Kako upo­ra­blja­ti Pandas DataFrame za hitro ma­ni­pu­la­ci­jo tabel v Pythonu

Pandas DataFrame je po­dat­kov­na struktura v jeziku Python, ki se lahko uporablja za ustvar­ja­nje in urejanje tabel. Razložimo strukturo po­dat­kov­ne strukture ter njene naj­po­memb­nej­še metode in lastnosti.

Kako deluje Pandas DataFrame?

Pandas Da­ta­Fra­mes so jedro knjižnice Python Pandas in omogočajo učin­ko­vi­to in pri­la­go­dlji­vo analizo podatkov v Pythonu. Pandas DataFrame je dvo­di­men­zi­o­nal­na tabelarna po­dat­kov­na struktura z ošte­vil­če­ni­mi vrsticami in ozna­če­ni­mi stolpci. Ta struktura omogoča or­ga­ni­za­ci­jo podatkov v lahko ra­zu­mlji­vi in ob­de­lo­val­ni obliki, podobno kot v programih za delo s pre­gle­dni­ca­mi, kot sta Excel ali Li­bre­O­ffi­ce. Vsak stolpec v DataFrame lahko vsebuje različne tipe podatkov Python, kar pomeni, da lahko DataFrame shranjuje he­te­ro­ge­ne podatke – na primer številčne vrednosti, nize in logične vrednosti v eni tabeli.

Struktura po­dat­kov­nih okvirjev Pandas

DataFrame ima tri glavne kom­po­nen­te: podatke, indekse vrstic in imena stolpcev. Indeks vrstice (ali preprosto indeks) edin­stve­no iden­ti­fi­ci­ra vsako vrstico. Privzeto so vrstice in­de­ksi­ra­ne s šte­vilč­ni­mi vre­dnost­mi, vendar jih je mogoče na­do­me­sti­ti z nizi. Pomembno je omeniti, da so Pandas Da­ta­Fra­mes in­de­ksi­ra­ni z ničlo, kar pomeni, da se indeksi začnejo pri 0.

Close

Uporaba Pandas Da­ta­Fra­mes

Pandas Da­ta­Fra­mes ponuja različne tehnike in metode za učin­ko­vi­to obdelavo, analizo in vi­zu­a­li­za­ci­jo podatkov. V na­da­lje­va­nju boste spoznali ključne koncepte in metode za ma­ni­pu­la­ci­jo podatkov z uporabo Pandas Da­ta­Fra­mes.

Kako ustvariti Pandas DataFrame

Če ste želene podatke že shranili v seznamu Python ali slovarju Python, lahko iz njih enostavno ustvarite DataFrame. Preprosto prenesite obstoječo strukturo podatkov v kon­struk­tor DataFrame z uporabo pandas.DataFrame([data]). Kako Pandas in­ter­pre­ti­ra vaše podatke, je odvisno od strukture, ki jo za­go­to­vi­te. Na primer, Pandas Da­ta­Fra­mes lahko ustvarite iz seznama Python na naslednji način:

import pandas
lists = ["Ahmed", "Beatrice", "Candice", "Donovan", "Elisabeth", "Frank"]
df = pandas.DataFrame(list)
print(df)
# Output:
#            0
# 0     	Ahmed
# 1      	Beatrice
# 2     	Candice
# 3    		Donovan
# 4  	  	Elisabeth
# 5  		Frank

Kot je razvidno iz zgornjega primera, lahko s pre­pro­sti­mi seznami ustvarite le po­dat­kov­ne okvire z enim samim, ne­oz­na­če­nim stolpcem. Zato je pri­po­ro­člji­vo, da po­dat­kov­ne okvire ustvarite iz slovarjev, ki vsebujejo sezname. Ključi se razlagajo kot imena stolpcev, seznami pa kot povezani podatki. To ponazarja naslednji primer:

import pandas
datA = {
    'Name': ['Arthur', 'Bruno', 'Christoph'],
    'Age': [34, 30, 55],
    'Income': [75000.0, 60000.5, 90000.3],
}
df = pandas.DataFrame(data)
print(df)
# Output:
#         Name  Age   Income
# 0     Arthur     34  75000.0
# 1      Bruno     30  60000.5
# 2  Christoph     55  90000.3

S to metodo ima DataFrame takoj želeno obliko in željene naslove. Če pa se ne želite zanašati na vgrajene po­dat­kov­ne strukture Python, lahko podatke naložite tudi iz zunanjega vira, na primer iz datoteke CSV ali po­dat­kov­ne zbirke SQL. Preprosto pokličite ustrezno funkcijo Pandas:

import pandas
import sqlalchemy
# DataFrame of CSV:
csv = pandas.read_csv("csv-data/files.csv")
# DataFrame of SQL:
engine = create_engine('postgresql://username:password@localhost:5432/mydatabase')
sql = pandas.read_sql_query('SELECT * FROM table', engine)

Da­ta­Fra­mes csv in sql v zgornjem primeru zdaj vsebujeta vse podatke iz data.csv in SQL tabele table. Pri ustvar­ja­nju DataFrame iz zunanjega vira lahko določite dodatne po­drob­no­sti, na primer, ali naj se številčni indeksi vključijo v DataFrame ali ne. Več o dodatnih ar­gu­men­tih obeh funkcij lahko izveste na uradni strani do­ku­men­ta­ci­je Pandas DataFrame.

Kako prikazati podatke v Pandas Da­ta­Fra­mes

S Pandas Da­ta­Fra­mes lahko prikažete ne le celotno tabelo, ampak tudi posamezne vrstice in stolpce. Izberete lahko določene vrstice in stolpce, ki jih želite prikazati. Naslednji primer prikazuje, kako prikazati posamezne ali več vrstic in stolpcev:

# Output 0-th line
print(df.loc[0])
# Output lines 3 to 6
print(df.loc[3:6])
# Output lines 3 and 6
print(df.loc[[3, 6]])
# Output "Occupation" column
print(df["Occupation"])
# Output "Occupation" and "Age" columns
print(df[["Occupation", "Age"]])
# Selection of multiple rows and columns
print(df.loc[[3, 6], ['Occupation', 'Age']])

V primeru se sklic na stolpec izvede z uporabo njegovega imena v enojnih oklepajih, podobno kot pri dostopu do vrednosti v slovarjih Python. Nasprotno pa se atribut loc uporablja za sklic na vrstice. Z loc lahko uporabite tudi logične pogoje za fil­tri­ra­nje podatkov. Naslednji kodni blok prikazuje, kako izpisati samo vrstice, v katerih je vrednost za »starost« večja od 30:

print(df.loc[df['Age'] > 30])

Vendar lahko uporabite tudi atribut iloc za izbiro vrstic in stolpcev na podlagi njihovega položaja v DataFrame. Na primer, lahko prikažete celico, ki je v tretji vrstici in četrtem stolpcu:

print(df.iloc[3, 4]) 
# Output: 
# London
 
print(df.iloc[[3, 4, 6], 4]) 
# Output: 
# 3 London
# 4 Birmingham
# 6 Preston

Kako po­na­vlja­ti vrstice s Pandas Da­ta­Fra­mes

Pri obdelavi podatkov v Pythonu je pogosto potrebno po­na­vlja­ti vrstice Pandas Da­ta­Fra­mes, da se enaka operacija uporabi za vse podatke. Pandas za ta namen ponuja dve metodi: itertuples() in iterrows(). Vsaka metoda ima svoje prednosti in slabosti glede zmo­glji­vo­sti in upo­rab­ni­ške pri­ja­zno­sti.

Metoda iterrows() vrne niz indeksov in serij za vsako vrstico v DataFrame. Serija je po­dat­kov­na struktura Pandas ali NumPy, podobna seznamu Python, vendar ponuja boljšo zmo­glji­vost. Do po­sa­me­znih elementov v seriji lahko dostopate z imenom stolpca, kar po­e­no­sta­vi ravnanje s podatki.

Čeprav so Pandas Series učin­ko­vi­tej­ši od Pytho­no­vih seznamov, še vedno prinašajo nekaj dodatnih stroškov glede zmo­glji­vo­sti. Zato je metoda itertuples() še posebej pri­po­ro­člji­va za zelo velike Da­ta­Fra­mes. V nasprotju z iterrows(), itertuples() vrne celotno vrstico, vključno z indeksom, kot tuples, ki so zmo­glji­vej­ši od Series. S tuples lahko dostopate do po­sa­me­znih elementov z uporabo pikaste notacije, podobno kot pri dostopu do atributov objekta.

Druga pomembna razlika med serijami in nizi je, da nizi niso spre­men­lji­vi. Če torej želite ponoviti DataFrame z uporabo itertuples() in spre­me­ni­ti vrednosti, morate DataFrame re­fe­ren­ci­ra­ti z atributom at in indeksom niza. Ta atribut deluje zelo podobno kot loc. Naslednji primer ponazarja razlike med iterrows() in itertuples():

import pandas
df = pandas.DataFrame({
    'Name': ['Alice', 'Bob', 'Charlie'], 
    'Age': [25, 30, 35], 
    'Income ': [70000.0, 80000.5, 90000.3]
})
for index, row in df.iterrows():
        row['Income'] += 1000
        print(f"Index: {index}, Age: {row['Age']}, Income: {row['Income']}")
for tup in df.itertuples():
        df.at[tup.Index, 'Income'] += 1000 # Change value directly in the DataFrame using at[] 
       print(f “Index: {tup.Index}, Age: {tup.Age}, Income: {df.loc[tup.Index, 'Income']}”)
# Both loops have the same output