Pandas是一个基于 Python 的数据处理与分析库,主要用于处理结构化数据,例如 Excel 表格、CSV 文件、JSON数据等。
该库提供了高效且易于使用的数据结构,如DataFrame和Series,能够支持数据的读取、清洗、整理、统计与存储等操作。
在深度学习任务中,Pandas 通常用于训练前的数据预处理以及训练过程中的实验记录管理,例如保存关键数据为 CSV 文件、记录并分析模型训练日志,从而提升实验的可管理性与可复现性。
官方文档参考https://pandas.pydata.org/docs/reference/index.html
一、核心数据结构
1.Series
importpandasaspd s=pd.Series([0.1,0.3,0.2],index=["train","val","test"])Series类似一维带索引的数组。可以类似字典一样进行索引,同时对标签的要求只有数量一致,标签类型可以是字符串或者数字等其它。
在深度学习中,常用于记录某个指标随 epoch 变化,存储 loss / accuracy 的一维日志。
2.DataFrame
df=pd.DataFrame({"epoch":[1,2,3],"loss":[0.8,0.5,0.3],"acc":[0.6,0.75,0.85]})DataFrame是最常用的数据结构,一种二维表格。严格要求每一列的长度必须一致,如下所示的epoch列、loss列、acc列长度均一致。
如果你print(df),看到的是:
epoch loss acc010.80.60120.50.75230.30.85二、数据处理
3. 读取数据
df=pd.read_csv("train.csv")df=pd.read_excel("data.xlsx")df=pd.read_json("log.json")读取结果都是一个pandas.DataFrame对象。
4. 保存数据
df.to_csv("result.csv",index=False)将一个pandas.DataFrame对象保存为名为“result.csv”的CSV文件,index=False表明不保存 Pandas 自动生成的行索引(0,1,2,…)。
训练日志一般不需要保存 index,防止干扰后续读取。
5、查看数据
(1)部分查看
df.head()# 输出df前五行df.tail()# 输出df后五行(2)基本信息查看
df.columns# 输出行信息输出示例:
Index(['epoch', 'loss', 'acc'], dtype='object')df.shape# 输出df形状,譬如(3,3)df.info()# 输出df基本信息输出示例:
<class'pandas.core.frame.DataFrame'>RangeIndex:5entries,0to4Data columns(total4columns):# Column Non-Null Count Dtype--- ------ -------------- -----0epoch5non-null int641train_loss5non-null float642val_loss5non-null float643val_acc5non-null float64从基本信息可以查看行列数,数据类型,是否有缺失值(Non-Null Count)。
(3)数字特征查看
df.describe()# 输出df的一些数字特征值输出示例:
epoch train_loss val_loss val_acc count 5.000000 5.000000 5.000000 5.000000 mean 3.000000 0.526000 0.658000 0.698000 std 1.581139 0.259000 0.257000 0.101000 min 1.000000 0.300000 0.460000 0.520000 25% 2.000000 0.350000 0.480000 0.680000 50% 3.000000 0.410000 0.550000 0.740000 75% 4.000000 0.620000 0.700000 0.770000 max 5.000000 0.950000 1.100000 0.780000可以查看一些统计学量。
6、索引、筛选数据
df["loss"]# 访问单列df[["epoch","loss"]]# 访问多列# 如果未知数据,不知列名df.iloc[0]# 第 1 行df.iloc[:,1]# 第 2 列# 如果要指定取值的话df.loc[0,"loss"]# 取第0行的train_loss值# 对行条件筛选df.loc[df["epoch"]>5]#可能输出:# epoch train_loss val_loss val_acc# 5 6 0.42 0.58 0.75# 6 7 0.40 0.57 0.76df[df["loss"]<0.5]df[(df["acc"]>0.8)&(df["epoch"]>10)]df.loc[df["epoch"]>5,["epoch","val_loss","val_acc"]]#loc命令的强大之处,含义是epoch > 5 的行;只要这几列。(指定列)7、清洗数据
(1)缺失值处理
df.isna().sum()输出示例:
epoch 0 train_loss 1 val_loss 1 val_acc 1 dtype: int64查看每一列有多少缺失值。
df.dropna()# 直接删除掉含缺失值的行df.fillna(0)# 用固定值0填充缺失值,下同理df.fillna(df.mean())(2)类型转换
df["label"]=df["label"].astype(int)df["time"]=pd.to_datetime(df["time"])(3)去重
df.drop_duplicates()# 删除重复行,默认保留第一次出现的行8、数据变换
df["log_loss"]=np.log(df["loss"])# 新增一个新列,元素为df["loss"]的对数化结果# 向量化操作,最常用df["score"]=df.apply(lambdax:x["acc"]-x["loss"],axis=1)# 新增一个新列,元素为按行(axis=1)的计算式x["acc"] - x["loss"]# 不建议滥用,Python层for-loop性能远慢于向量化操作。复杂计算时可用。df["score"]=df["acc"]-df["loss"]# 推荐写法label_map={"cat":0,"dog":1}# 标签处理--映射df["label_id"]=df["label"].map(label_map)# 利用字典label_map完成映射9、数据#
importpandasaspd df=pd.DataFrame({"model":["CNN","CNN","ViT","ViT","CNN"],"epoch":[1,2,1,2,3],"acc":[0.80,0.82,0.85,0.87,0.83]})result=df.groupby("model")["acc"].mean()print(result)输出:
model CNN0.816667ViT0.860000Name: acc, dtype: float64df.groupby("model")["acc"].mean()把 DataFrame 按model列的取值分组,只关注acc这一列,对每个组内部的 acc 求平均值。
10、数据排序
df.sort_values("acc",ascending=False)#按 `acc` 列从大到小排序整个 DataFrame。df.nlargest(5,"acc")#直接取 `acc` 最大的前 5 行。11、与 NumPy / PyTorch 的衔接
x=df[["f1","f2"]].values12. Pandas → PyTorch Dataset
labels=torch.tensor(df["label"].values)