 30
W 73
2014 L 27
W 78
2015 L 31
W 58
Name: game_id, dtype: int64
七、对列进行操作接下来要说的是如何在数据分析过程的不同阶段中操作数据集的列。我们可以在初始数据清理阶段添加列或删除列，也可以稍后基于分析的见解来添加和删除列。首先创建原始副本DataFrame以使用：>>>df = nba.copy()
>>>df.shape
(126314, 23)然后基于现有列定义新列：
>>>df["difference"] = df.pts - df.opp_pts
>>>df.shape
(126314, 24)我们还可以重命名数据集的列。似乎"game_result"且"game_location"太冗长，因此将其重命名：
>>>renamed_df = df.rename(
... columns={"game_result": "result", "game_location": "location"}
...)
>>>renamed_df.info()
RangeIndex: 126314 entries, 0 to 126313
Data columns (total 24 columns):
gameorder 126314 non-null int64
...
location 126314 non-null object
result 126314 non-null object
forecast 126314 non-null float64
notes 5424 non-null object
difference 126314 non-null int64
dtypes: float64(6), int64(8), object(10)
memory usage: 23.1+ MB我们的数据集可能包含不需要的列。例如，对于某些人来说，Elo评分可能是一个有趣的概念，但是本文不对其进行分析。所以可以删除与Elo相关的四列：>>>df.shape
(126314, 24)
>>>elo_columns = ["elo_i", "elo_n", "opp_elo_i", "opp_elo_n"]
>>>df.drop(elo_columns, inplace=True, axis=1)
>>>df.shape
(126314, 20)
八、指定数据类型当DataFrame通过调用构造函数或读取CSV文件来创建new时，Pandas会根据其值将数据类型分配给每一列。尽管它做得很好，但并不完美。如果我们为列选择正确的数据类型，则可以显着提高代码的性能。我们再看一下nba数据集的列：>>> df.info()
有十列具有数据类型object。这些object列中的大多数包含任意文本，但是也有一些数据类型转换的候选对象。例如，查看以下列date_game：>>> df["date_game"] = pd.to_datetime(df["date_game"])在这里，我们就用.to_datetime()可以将所有游戏日期指定datetime对象。
九、数据清洗数据清洗主要是对空值与无效值或者异常值等数据进行处理。我们以缺失值为例。处理包含缺失值的记录的最简单方法是忽略它们。我们可以使用删除所有缺少值的行.dropna()：
>>>rows_without_missing_data = nba.dropna()
>>>rows_without_missing_data.shape
(5424, 23)如果我们的数据集包含一百万条有效记录，而一百条缺少相关数据，那么删除不完整的记录可能是一个合理的解决方案。如果与是与的分析无关的列，也可以删除它们。为此，依旧是.dropna()再次使用并提供axis=1参数：>>>data_without_missing_columns = nba.dropna(axis=1)
>>>data_without_missing_columns.shape
(126314, 22)如果我们的数据有一个有意义的默认值，那么也可以用这个值替换缺少的值：
>>>data_with_default_notes["notes"].fillna(
... value="no notes at all",
... inplace=True
...)
>>>data_with_default_notes["notes"].describe()
count 126314
unique 232
top no notes at all
freq 120890
Name: notes, dtype: object
十、数据可视化数据的可视化我们需要借助matplotlib，我也会再后续写一个详细的matplotlib教程
>>> %matplotlib inlineSeries和DataFrame对象都有一个.plot()方法，默认情况下它会创建一个折线图。如可视化尼克斯整个赛季得分了多少分：
还可以创建其他类型的图，如条形图：
而关于使用matplotlib进行数据可视化的相关操作中，还有许多细节性的配置项，比如颜色、线条、图例等。这些就都留到以后再说。
结束语
走到这里，有关pandas的最常用的知识点就已经全部介绍完毕，当然其中有很多部分都值得我们再进一步细讲，比如iloc与loc的使用、matplotlib的各种操作，或者在数据清洗中的各种问题。就留在以后一点一点去讲解。
