4 DataFrames.jl

数据通常以表格格式存储。 在表格格式中，数据由包含行和列的表组成。 每列通常具有相同的数据类型，而每行数据类型不同。 实际上，行表示观测量，而列表示变量。 例如，我们有一个电视节目表，其中包含每个节目的制作国家和大众个人评分，如 表 1 所示。

此处的省略号表示这是一张非常长的表，但只显示了少数行。 在分析数据时，我们经常会提出一些关于数据的有趣问题，这也称为 数据查询。 对于大型表格，计算机能够比手工查询更快地回答此类问题。 一些 数据查询 问题的例子如下：

• 哪个电视节目评分最高？
• 哪些电视节目由美国制作？
• 哪些电视节目由相同的国家制作?

但是，作为研究人员，实际的科学往往从多张表格或多个数据源开始。 例如，如果我们也有其他人的电视节目评分数据 (表 2)：

现在则能够提出以下问题：

• 节目 Game of Thrones 的平均评分是多少？
• 谁对 Friends 给出了最高的评分？
• 哪些节目你评分了，但其他人没有？

在本章的其余部分中，我们将展示如何借助 Julia 来轻松地回答这些问题。 因此此，首先说明为什么需要 Julia 包 DataFrames.jl。 下节将展示如何使用此包，最后将展示如何编写快速数据变换的代码 (Section 4.9)。

首先查看如下的成绩表 表 3 ：

其中 name 列的类型为 string, age 列的类型为 integer，而 grade 列的类型为 float。

截至目前，本书只介绍了 Julia 的基础知识。 这些基础能够处理很多东西，但不能处理表。 因此，为了说明我们需要更多类型，让我们尝试将表格数据存储在数组中：

function grades_array()
    name = ["Bob", "Sally", "Alice", "Hank"]
    age = [17, 18, 20, 19]
    grade_2020 = [5.0, 1.0, 8.5, 4.0]
    (; name, age, grade_2020)
end

现在，数据以列优先形式存储，当想从行获取数据时，这种形式很麻烦：

function second_row()
    name, age, grade_2020 = grades_array()
    i = 2
    row = (name[i], age[i], grade_2020[i])
end
second_row()

("Sally", 18, 1.0)

或者，如果想获得 Alice 的成绩，首先需要弄清楚 Alice 所在的行：

function row_alice()
    names = grades_array().name
    i = findfirst(names .== "Alice")
end
row_alice()

3

然后才能得到成绩：

function value_alice()
    grades = grades_array().grade_2020
    i = row_alice()
    grades[i]
end
value_alice()

8.5

DataFrames.jl 可以很容易地处理此类问题。 首先使用 using 加载 DataFrames.jl ：

using DataFrames

通过 DataFrames.jl，我们可以定义 DataFrame 来存储表格数据：

names = ["Sally", "Bob", "Alice", "Hank"]
grades = [1, 5, 8.5, 4]
df = DataFrame(; name=names, grade_2020=grades)

即此处返回的变量 df 以表格格式存储数据。

NOTE: 这是可行的，但我们需要立即改变一件事。 在本例中，我们在全局作用域定义了变量 name、 grade_2020 和 df。 这意味着可以从任何位置访问和修改这些变量。 如果我们继续像这样写这本书，那么我们会在书结尾时拥有上百个变量，即使变量 name 中的数据本应只能通过 DataFrame 访问！ 变量 name 和 grade_2020 不应该持久地保存！ 现在，想象一下，我们将会在本书中多次修改 grade_2020。 如果本书只有 PDF 格式， 那么几乎不可能在最后指出变量的内容。

可以使用函数轻松地解决此类问题。

让我们使用函数完成同样的操作：

function grades_2020()
    name = ["Sally", "Bob", "Alice", "Hank"]
    grade_2020 = [1, 5, 8.5, 4]
    DataFrame(; name, grade_2020)
end
grades_2020()

注意， name 和 grade_2020 会在函数返回后销毁，即它们仅在函数中可用。 这样做还有两个好处。 首先，读者可以清晰地看到 name 和 grade_2020 由谁所有：它们属于 2020 成绩表。 其次，很容易在书中的任何地方确定 grades_2020() 的输出。 例如，可以将数据赋给变量 df：

df = grades_2020()

改变 df 的内容：

df = DataFrame(name = ["Malice"], grade_2020 = ["10"])

而且仍然能够无损恢复数据：

df = grades_2020()

当然，此处假设没有重新定义函数。 我们在本书中保证不会这样做，因为这是非常糟糕的做法。 我们不会 “改变” 函数，而是创建一个具有明确名称的新函数。

因此，回到 DataFrames构造器。 如你所见，创建方法是将向量作为参数传递给 DataFrame 构造器。 你可以给定任何合法的 Julia 向量，并且 只要向量长度相同，就能成功构造 DataFrame。 重复的向量、Unicode 符号和任何类型的数字都可以：

DataFrame(σ = ["a", "a", "a"], δ = [π, π/2, π/3])

通常，您在代码中会创建函数来包装一个或多个作用于 DataFrame 的函数。 例如，可以创建函数来获取一个或多个 names 的成绩：

function grades_2020(names::Vector{Int})
    df = grades_2020()
    df[names, :]
end
grades_2020([3, 4])

使用函数来包装基本功能的这种方式，在编程语言和包中非常常见。 基本上，你可以把 Julia 和 DataFrames.jl 看作基本模块的提供者。 它们提供了相当 通用的 模块，从而你可以在此基础之上实现一些 特例 ，比如这个成绩例子。 借助这些基本模块，你可以编写数据分析脚本，控制机器人或任何你想要构造的东西。

截至目前，由于必须使用索引，这些例子都非常麻烦。 下节将介绍如何在 DataFrames.jl 中加载和保存数据，以及其它一些强大的基本模块。

CC BY-NC-SA 4.0 Jose Storopoli, Rik Huijzer, Lazaro Alonso, 刘贵欣 (中文翻译), 田俊 （中文审校）