選自 towardsdatascience，作者：Félix Revert，機器之心編譯，參與：Nurhachu Null、張倩。
Pandas 是為了解決資料分析任務而建立的一種基于 NumPy 的工具包，囊括了許多其他工具包的功能，具有易用、直覺、快速等優點。要想成為一名高效的資料科學家，不會 Pandas 怎麼行？
Python 是開源的，它很棒，但是也無法避免開源的一些固有問題：很多包都在做（或者在嘗試做）同樣的事情。如果你是 Python 新手，那麼你很難知道某個特定任務的最佳包是哪個，你需要有經驗的人告訴你。有一個用于資料科學的包絕對是必需的，它就是 pandas。
pandas 最有趣的地方在于裡面隐藏了很多包。它是一個核心包，裡面有很多其他包的功能。這點很棒，因為你隻需要使用 pandas 就可以完成工作。
pandas 相當于 python 中 excel：它使用表（也就是 dataframe)，能在資料上做各種變換，但還有其他很多功能。
如果你早已熟知 python 的使用，可以直接跳到第三段。
讓我們開始吧：
import pandas as pd
别問為什麼是「pd」而不是「p」，就是這樣。用就行了:)
pandas 最基本的功能
讀取資料data = pd.read_csv('my_file.csv')
data = pd.read_csv('my_file.csv', sep=';', encoding='latin-1', nrows=1000, skiprows=[2,5])
sep 代表的是分隔符。如果你在使用法語資料，excel 中 csv 分隔符是「;」，是以你需要顯式地指定它。編碼設定為'latin-1'來讀取法語字元。nrows=1000 表示讀取前 1000 行資料。skiprows=[2,5] 表示你在讀取檔案的時候會移除第 2 行和第 5 行。
- 最常用的功能：read_csv, read_excel
- 其他一些很棒的功能：read_clipboard, read_sql
data.to_csv('my_new_file.csv', index=None)
index=None 表示将會以資料本來的樣子寫入。如果沒有寫 index=None，你會多出一個第一列，内容是 1，2，3，...，一直到最後一行。
我通常不會去使用其他的函數，像.to_excel, .to_json, .to_pickle 等等，因為.to_csv 就能很好地完成工作，并且 csv 是最常用的表格儲存方式。
檢查資料 Gives (#rows, #columns)
給出行數和列數
data.describe()
計算基本的統計資料
檢視資料data.head(3)
列印出資料的前 3 行。與之類似，.tail() 對應的是資料的最後一行。
data.loc[8]
列印出第八行
data.loc[8, 'column_1']
列印第八行名為「column_1」的列
data.loc[range(4,6)]
第四到第六行（左閉右開）的資料子集
pandas 的基本函數
邏輯運算data[data['column_1']=='french']
data[(data['column_1']=='french') & (data['year_born']==1990)]
data[(data['column_1']=='french') & (data['year_born']==1990) & ~(data['city']=='London')]
通過邏輯運算來取資料子集。要使用 & (AND)、 ~ (NOT) 和 | (OR)，必須在邏輯運算前後加上「and」。
data[data['column_1'].isin(['french', 'english'])]
除了可以在同一列使用多個 OR，你還可以使用.isin() 函數。
基本繪圖matplotlib 包使得這項功能成為可能。正如我們在介紹中所說，它可以直接在 pandas 中使用。
data['column_numerical'].plot()
（）.plot() 輸出的示例
data['column_numerical'].hist()
畫出資料分布（直方圖）
.hist() 輸出的示例
%matplotlib inline
如果你在使用 Jupyter，不要忘記在畫圖之前加上以上代碼。
更新資料data.loc[8, 'column_1'] = 'english'
data.loc[data['column_1']=='french', 'column_1'] = 'French'
在一行代碼中改變多列的值
好了，現在你可以做一些在 excel 中可以輕松通路的事情了。下面讓我們深入研究 excel 中無法實作的一些令人驚奇的操作吧。
中級函數
統計出現的次數data['column_1'].value_counts()
.value_counts() 函數輸出示例
在所有的行、列或者全資料上進行操作data['column_1'].map(len)
len() 函數被應用在了「column_1」列中的每一個元素上
.map() 運算給一列中的每一個元素應用一個函數
data['column_1'].map(len).map(lambda x: x/100).plot()
pandas 的一個很好的功能就是鍊式方法（https://tomaugspurger.github.io/method-chaining）。它可以幫助你在一行中更加簡單、高效地執行多個操作（.map() 和.plot()）。
data.apply(sum)
.apply() 會給一個列應用一個函數。
.applymap() 會給表 (DataFrame) 中的所有單元應用一個函數。
tqdm, 唯一的在處理大規模資料集時，pandas 會花費一些時間來進行.map()、.apply()、.applymap() 等操作。tqdm 是一個可以用來幫助預測這些操作的執行何時完成的包（是的，我說謊了，我之前說我們隻會使用到 pandas）。
from tqdm import tqdm_notebook
tqdm_notebook().pandas()
用 pandas 設定 tqdm
data['column_1'].progress_map(lambda x: x.count('e'))
用 .progress_map() 代替.map()、.apply() 和.applymap() 也是類似的。
在 Jupyter 中使用 tqdm 和 pandas 得到的進度條
相關性和散射矩陣data.corr()
data.corr().applymap(lambda x: int(x*100)/100)
.corr() 會給出相關性矩陣
pd.plotting.scatter_matrix(data, figsize=(12,8))
散點矩陣的例子。它在同一幅圖中畫出了兩列的所有組合。
pandas 中的進階操作
The SQL 關聯在 pandas 中實作關聯是非常非常簡單的
data.merge(other_data, on=['column_1', 'column_2', 'column_3'])
關聯三列隻需要一行代碼
分組一開始并不是那麼簡單，你首先需要掌握文法，然後你會發現你一直在使用這個功能。
data.groupby('column_1')['column_2'].apply(sum).reset_index()
按一個列分組，選擇另一個列來執行一個函數。.reset_index() 會将資料重構成一個表。
正如前面解釋過的，為了優化代碼，在一行中将你的函數連接配接起來。
行疊代dictionary = {}
for i,row in data.iterrows():
dictionary[row['column_1']] = row['column_2']
.iterrows() 使用兩個變量一起循環：行索引和行的資料 (上面的 i 和 row)
總而言之，pandas 是 python 成為出色的程式設計語言的原因之一我本可以展示更多有趣的 pandas 功能，但是已經寫出來的這些足以讓人了解為何資料科學家離不開 pandas。總結一下，pandas 有以下優點：
- 易用，将所有複雜、抽象的計算都隐藏在背後了；
- 直覺；
- 快速，即使不是最快的也是非常快的。
它有助于資料科學家快速讀取和了解資料，提高其工作效率。
原文連結：https://towardsdatascience.com/be-a-more-efficient-data-scientist-today-master-pandas-with-this-guide-ea362d27386