python读取sas数据集

2023-08-14 19:04| 来源: 网络整理| 查看: 265

Python部落(python.freelycode.com)组织翻译，禁止转载，欢迎转发。

作者：Randy Betancourt 日期：2016年12月19号

这篇文章是Randy Betancourt的用于SAS用户的快速入门中的一章。Randy编写这本指南，让SAS用户熟悉Python和Python的各种科学计算工具。

本文包括的主题：

pandas简介

本章介绍pandas库（或包）。pandas为 Python开发者提供高性能、易用的数据结构和数据分析工具。该包基于NumPy（发音‘numb pie’）中，一个基本的科学计算包，提供ndarray，一个用于数组运算的高性能对象。我们将说明一些有用的NumPy对象来作为说明pandas的方式。

对于数据分析任务，我们经常需要将不同的数据类型组合在一起。一个例子是使用频率和计数的字符串对分类数据进行分组，使用int和float作为连续值。此外，我们希望能够附加标签到列、透视数据等。

我们从介绍对象Series和DataFrame开始。可以认为Series是一个索引、一维数组、类似一列值。可以认为DataFrames是包含行和列的二维数组索引。好比Excel单元格按行和列位置寻址。

换句话说，DataFrame看起来很像SAS数据集（或关系表）。下表比较在SAS中发现的pandas组件。

第6章，理解索引中详细地介绍DataFrame和Series索引。

导入包

为了使用pandas对象, 或任何其它Python包的对象，我们开始按名称导入库到命名空间。为了避免重复键入完整地包名，对NumPy使用np的标准别名，对pandas使用pd。

Series

可以认为Series是含标记的一维数组。这个结构包括用于定位数据键值的标签索引。Series 中的数据可以是任何数据类型。pandas数据类型的详情见这里。在SAS例子中，我们使用Data Step ARRAYs类同于 Series。

以创建一个含随机值的Series开始：

注意：索引从0开始。大部分SAS自动变量像_n_使用1作为索引开始位置。SAS迭代DO loop 0 to 9结合ARRAY产生一个数组下标超出范围错误。

下面的SAS例子，DO循环用于迭代数组元素来定位目标元素。

SAS中数组主要用于迭代处理如变量。SAS/IML更接近的模拟NumPy数组。但SAS/IML 在这些示例的范围之外。

一个Series可以有一个索引标签列表。

Series由整数值索引，并且起始位置是0。

SAS示例使用一个DO循环做为索引下标插入数组。

返回Series中的前3个元素。

该示例有2个操作。s2.mean()方法计算平均值，随后一个布尔测试小于计算出的平均值。

Series和其它有属性的对象，它们使用点（.）操作符。.name是Series对象很多属性中的一个。

DataFrames

如前所述，DataFrames是带有标签的关系式结构。此外，一个单列的DataFrame是一个Series。

像SAS一样，DataFrames有不同的方法来创建。可以通过加载其它Python对象的值创建DataFrames。数据值也可以从一系列非Python输入资源加载，包括.csv文件、DBMS表、网络API、甚至是SAS数据集（.sas7bdat）等等。具体细节讨论见第11章— pandas Readers。

从读取UK_Accidents.csv文件开始。该文件包括从2015年1月1日到2015年12月31日香港的车辆事故数据。.csv文件位于这里。

一年中的每一天都有很多报告，其中的值大多是整数。另一个.CSV文件在这里，将值映射到描述性标签。

读.csv文件

在下面的示例中使用默认值。pandas为许多读者提供控制缺失值、日期解析、跳行、数据类型映射等参数。这些参数类似于SAS的 INFILE/INPUT处理。

注意额外的反斜杠\\来规范化Windows路径名。