呆鸟云：“在学习 Python 数据分析的过程中，呆鸟发现直接看官档就是牛逼啊，内容全面、丰富、详细，而 Python 数据分析里最核心的莫过于 pandas，于是就想翻译 pandas 官档，于是就发现了 pypandas.cn 这个项目，于是就加入了 pandas 中文官档翻译小组，于是就没时间更新公众号，于是就犯懒想把翻译与校译的 pandas 当公众号文章发上来，于是今后大家就可以在这里看了。”

本节介绍 pandas 数据结构的基础用法。下列代码创建示例数据对象：

In [1]: index = pd.date_range('1/1/2000', periods=8)In [2]: s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])In [3]: df = pd.DataFrame(np.random.randn(8, 3), index=index,   ...:                   columns=['A', 'B', 'C'])   ...:

Head 与 Tail

head() 与 tail() 用于快速预览 Series 与 DataFrame，默认显示 5 条数据，也可以指定要显示的数量。

In [4]: long_series = pd.Series(np.random.randn(1000))In [5]: long_series.head()Out[5]:0   -1.1578921   -1.3443122    0.8448853    1.0757704   -0.109050dtype: float64In [6]: long_series.tail(3)Out[6]:997   -0.289388998   -1.020544999    0.589993dtype: float64

属性与底层数据

Pandas 可以通过多个属性访问元数据：

• shape:

• • 输出对象的轴维度，与 ndarray 一致

• 轴标签

• • Series: Index (仅有此轴)

  • DataFrame: Index (行) 与列

注意： 为属性赋值是安全的！

In [7]: df[:2]Out[7]:                   A         B         C2000-01-01 -0.173215  0.119209 -1.0442362000-01-02 -0.861849 -2.104569 -0.494929In [8]: df.columns = [x.lower() for x in df.columns]In [9]: dfOut[9]:                   a         b         c2000-01-01 -0.173215  0.119209 -1.0442362000-01-02 -0.861849 -2.104569 -0.4949292000-01-03  1.071804  0.721555 -0.7067712000-01-04 -1.039575  0.271860 -0.4249722000-01-05  0.567020  0.276232 -1.0874012000-01-06 -0.673690  0.113648 -1.4784272000-01-07  0.524988  0.404705  0.5770462000-01-08 -1.715002 -1.039268 -0.370647

Pandas 对象（Index， Series， DataFrame）相当于数组的容器，用于存储数据，并执行计算。大部分类型的底层数组都是 numpy.ndarray。不过，pandas 与第三方支持库一般都会扩展 Numpy 类型系统，添加自定义数组（见数据类型）。

获取 Index 或 Series 里的数据，请用 .array 属性。

In [10]: s.arrayOut[10]:
    
     [ 0.4691122999071863, -0.2828633443286633, -1.5090585031735124, -1.1356323710171934,  1.2121120250208506]Length: 5, dtype: float64In [11]: s.index.arrayOut[11]:
     
      ['a', 'b', 'c', 'd', 'e']Length: 5, dtype: object
     
    

array 一般指 ExtensionArray。至于什么是 ExtensionArray 及 pandas 为什么要用 ExtensionArray 不是本节要说明的内容。更多信息请参阅数据类型。

提取 Numpy 数组，用 to_numpy() 或 numpy.asarray()。

In [12]: s.to_numpy()Out[12]: array([ 0.4691, -0.2829, -1.5091, -1.1356,  1.2121])In [13]: np.asarray(s)Out[13]: array([ 0.4691, -0.2829, -1.5091, -1.1356,  1.2121])

Series 与 Index 的类型是 ExtensionArray 时， to_numpy() 会复制数据，并强制转换值。详情见数据类型。

to_numpy() 可以控制 numpy.ndarray 生成的数据类型。以带时区的 datetime 为例，Numpy 未提供时区信息的 datetime 数据类型，pandas 则提供了两种表现形式：

1. 一种是带 Timestamp 的 numpy.ndarray，提供了正确的 tz 信息。

2. 另一种是 datetime64[ns]，这也是 numpy.ndarray，值被转换为 UTC，但去掉了时区信息。

时区信息可以用 dtype=object 保存。

In [14]: ser = pd.Series(pd.date_range('2000', periods=2, tz="CET"))In [15]: ser.to_numpy(dtype=object)Out[15]:array([Timestamp('2000-01-01 00:00:00+0100', tz='CET', freq='D'),       Timestamp('2000-01-02 00:00:00+0100', tz='CET', freq='D')],      dtype=object)

或用 dtype='datetime64[ns]' 去除。

In [16]: ser.to_numpy(dtype="datetime64[ns]")Out[16]:array(['1999-12-31T23:00:00.000000000', '2000-01-01T23:00:00.000000000'],      dtype='datetime64[ns]')

获取 DataFrame 里的原数据略显复杂。DataFrame 里所有列的数据类型都一样时，DataFrame.to_numpy() 返回底层数据：

In [17]: df.to_numpy()Out[17]:array([[-0.1732,  0.1192, -1.0442],       [-0.8618, -2.1046, -0.4949],       [ 1.0718,  0.7216, -0.7068],       [-1.0396,  0.2719, -0.425 ],       [ 0.567 ,  0.2762, -1.0874],       [-0.6737,  0.1136, -1.4784],       [ 0.525 ,  0.4047,  0.577 ],       [-1.715 , -1.0393, -0.3706]])

DataFrame 为同质型数据时，pandas 直接修改原始 ndarray，所做修改会直接反应在数据结构里。对于异质型数据，即 DataFrame 列的数据类型不一样时，就不是这种操作模式了。与轴标签不同，不能为值的属性赋值。

::: tip 注意

处理异质型数据时，输出结果 ndarray 的数据类型适用于涉及的各类数据。若 DataFrame 里包含字符串，输出结果的数据类型就是 object。要是只有浮点数或整数，则输出结果的数据类型是浮点数。

:::

以前，pandas 推荐用 Series.values 或 DataFrame.values 从 Series 或 DataFrame 里提取数据。旧有代码库或在线教程里仍在用这种操作，但其实 pandas 已经对此做出了改进，现在推荐用 .array 或 to_numpy 这两种方式提取数据，别再用 .values 了。.values 有以下几个缺点：

1. Series 含扩展类型时，Series.values 无法判断到底是该返回 Numpy array，还是返回 ExtensionArray。而 Series.array 则只返回 ExtensionArray，且不会复制数据。Series.to_numpy() 则返回 Numpy 数组，其代价是需要复制、并强制转换数据的值。

2. DataFrame 含多种数据类型时，DataFrame.values 会复制数据，并将数据的值强制转换同一种数据类型，这是一种代价较高的操作。DataFrame.to_numpy() 则返回 Numpy 数组，这种方式更清晰，也不会把 DataFrame 里的数据都当作一种类型。

加速操作

借助 numexpr 与 bottleneck 支持库，pandas 可以加速特定类型的二进制数值与布尔操作。

处理大型数据集时，这两个支持库特别有用，加速效果也非常明显。 numexpr 使用智能分块、缓存与多核技术。bottleneck 是一组专属 cython 例程，处理含 nans 值的数组时，特别快。

请看下面这个例子（DataFrame 包含 100 列 X 10 万行数据）:

操作	0.11.0版 (ms)	旧版 (ms)	提升比率
df1 > df2	13.32	125.35	0.1063
df1 * df2	21.71	36.63	0.5928
df1 + df2	22.04	36.50	0.6039

强烈建议安装这两个支持库，了解更多信息，请参阅推荐支持库。

这两个支持库默认为启用状态，可用以下选项设置：

0.20.0 版新增

pd.set_option('compute.use_bottleneck', False)pd.set_option('compute.use_numexpr', False)

二进制操作

pandas 数据结构之间执行二进制操作，要注意下列两个关键点：

• 多维（DataFrame）与低维（Series）对象之间的广播机制；

• 计算中的缺失值处理。

这两个问题可以同时处理，但下面先介绍怎么分开处理。

匹配/广播机制

DataFrame 支持 add()、sub()、mul()、div() 及 radd()、rsub() 等方法执行二进制操作。广播机制重点关注输入的 Series。通过 axis 关键字，匹配 index 或 columns 即可调用这些函数。

In [18]: df = pd.DataFrame({   ....:     'one': pd.Series(np.random.randn(3), index=['a', 'b', 'c']),   ....:     'two': pd.Series(np.random.randn(4), index=['a', 'b', 'c', 'd']),   ....:     'three': pd.Series(np.random.randn(3), index=['b', 'c', 'd'])})   ....:In [19]: dfOut[19]:        one       two     threea  1.394981  1.772517       NaNb  0.343054  1.912123 -0.050390c  0.695246  1.478369  1.227435d       NaN  0.279344 -0.613172In [20]: row = df.iloc[1]In [21]: column = df['two']In [22]: df.sub(row, axis='columns')Out[22]:        one       two     threea  1.051928 -0.139606       NaNb  0.000000  0.000000  0.000000c  0.352192 -0.433754  1.277825d       NaN -1.632779 -0.562782In [23]: df.sub(row, axis=1)Out[23]:        one       two     threea  1.051928 -0.139606       NaNb  0.000000  0.000000  0.000000c  0.352192 -0.433754  1.277825d       NaN -1.632779 -0.562782In [24]: df.sub(column, axis='index')Out[24]:        one  two     threea -0.377535  0.0       NaNb -1.569069  0.0 -1.962513c -0.783123  0.0 -0.250933d       NaN  0.0 -0.892516In [25]: df.sub(column, axis=0)Out[25]:        one  two     threea -0.377535  0.0       NaNb -1.569069  0.0 -1.962513c -0.783123  0.0 -0.250933d       NaN  0.0 -0.892516

还可以用 Series 对齐多重索引 DataFrame 的某一层级。

In [26]: dfmi = df.copy()In [27]: dfmi.index = pd.MultiIndex.from_tuples([(1, 'a'), (1, 'b'),   ....:                                         (1, 'c'), (2, 'a')],   ....:                                        names=['first', 'second'])   ....:In [28]: dfmi.sub(column, axis=0, level='second')Out[28]:                   one       two     threefirst second1     a      -0.377535  0.000000       NaN      b      -1.569069  0.000000 -1.962513      c      -0.783123  0.000000 -0.2509332     a            NaN -1.493173 -2.385688

Series 与 Index 还支持 divmod() 内置函数，该函数同时执行向下取整除与模运算，返回两个与左侧类型相同的元组。示例如下：

In [29]: s = pd.Series(np.arange(10))In [30]: sOut[30]:0    01    12    23    34    45    56    67    78    89    9dtype: int64In [31]: div, rem = divmod(s, 3)In [32]: divOut[32]:0    01    02    03    14    15    16    27    28    29    3dtype: int64In [33]: remOut[33]:0    01    12    23    04    15    26    07    18    29    0dtype: int64In [34]: idx = pd.Index(np.arange(10))In [35]: idxOut[35]: Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype='int64')In [36]: div, rem = divmod(idx, 3)In [37]: divOut[37]: Int64Index([0, 0, 0, 1, 1, 1, 2, 2, 2, 3], dtype='int64')In [38]: remOut[38]: Int64Index([0, 1, 2, 0, 1, 2, 0, 1, 2, 0], dtype='int64')

divmod() 还支持元素级运算：

In [39]: div, rem = divmod(s, [2, 2, 3, 3, 4, 4, 5, 5, 6, 6])In [40]: divOut[40]:0    01    02    03    14    15    16    17    18    19    1dtype: int64In [41]: remOut[41]:0    01    12    23    04    05    16    17    28    29    3dtype: int64

缺失值与填充缺失值操作

Series 与 DataFrame 的算数函数支持 fill_value 选项，即用指定值替换某个位置的缺失值。比如，两个 DataFrame 相加，除非两个 DataFrame 里同一个位置都有缺失值，其相加的和仍为 NaN，如果只有一个 DataFrame 里存在缺失值，则可以用 fill_value 指定一个值来替代 NaN，当然，也可以用 fillna 把 NaN 替换为想要的值。

In [42]: dfOut[42]:        one       two     threea  1.394981  1.772517       NaNb  0.343054  1.912123 -0.050390c  0.695246  1.478369  1.227435d       NaN  0.279344 -0.613172In [43]: df2Out[43]:        one       two     threea  1.394981  1.772517  1.000000b  0.343054  1.912123 -0.050390c  0.695246  1.478369  1.227435d       NaN  0.279344 -0.613172In [44]: df + df2Out[44]:        one       two     threea  2.789963  3.545034       NaNb  0.686107  3.824246 -0.100780c  1.390491  2.956737  2.454870d       NaN  0.558688 -1.226343In [45]: df.add(df2, fill_value=0)Out[45]:        one       two     threea  2.789963  3.545034  1.000000b  0.686107  3.824246 -0.100780c  1.390491  2.956737  2.454870d       NaN  0.558688 -1.226343

比较操作

与上一小节的算数运算类似，Series 与 DataFrame 还支持 eq、ne、lt、gt、le、ge 等二进制比较操作的方法：

序号	缩写	英文	中文
1	eq	equal to	等于
2	ne	not equal to	不等于
3	lt	less than	小于
4	gt	greater than	大于
5	le	less than or equal to	小于等于
6	ge	greater than or equal to	大于等于

In [46]: df.gt(df2)Out[46]:     one    two  threea  False  False  Falseb  False  False  Falsec  False  False  Falsed  False  False  FalseIn [47]: df2.ne(df)Out[47]:     one    two  threea  False  False   Trueb  False  False  Falsec  False  False  Falsed   True  False  False

这些操作生成一个与左侧输入对象类型相同的 pandas 对象，即，dtype 为 bool。这些 boolean 对象可用于索引操作，参阅布尔索引小节。

布尔简化

empty、any()、all()、bool() 可以把数据汇总简化至单个布尔值。

In [48]: (df > 0).all()Out[48]:one      Falsetwo       Truethree    Falsedtype: boolIn [49]: (df > 0).any()Out[49]:one      Truetwo      Truethree    Truedtype: bool

还可以进一步把上面的结果简化为单个布尔值。

In [50]: (df > 0).any().any()Out[50]: True

通过 empty 属性，可以验证 pandas 对象是否为空。

In [51]: df.emptyOut[51]: FalseIn [52]: pd.DataFrame(columns=list('ABC')).emptyOut[52]: True

用 bool() 方法验证单元素 pandas 对象的布尔值。

In [53]: pd.Series([True]).bool()Out[53]: TrueIn [54]: pd.Series([False]).bool()Out[54]: FalseIn [55]: pd.DataFrame([[True]]).bool()Out[55]: TrueIn [56]: pd.DataFrame([[False]]).bool()Out[56]: False

::: danger 警告

以下代码：

>>> if df:...     pass

或

>>> df and df2

上述代码试图比对多个值，因此，这两种操作都会触发错误：

ValueError: The truth value of an array is ambiguous. Use a.empty, a.any() or a.all().

:::

了解详情，请参阅各种坑小节的内容。

比较对象是否等效

一般情况下，多种方式都能得出相同的结果。以 df + df 与 df * 2 为例。应用上一小节学到的知识，测试这两种计算方式的结果是否一致，一般人都会用 (df + df == df * 2).all()，不过，这个表达式的结果是 False：

In [57]: df + df == df * 2Out[57]:     one   two  threea   True  True  Falseb   True  True   Truec   True  True   Trued  False  True   TrueIn [58]: (df + df == df * 2).all()Out[58]:one      Falsetwo       Truethree    Falsedtype: bool

注意：布尔型 DataFrame df + df == df * 2 中有 False 值！这是因为两个 NaN 值的比较结果为不等：

In [59]: np.nan == np.nanOut[59]: False

为了验证数据是否等效，Series 与 DataFrame 等 N 维框架提供了 equals() 方法，，用这个方法验证 NaN 值的结果为相等。

In [60]: (df + df).equals(df * 2)Out[60]: True

注意：Series 与 DataFrame 索引的顺序必须一致，验证结果才能为 True：

In [61]: df1 = pd.DataFrame({'col': ['foo', 0, np.nan]})In [62]: df2 = pd.DataFrame({'col': [np.nan, 0, 'foo']}, index=[2, 1, 0])In [63]: df1.equals(df2)Out[63]: FalseIn [64]: df1.equals(df2.sort_index())Out[64]: True

比较 array 型对象

用标量值与 pandas 数据结构对比数据元素非常简单：

In [65]: pd.Series(['foo', 'bar', 'baz']) == 'foo'Out[65]:0     True1    False2    Falsedtype: boolIn [66]: pd.Index(['foo', 'bar', 'baz']) == 'foo'Out[66]: array([ True, False, False])

pandas 还能对比两个等长 array 对象里的数据元素：

In [67]: pd.Series(['foo', 'bar', 'baz']) == pd.Index(['foo', 'bar', 'qux'])Out[67]:0     True1     True2    Falsedtype: boolIn [68]: pd.Series(['foo', 'bar', 'baz']) == np.array(['foo', 'bar', 'qux'])Out[68]:0     True1     True2    Falsedtype: bool

对比不等长的 Index 或 Series 对象会触发 ValueError：

In [55]: pd.Series(['foo', 'bar', 'baz']) == pd.Series(['foo', 'bar'])ValueError: Series lengths must match to compareIn [56]: pd.Series(['foo', 'bar', 'baz']) == pd.Series(['foo'])ValueError: Series lengths must match to compare

注意：这里的操作与 Numpy 的广播机制不同：

In [69]: np.array([1, 2, 3]) == np.array([2])Out[69]: array([False,  True, False])

Numpy 无法执行广播操作时，返回 False:

In [70]: np.array([1, 2, 3]) == np.array([1, 2])Out[70]: False

合并重叠数据集

有时会合并两个近似数据集，两个数据集中，其中一个的数据比另一个多。比如，展示特定经济指标的两个数据序列，其中一个是“高质量”指标，另一个是“低质量”指标。一般来说，低质量序列可能包含更多的历史数据，或覆盖更广的数据。因此，要合并这两个 DataFrame 对象，其中一个 DataFrame 中的缺失值将按指定条件用另一个 DataFrame 里类似标签中的数据进行填充。要实现这一操作，请用下列代码中的 combine_first() 函数。

In [71]: df1 = pd.DataFrame({'A': [1., np.nan, 3., 5., np.nan],   ....:                     'B': [np.nan, 2., 3., np.nan, 6.]})   ....:In [72]: df2 = pd.DataFrame({'A': [5., 2., 4., np.nan, 3., 7.],   ....:                     'B': [np.nan, np.nan, 3., 4., 6., 8.]})   ....:In [73]: df1Out[73]:     A    B0  1.0  NaN1  NaN  2.02  3.0  3.03  5.0  NaN4  NaN  6.0In [74]: df2Out[74]:     A    B0  5.0  NaN1  2.0  NaN2  4.0  3.03  NaN  4.04  3.0  6.05  7.0  8.0In [75]: df1.combine_first(df2)Out[75]:     A    B0  1.0  NaN1  2.0  2.02  3.0  3.03  5.0  4.04  3.0  6.05  7.0  8.0

通用的 DataFrame 合并方法

上述 combine_first() 方法调用了更普适的 DataFrame.combine() 方法。该方法提取另一个 DataFrame 及合并器函数，并将之与输入的 DataFrame 对齐，再传递与 Series 配对的合并器函数（比如，名称相同的列）。

下面的代码复现了上述的 combine_first() 函数：

In [76]: def combiner(x, y):   ....:     return np.where(pd.isna(x), y, x)   ....: