初识 DataFrames.jl：表格数据处理

您会在科学计算、数据分析和机器学习项目中遇到很多以表格形式组织的数据，其中行表示单个观测值，列表示不同的属性或变量。可以想想您使用过的电子表格；这种结构正是我们所指的。为了在 Julia 中高效处理这类数据，社区开发了一个功能强大且广泛使用的包：DataFrames.jl。

DataFrames.jl 提供专门的数据结构和函数，专门用于高效、易用地处理表格数据。它让您能够以一种既能胜任复杂任务，又对常见操作简单明了的方式加载、操作、清理和分析数据。如果您接触过 Python 中的 Pandas 或 R 中的数据框，您会发现 DataFrames.jl 在 Julia 生态系统中扮演着类似的角色。它是 Julia 中许多以数据为中心的工作流程的重要组成部分。

开始使用 DataFrames.jl

在使用 DataFrames.jl 之前，您需要将其添加到您的 Julia 环境中。Julia 中的“包”是预先编写好的代码集合，可以增强 Julia 的功能。您可以使用 Julia 内置的包管理器 Pkg 来添加 DataFrames.jl。如果您尚未安装它，请打开您的 Julia REPL（交互式命令行）并输入：

using Pkg
Pkg.add("DataFrames")

此命令会下载 DataFrames.jl 及其依赖项，使其可用于您的项目。您只需在 Julia 安装中执行此操作一次。

安装完成后，您可以在任何 Julia 会话或脚本中通过编写以下内容来开始使用它：

using DataFrames

此行加载 DataFrames 模块，使其函数和类型（例如 DataFrame 类型本身）在当前作用域中可用。

创建您的第一个 DataFrame

让我们创建一个简单的 DataFrame 来了解其运作方式。DataFrame 可以通过多种方式构建，但一种常见的方法是为您的列提供名称，并为每列提供相应的矢量数据（类似于 Julia 数组）。

假设我们有几名学生的数据：他们的 ID、姓名、年龄和考试分数。我们可以这样表示：

# 确保已加载 DataFrames
using DataFrames

# 创建一个 DataFrame
df = DataFrame(
    ID = [101, 102, 103, 104],
    Name = ["Alice", "Bob", "Charlie", "Diana"],
    Age = [23, 21, 24, 22],
    Score = [88.5, 92.0, 77.5, 95.0]
)

# 显示 DataFrame
println(df)

运行此代码时，Julia 会在您的控制台打印出一个格式整齐的表格：

4×4 DataFrame
 行 │ ID     姓名     年龄    分数
     │ Int64  String   Int64  Float64
─────┼───────────────────────────────────
   1 │   101  Alice       23     88.5
   2 │   102  Bob         21     92.0
   3 │   103  Charlie     24     77.5
   4 │   104  Diana       22     95.0

请注意输出如何显示 DataFrame 的尺寸（4 行 × 4 列）、列名、每列的数据类型，然后是数据本身。这种即时视觉反馈对掌握数据结构非常有益。

查看 DataFrame 的基本方法

拥有 DataFrame 后，您会想要查看其内容。以下是一些基本操作：

• 查看尺寸：获取行数和列数：

  println(size(df))  # 输出: (4, 4)
  println(nrow(df))  # 输出: 4 (行数)
  println(ncol(df))  # 输出: 4 (列数)
  

• 查看前几行：如果您的 DataFrame 很大，您可能只想看开头或结尾部分。

  println(first(df, 2)) # 显示前 2 行
  

  这会输出：

  2×4 DataFrame
   行 │ ID     姓名   年龄    分数
       │ Int64  String Int64  Float64
  ─────┼───────────────────────────────────
     1 │   101  Alice     23     88.5
     2 │   102  Bob       21     92.0
  

  类似地，last(df, 2) 会显示最后两行。

• 获取列名：

  println(names(df)) # 输出: ["ID", "姓名", "年龄", "分数"]
  

• 统计概要：describe 函数提供每列的快速统计概要。

  println(describe(df))
  

  这会为您提供诸如数值列的平均值、最小值、最大值、中位数和缺失值数量等信息，以及不同类型的其他相关信息。这是初步了解数据集的一种好方法。

• 访问列：您可以使用列名将单个列作为矢量获取。有几种方法可以做到这一点：

  ages = df.Age
  println(ages)
  # 输出: [23, 21, 24, 22]
  
  scores = df[!, :Score] # ! 表示“所有行”，:Score 是列名符号
  println(scores)
  # 输出: [88.5, 92.0, 77.5, 95.0]
  

  df.Age 和 df[!, :Score] 都会将列作为 Julia 矢量返回。Score 前的冒号 :（即 :Score）会创建一个 Symbol，这是 DataFrames.jl 内部通常引用列名的方式。

• 访问行：您可以通过索引访问特定行。例如，要获取第一行：

  first_row = df[1, :] # 1 是行索引，: 表示“所有列”
  println(first_row)
  

  这会返回一个 DataFrameRow 对象，它表示单行，但仍然知道其列名。

本次简要介绍仅展示了 DataFrames.jl 功能的很小一部分。它提供了丰富的功能集，用于数据清洗（处理缺失值、转换数据类型）、根据条件筛选行、选择特定列、数据分组、合并多个 DataFrames，等等。

随着您在 Julia 方面的进步，特别是在数据分析、机器学习或任何涉及结构化数据集的方面，DataFrames.jl 可能会成为您工具箱中不可或缺的工具。我们鼓励您查阅其详细文档，并在遇到不同数据难题时尝试其功能。有效管理和准备表格数据的能力是一项基本技能，DataFrames.jl 在 Julia 中为此提供了出色的支持。