วิธีสร้าง Pandas DataFrame [พร้อมตัวอย่าง]

เรียนรู้พื้นฐานการทำงานกับ DataFrames ของ pandas: โครงสร้างข้อมูลพื้นฐานใน pandas ซึ่งเป็นไลบรารีการจัดการข้อมูลที่มีประสิทธิภาพ

หากคุณต้องการเริ่มต้นการวิเคราะห์ข้อมูลใน Python แพนด้าเป็นหนึ่งในไลบรารี่แรกๆ ที่คุณควรเรียนรู้การทำงานด้วย จากการนำเข้าข้อมูลจากหลายแหล่ง เช่น ไฟล์ CSV และฐานข้อมูล ไปจนถึงการจัดการข้อมูลที่ขาดหายไปและการวิเคราะห์เพื่อให้ได้ข้อมูลเชิงลึก – pandas ให้คุณทำทุกอย่างข้างต้น

ในการเริ่มวิเคราะห์ข้อมูลด้วยแพนด้า คุณควรเข้าใจโครงสร้างข้อมูลพื้นฐานในแพนด้า: เฟรมข้อมูล

ในบทช่วยสอนนี้ คุณจะได้เรียนรู้พื้นฐานของ pandas dataframes และวิธีการทั่วไปในการสร้าง dataframes จากนั้น คุณจะได้เรียนรู้วิธีเลือกแถวและคอลัมน์จาก dataframe เพื่อเรียกข้อมูลชุดย่อย

ทั้งหมดนี้และอื่น ๆ มาเริ่มกันเลย

การติดตั้งและนำเข้าแพนด้า

เนื่องจาก pandas เป็นไลบรารีการวิเคราะห์ข้อมูลของบุคคลที่สาม คุณควรติดตั้งก่อน ขอแนะนำให้ติดตั้งแพ็คเกจภายนอกในสภาพแวดล้อมเสมือนสำหรับโครงการของคุณ

หากคุณใช้การแจกจ่าย Anaconda ของ Python คุณสามารถใช้ conda สำหรับการจัดการแพ็คเกจ

 conda install pandas

คุณยังสามารถติดตั้ง pandas โดยใช้ pip:

 pip install pandas

ไลบรารีแพนด้าต้องการ NumPy เป็นข้อมูลอ้างอิง ดังนั้นหากยังไม่ได้ติดตั้ง NumPy ก็จะติดตั้งในระหว่างขั้นตอนการติดตั้งด้วย

หลังจากติดตั้งแพนด้าแล้ว คุณสามารถนำเข้าแพนด้าในสภาพแวดล้อมการทำงานของคุณได้ โดยทั่วไป หมีแพนด้าจะถูกนำเข้าภายใต้นามแฝง pd :

 import pandas as pd

DataFrame ใน Pandas คืออะไร?

โครงสร้างข้อมูลพื้นฐานใน pandas คือ data frame data frame คืออาร์เรย์ข้อมูลสองมิติที่มีดัชนี กำกับ และคอลัมน์ที่ มีชื่อ แต่ละคอลัมน์ใน data frame เรียกว่า pandas series แบ่งปันดัชนีร่วมกัน

ต่อไปนี้คือตัวอย่าง data frame ที่เราจะสร้างขึ้นมาใหม่ในอีกไม่กี่นาทีข้างหน้า กรอบข้อมูลนี้มีข้อมูลเกี่ยวกับการใช้จ่ายของนักเรียนหกคนในสี่สัปดาห์

ชื่อของนักเรียนเป็นป้ายชื่อแถว และตั้งชื่อคอลัมน์ว่า 'Week1' ถึง 'Week4' ขอให้สังเกตว่าคอลัมน์ทั้งหมดใช้ป้ายชื่อแถวชุดเดียวกันหรือที่เรียกว่า ดัชนี

วิธีสร้าง Pandas DataFrame

มีหลายวิธีในการสร้างกรอบข้อมูลแพนด้า ในบทช่วยสอนนี้ เราจะพูดถึงวิธีการต่อไปนี้:

• การสร้าง data frame จากอาร์เรย์ NumPy
• การสร้าง data frame จากพจนานุกรม Python
• การสร้าง data frame โดยการอ่านไฟล์ CSV

จากอาร์เรย์ NumPy

ให้เราสร้าง data frame จากอาร์เรย์ NumPy

มาสร้างอาร์เรย์ข้อมูลรูปร่าง (6,4) โดยสมมติว่าในสัปดาห์ใดก็ตาม นักเรียนแต่ละคนใช้จ่ายระหว่าง $0 ถึง $100 ฟังก์ชัน randint() จากโมดูล random ของ NumPy ส่งคืนอาร์เรย์ของจำนวนเต็มแบบสุ่มในช่วงเวลาที่กำหนด [low,high)

 import numpy as np np.random.seed(42) data = np.random.randint(0,101,(6,4)) print(data)

 array([[51, 92, 14, 71], [60, 20, 82, 86], [74, 74, 87, 99], [23, 2, 21, 52], [ 1, 87, 29, 37], [ 1, 63, 59, 20]])

ในการสร้างเฟรมข้อมูลแพนด้า คุณสามารถใช้ตัวสร้าง DataFrame และส่งผ่านอาร์เรย์ NumPy เป็นอาร์กิวเมนต์ data ดังที่แสดง:

 students_df = pd.DataFrame(data=data)

ตอนนี้เราสามารถเรียกใช้ฟังก์ชัน type() ในตัวเพื่อตรวจสอบประเภทของ students_df เราเห็นว่ามันเป็นวัตถุ DataFrame

 type(students_df) # pandas.core.frame.DataFrame

 print(students_df)

เราเห็นว่าโดยค่าเริ่มต้น เรามีการจัดทำดัชนีช่วงซึ่งเริ่มจาก 0 ถึง numRows – 1 และป้ายชื่อคอลัมน์คือ 0, 1, 2, …, numCols -1 อย่างไรก็ตามสิ่งนี้จะลดความสามารถในการอ่าน จะช่วยเพิ่มชื่อคอลัมน์ที่สื่อความหมายและป้ายชื่อแถวให้กับ data frame

มาสร้างสองรายการ: รายการหนึ่งสำหรับเก็บชื่อของนักเรียนและอีกรายการหนึ่งสำหรับจัดเก็บป้ายชื่อคอลัมน์

 students = ['Amy','Bob','Chris','Dave','Evelyn','Fanny'] cols = ['Week1','Week2','Week3','Week4']

เมื่อเรียกใช้ตัวสร้าง DataFrame คุณสามารถตั้งค่า index และ columns เป็นรายการของป้ายชื่อแถวและป้ายชื่อคอลัมน์ที่จะใช้ตามลำดับ

 students_df = pd.DataFrame(data = data,index = students,columns = cols)

ขณะนี้เรามีกรอบข้อมูลของ students_df พร้อมป้ายชื่อแถวและคอลัมน์ที่สื่อความหมาย

 print(students_df)

ในการรับข้อมูลพื้นฐานบางอย่างใน data frame เช่น ค่าและประเภทข้อมูลที่ขาดหายไป คุณสามารถเรียกใช้เมธอด info() บน data frame object

 students_df.info()

จากพจนานุกรม Python

คุณยังสามารถสร้าง data frame ของ pandas จากพจนานุกรม Python

ที่นี่ data_dict คือพจนานุกรมที่มีข้อมูลของนักเรียน:

• ชื่อของนักเรียนคือกุญแจสำคัญ
• แต่ละค่าคือรายการจำนวนเงินที่นักเรียนแต่ละคนใช้จ่ายตั้งแต่สัปดาห์ที่หนึ่งถึงสี่

 data_dict = {} students = ['Amy','Bob','Chris','Dave','Evelyn','Fanny'] for student,student_data in zip(students,data): data_dict[student] = student_data

หากต้องการสร้าง data frame จากพจนานุกรม Python ให้ใช้ from_dict ดังที่แสดงด้านล่าง อาร์กิวเมนต์แรกสอดคล้องกับพจนานุกรมที่มีข้อมูล ( data_dict ) ตามค่าเริ่มต้น คีย์จะใช้เป็น ชื่อคอลัมน์ ของ data frame เนื่องจากเราต้องการตั้งค่าคีย์เป็น ป้ายกำกับแถว ให้ตั้งค่า orient= 'index'

 students_df = pd.DataFrame.from_dict(data_dict,orient='index') print(students_df)

หากต้องการเปลี่ยนชื่อคอลัมน์เป็นหมายเลขสัปดาห์ เราจะตั้งค่าคอลัมน์เป็นรายการ cols :

 students_df = pd.DataFrame.from_dict(data_dict,orient='index',columns=cols) print(students_df)

อ่านในไฟล์ CSV ลงใน Pandas DataFrame

สมมติว่าข้อมูลของนักเรียนเป็นไฟล์ CSV คุณสามารถใช้ read_csv() เพื่ออ่านข้อมูลจากไฟล์ไปยังเฟรมข้อมูลแพนด้า pd.read_csv('file-path') คือไวยากรณ์ทั่วไป โดยที่ file-path คือเส้นทางไปยังไฟล์ CSV เราสามารถตั้งค่าพารามิเตอร์ names เป็นรายชื่อคอลัมน์ที่จะใช้

 students_df = pd.read_csv('/content/students.csv',names=cols)

ตอนนี้เรารู้วิธีสร้าง data frame แล้ว เรามาเรียนรู้วิธีเลือกแถวและคอลัมน์กัน

เลือกคอลัมน์จาก Pandas DataFrame

มีหลายวิธีที่คุณสามารถใช้เพื่อเลือกแถวและคอลัมน์จาก data frame บทช่วยสอนนี้จะกล่าวถึงวิธีทั่วไปในการเลือกคอลัมน์ แถว และทั้งแถวและคอลัมน์จาก data frame

การเลือกคอลัมน์เดียว

หากต้องการเลือกคอลัมน์เดียว คุณสามารถใช้ df_name[col_name] โดยที่ col_name เป็นสตริงที่แสดงชื่อของคอลัมน์

ที่นี่ เราเลือกเฉพาะคอลัมน์ 'สัปดาห์ที่ 1'

 week1_df = students_df['Week1'] print(week1_df)

การเลือกหลายคอลัมน์

หากต้องการเลือกหลายคอลัมน์จาก data frame ให้ส่งรายการชื่อคอลัมน์ทั้งหมดเพื่อเลือก

 odd_weeks = students_df[['Week1','Week3']] print(odd_weeks)

นอกจากวิธีนี้แล้ว คุณยังสามารถใช้ iloc() และ loc() เพื่อเลือกคอลัมน์ เราจะเขียนโค้ดตัวอย่างในภายหลัง

เลือกแถวจาก Pandas DataFrame

ใช้ .iloc() วิธีการ

ในการเลือกแถวโดยใช้ iloc() ให้ส่งดัชนีที่สอดคล้องกับแถวทั้งหมดเป็นรายการ

ในตัวอย่างนี้ เราเลือกแถวที่ดัชนีคี่

 odd_index_rows = students_df.iloc[[1,3,5]] print(odd_index_rows)

ต่อไป เราเลือกชุดย่อยของ data frame ที่มีแถวที่ดัชนี 0 ถึง 2 โดยค่าเริ่มต้นจะไม่รวมจุดสิ้นสุดที่ 3

 slice1 = students_df.iloc[0:3] print(slice1)

ใช้ .loc() วิธีการ

หากต้องการเลือกแถวของ data frame โดยใช้เมธอด loc() คุณควรระบุป้ายกำกับที่ตรงกับแถวที่คุณต้องการเลือก

 some_rows = students_df.loc[['Bob','Dave','Fanny']] print(some_rows)

หากแถวของกรอบข้อมูลถูกจัดทำดัชนีโดยใช้ช่วงดีฟอลต์ 0, 1, 2 จนถึง numRows -1 การใช้ iloc() และ loc() จะเทียบเท่ากัน

เลือกแถวและคอลัมน์จาก Pandas DataFrame

ถึงตอนนี้ คุณได้เรียนรู้วิธีเลือกแถวหรือคอลัมน์จากกรอบข้อมูลแพนด้าแล้ว อย่างไรก็ตาม บางครั้งคุณอาจต้องเลือกชุดย่อยของ ทั้ง แถวและคอลัมน์ แล้วคุณจะทำอย่างไร? คุณสามารถใช้ iloc() และ loc() ที่เราพูดถึง

ตัวอย่างเช่น ในข้อมูลโค้ดด้านล่าง เราเลือกแถวและคอลัมน์ ทั้งหมด ที่ดัชนี 2 และ 3

 subset_df1 = students_df.iloc[:,[2,3]] print(subset_df1)

การใช้ start:stop สร้างชิ้นส่วนตั้งแต่ start จนถึงแต่ไม่รวม stop ดังนั้น เมื่อคุณละเว้นทั้งค่า start และค่า stop เมื่อคุณเพิกเฉยต่อค่าเริ่มต้นและค่าหยุด การแบ่งส่วนจะเริ่มที่จุดเริ่มต้น—และขยายไปจนถึงจุดสิ้นสุดของกรอบข้อมูล—การเลือกแถว ทั้งหมด

เมื่อใช้เมธอด loc() คุณต้องส่งป้ายกำกับของแถวและคอลัมน์ที่คุณต้องการเลือก ดังที่แสดง:

 subset_df2 = students_df.loc[['Amy','Evelyn'],['Week1','Week3']] print(subset_df2)

ที่นี่ dataframe subset_df2 มีบันทึกของ Amy และ Evelyn สำหรับสัปดาห์ที่ 1 และสัปดาห์ที่ 3

บทสรุป

นี่คือการทบทวนอย่างรวดเร็วเกี่ยวกับสิ่งที่คุณได้เรียนรู้ในบทช่วยสอนนี้:

• หลังจากติดตั้ง pandas แล้ว คุณสามารถนำเข้าภายใต้นามแฝง pd ในการสร้างออบเจ็กต์ data frame ของ pandas คุณสามารถใช้ตัวสร้าง pd.DataFrame(data) โดยที่ data อ้างอิงถึงอาร์เรย์ N-dimensional หรือตัวสร้างที่วนซ้ำได้ซึ่งมีข้อมูลอยู่ คุณสามารถระบุแถวและดัชนีและป้ายชื่อคอลัมน์ได้โดยการตั้งค่าพารามิเตอร์ดัชนีและคอลัมน์ที่เป็น ทางเลือก ตามลำดับ
• การใช้ pd.read_csv(path-to-the-file) อ่านเนื้อหาของไฟล์ลงใน data frame
• คุณสามารถเรียกเมธอด info() บน data frame object เพื่อรับข้อมูลเกี่ยวกับคอลัมน์ จำนวนของค่าที่หายไป ประเภทข้อมูล และขนาดของ data frame
• หากต้องการเลือกคอลัมน์เดียว ให้ใช้ df_name[col_name] และหากต้องการเลือกหลายคอลัมน์ โดยเฉพาะคอลัมน์ df_name[[col1,col2,...,coln]]
• คุณยังสามารถเลือกคอลัมน์และแถวโดยใช้เมธอด loc() และ iloc()
• ในขณะที่ iloc() ใช้ดัชนี (หรือส่วนดัชนี) ของแถวและคอลัมน์ที่จะเลือก เมธอด loc() จะใช้ป้ายกำกับแถวและคอลัมน์

คุณสามารถดูตัวอย่างที่ใช้ในบทแนะนำนี้ได้ในสมุดบันทึก Colab นี้

ต่อไป ลองดูรายชื่อสมุดบันทึกด้านวิทยาศาสตร์ข้อมูลเพื่อการทำงานร่วมกันนี้