Python 數(shù)據(jù)處理庫(kù) pandas 入門(mén)教程基本操作
pandas是一個(gè)Python語(yǔ)言的軟件包，在我們使用Python語(yǔ)言進(jìn)行機(jī)器學(xué)習(xí)編程的時(shí)候，這是一個(gè)非常常用的基礎(chǔ)編程庫(kù)。本文是對(duì)它的一個(gè)入門(mén)教程。
pandas提供了快速，靈活和富有表現(xiàn)力的數(shù)據(jù)結(jié)構(gòu)，目的是使“關(guān)系”或“標(biāo)記”數(shù)據(jù)的工作既簡(jiǎn)單又直觀(guān)。它旨在成為在Python中進(jìn)行實(shí)際數(shù)據(jù)分析的高級(jí)構(gòu)建塊。
入門(mén)介紹
pandas適合于許多不同類(lèi)型的數(shù)據(jù)，包括：
- 具有異構(gòu)類(lèi)型列的表格數(shù)據(jù)，例如SQL表格或Excel數(shù)據(jù)
- 有序和無(wú)序（不一定是固定頻率）時(shí)間序列數(shù)據(jù)。
- 具有行列標(biāo)簽的任意矩陣數(shù)據(jù)（均勻類(lèi)型或不同類(lèi)型）
- 任何其他形式的觀(guān)測(cè)/統(tǒng)計(jì)數(shù)據(jù)集。
由于這是一個(gè)Python語(yǔ)言的軟件包，因此需要你的機(jī)器上首先需要具備Python語(yǔ)言的環(huán)境。關(guān)于這一點(diǎn)，請(qǐng)自行在網(wǎng)絡(luò)上搜索獲取方法。
關(guān)于如何獲取pandas請(qǐng)參閱官網(wǎng)上的說(shuō)明：pandas Installation。
通常情況下，我們可以通過(guò)pip來(lái)執(zhí)行安裝：
sudo pip3 install pandas
或者通過(guò)conda 來(lái)安裝pandas：
conda install pandas
目前（2018年2月）pandas的最新版本是v0.22.0（發(fā)布時(shí)間：2017年12月29日）。
我已經(jīng)將本文的源碼和測(cè)試數(shù)據(jù)放到Github上：pandas_tutorial ，讀者可以前往獲取。
另外，pandas常常和NumPy一起使用，本文中的源碼中也會(huì)用到NumPy。
建議讀者先對(duì)NumPy有一定的熟悉再來(lái)學(xué)習(xí)pandas，我之前也寫(xiě)過(guò)一個(gè)NumPy的基礎(chǔ)教程，參見(jiàn)這里：Python 機(jī)器學(xué)習(xí)庫(kù) NumPy 教程
核心數(shù)據(jù)結(jié)構(gòu)
pandas最核心的就是Series和DataFrame兩個(gè)數(shù)據(jù)結(jié)構(gòu)。
這兩種類(lèi)型的數(shù)據(jù)結(jié)構(gòu)對(duì)比如下：
DataFrame可以看做是Series的容器，即：一個(gè)DataFrame中可以包含若干個(gè)Series。
注：在0.20.0版本之前，還有一個(gè)三維的數(shù)據(jù)結(jié)構(gòu)，名稱(chēng)為Panel。這也是pandas庫(kù)取名的原因：pan-da-s。但這種數(shù)據(jù)結(jié)構(gòu)由于很少被使用到，因此已經(jīng)被廢棄了。
Series
由于Series是一維結(jié)構(gòu)的數(shù)據(jù)，我們可以直接通過(guò)數(shù)組來(lái)創(chuàng)建這種數(shù)據(jù)，像這樣：
# data_structure.py
import pandas as pd
import numpy as np
series1 = pd.Series([1, 2, 3, 4])
print("series1:\n{}\n".format(series1))
這段代碼輸出如下：
series1: 0 1 1 2 2 3 3 4 dtype: int64
這段輸出說(shuō)明如下：
- 輸出的最后一行是Series中數(shù)據(jù)的類(lèi)型，這里的數(shù)據(jù)都是int64類(lèi)型的。
- 數(shù)據(jù)在第二列輸出，第一列是數(shù)據(jù)的索引，在pandas中稱(chēng)之為Index。
我們可以分別打印出Series中的數(shù)據(jù)和索引：
# data_structure.py
print("series1.values: {}\n".format(series1.values))
print("series1.index: {}\n".format(series1.index))
這兩行代碼輸出如下：
series1.values: [1 2 3 4] series1.index: RangeIndex(start=0, stop=4, step=1)
如果不指定（像上面這樣），索引是[1, N-1]的形式。不過(guò)我們也可以在創(chuàng)建Series的時(shí)候指定索引。索引未必一定需要是整數(shù)，可以是任何類(lèi)型的數(shù)據(jù)，例如字符串。例如我們以七個(gè)字母來(lái)映射七個(gè)音符。索引的目的是可以通過(guò)它來(lái)獲取對(duì)應(yīng)的數(shù)據(jù)，例如下面這樣：
# data_structure.py
series2 = pd.Series([1, 2, 3, 4, 5, 6, 7],
index=["C", "D", "E", "F", "G", "A", "B"])
print("series2:\n{}\n".format(series2))
print("E is {}\n".format(series2["E"]))
這段代碼輸出如下：
series2: C 1 D 2 E 3 F 4 G 5 A 6 B 7 dtype: int64 E is 3 DataFrame
下面我們來(lái)看一下DataFrame的創(chuàng)建。我們可以通過(guò)NumPy的接口來(lái)創(chuàng)建一個(gè)4x4的矩陣，以此來(lái)創(chuàng)建一個(gè)DataFrame，像這樣：
# data_structure.py
df1 = pd.DataFrame(np.arange(16).reshape(4,4))
print("df1:\n{}\n".format(df1))
這段代碼輸出如下：
df1: 0 1 2 3 0 0 1 2 3 1 4 5 6 7 2 8 9 10 11 3 12 13 14 15
從這個(gè)輸出我們可以看到，默認(rèn)的索引和列名都是[0, N-1]的形式。
我們可以在創(chuàng)建DataFrame的時(shí)候指定列名和索引，像這樣：
# data_structure.py
df2 = pd.DataFrame(np.arange(16).reshape(4,4),
columns=["column1", "column2", "column3", "column4"],
index=["a", "b", "c", "d"])
print("df2:\n{}\n".format(df2))
這段代碼輸出如下：
df2: column1 column2 column3 column4 a 0 1 2 3 b 4 5 6 7 c 8 9 10 11 d 12 13 14 15
我們也可以直接指定列數(shù)據(jù)來(lái)創(chuàng)建DataFrame：
# data_structure.py
df3 = pd.DataFrme({"note" : ["C", "D", "E", "F", "G", "A", "B"],
"weekday": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]})
print("df3:\n{}\n".format(df3))
這段代碼輸出如下：
df3: note weekday 0 C Mon 1 D Tue 2 E Wed 3 F Thu 4 G Fri 5 A Sat 6 B Sun
請(qǐng)注意：
DataFrame的不同列可以是不同的數(shù)據(jù)類(lèi)型
如果以Series數(shù)組來(lái)創(chuàng)建DataFrame，每個(gè)Series將成為一行，而不是一列
例如：
# data_structure.py
noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"],
index=[1, 2, 3, 4, 5, 6, 7])
weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
index=[1, 2, 3, 4, 5, 6, 7])
df4 = pd.DataFrame([noteSeries, weekdaySeries])
print("df4:\n{}\n".format(df4))
df4的輸出如下：
df4: 1 2 3 4 5 6 7 0 C D E F G A B 1 Mon Tue Wed Thu Fri Sat Sun
我們可以通過(guò)下面的形式給DataFrame添加或者刪除列數(shù)據(jù)：
# data_structure.py
df3["No."] = pd.Series([1, 2, 3, 4, 5, 6, 7])
print("df3:\n{}\n".format(df3))
del df3["weekday"]
print("df3:\n{}\n".format(df3))
這段代碼輸出如下：
df3: note weekday No. 0 C Mon 1 1 D Tue 2 2 E Wed 3 3 F Thu 4 4 G Fri 5 5 A Sat 6 6 B Sun 7 df3: note No. 0 C 1 1 D 2 2 E 3 3 F 4 4 G 5 5 A 6 6 B 7
Index對(duì)象與數(shù)據(jù)訪(fǎng)問(wèn)
pandas的Index對(duì)象包含了描述軸的元數(shù)據(jù)信息。當(dāng)創(chuàng)建Series或者DataFrame的時(shí)候，標(biāo)簽的數(shù)組或者序列會(huì)被轉(zhuǎn)換成Index。可以通過(guò)下面的方式獲取到DataFrame的列和行的Index對(duì)象：
# data_structure.py
print("df3.columns\n{}\n".format(df3.columns))
print("df3.index\n{}\n".format(df3.index))
這兩行代碼輸出如下：
df3.columns Index(['note', 'No.'], dtype='object') df3.index RangeIndex(start=0, stop=7, step=1)
請(qǐng)注意：
- Index并非集合，因此其中可以包含重復(fù)的數(shù)據(jù)
- Index對(duì)象的值是不可以改變，因此可以通過(guò)它安全的訪(fǎng)問(wèn)數(shù)據(jù)
DataFrame提供了下面兩個(gè)操作符來(lái)訪(fǎng)問(wèn)其中的數(shù)據(jù)：
- loc：通過(guò)行和列的索引來(lái)訪(fǎng)問(wèn)數(shù)據(jù)
- iloc：通過(guò)行和列的下標(biāo)來(lái)訪(fǎng)問(wèn)數(shù)據(jù)
例如這樣：
# data_structure.py
print("Note C, D is:\n{}\n".format(df3.loc[[0, 1], "note"]))
print("Note C, D is:\n{}\n".format(df3.iloc[[0, 1], 0]))
第一行代碼訪(fǎng)問(wèn)了行索引為0和1，列索引為“note”的元素。第二行代碼訪(fǎng)問(wèn)了行下標(biāo)為0和1（對(duì)于df3來(lái)說(shuō)，行索引和行下標(biāo)剛好是一樣的，所以這里都是0和1，但它們卻是不同的含義），列下標(biāo)為0的元素。
這兩行代碼輸出如下：
Note C, D is: 0 C 1 D Name: note, dtype: object Note C, D is: 0 C 1 D Name: note, dtype: object
文件操作
pandas庫(kù)提供了一系列的read_函數(shù)來(lái)讀取各種格式的文件，它們?nèi)缦滤荆?/p>
- read_csv
- read_table
- read_fwf
- read_clipboard
- read_excel
- read_hdf
- read_html
- read_json
- read_msgpack
- read_pickle
- read_sas
- read_sql
- read_stata
- read_feather
讀取Excel文件
注：要讀取Excel文件，還需要安裝另外一個(gè)庫(kù)：xlrd
通過(guò)pip可以這樣完成安裝：
sudo pip3 install xlrd
安裝完之后可以通過(guò)pip查看這個(gè)庫(kù)的信息：
$ pip3 show xlrd Name: xlrd Version: 1.1.0 Summary: Library for developers to extract data from Microsoft Excel (tm) spreadsheet files Home-page: http://www.python-excel.org/ Author: John Machin Author-email: sjmachin@lexicon.net License: BSD Location: /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages Requires:
接下來(lái)我們看一個(gè)讀取Excel的簡(jiǎn)單的例子：
# file_operation.py
import pandas as pd
import numpy as np
df1 = pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1))
這個(gè)Excel的內(nèi)容如下：
df1: C Mon 0 D Tue 1 E Wed 2 F Thu 3 G Fri 4 A Sat 5 B Sun
注：本文的代碼和數(shù)據(jù)文件可以通過(guò)文章開(kāi)頭提到的Github倉(cāng)庫(kù)獲取。
讀取CSV文件
下面，我們?cè)賮?lái)看讀取CSV文件的例子。
第一個(gè)CSV文件內(nèi)容如下：
$ cat test1.csv C,Mon D,Tue E,Wed F,Thu G,Fri A,Sat
讀取的方式也很簡(jiǎn)單：
# file_operation.py
df2 = pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))
我們?cè)賮?lái)看第2個(gè)例子，這個(gè)文件的內(nèi)容如下：
$ cat test2.csv C|Mon D|Tue E|Wed F|Thu G|Fri A|Sat
嚴(yán)格的來(lái)說(shuō)，這并不是一個(gè)CSV文件了，因?yàn)樗臄?shù)據(jù)并不是通過(guò)逗號(hào)分隔的。在這種情況下，我們可以通過(guò)指定分隔符的方式來(lái)讀取這個(gè)文件，像這樣：
# file_operation.py
df3 = pd.read_csv("data/test2.csv", sep="|")
print("df3:\n{}\n".format(df3))
實(shí)際上，read_csv支持非常多的參數(shù)用來(lái)調(diào)整讀取的參數(shù)，如下表所示：
| 參數(shù) | 說(shuō)明 |
|---|---|
| path | 文件路徑 |
| sep或者delimiter | 字段分隔符 |
| header | 列名的行數(shù)，默認(rèn)是0（第一行） |
| index_col | 列號(hào)或名稱(chēng)用作結(jié)果中的行索引 |
| names | 結(jié)果的列名稱(chēng)列表 |
| skiprows | 從起始位置跳過(guò)的行數(shù) |
| na_values | 代替NA的值序列 |
| comment | 以行結(jié)尾分隔注釋的字符 |
| parse_dates | 嘗試將數(shù)據(jù)解析為datetime。默認(rèn)為False |
| keep_date_col | 如果將列連接到解析日期，保留連接的列。默認(rèn)為False。 |
| converters | 列的轉(zhuǎn)換器 |
| dayfirst | 當(dāng)解析可以造成歧義的日期時(shí)，以?xún)?nèi)部形式存儲(chǔ)。默認(rèn)為False |
| data_parser | 用來(lái)解析日期的函數(shù) |
| nrows | 從文件開(kāi)始讀取的行數(shù) |
| iterator | 返回一個(gè)TextParser對(duì)象，用于讀取部分內(nèi)容 |
| chunksize | 指定讀取塊的大小 |
| skip_footer | 文件末尾需要忽略的行數(shù) |
| verbose | 輸出各種解析輸出的信息 |
| encoding | 文件編碼 |
| squeeze | 如果解析的數(shù)據(jù)只包含一列，則返回一個(gè)Series |
| thousands | 千數(shù)量的分隔符 |
詳細(xì)的read_csv函數(shù)說(shuō)明請(qǐng)參見(jiàn)這里：pandas.read_csv
處理無(wú)效值
現(xiàn)實(shí)世界并非完美，我們讀取到的數(shù)據(jù)常常會(huì)帶有一些無(wú)效值。如果沒(méi)有處理好這些無(wú)效值，將對(duì)程序造成很大的干擾。
對(duì)待無(wú)效值，主要有兩種處理方法：直接忽略這些無(wú)效值；或者將無(wú)效值替換成有效值。
下面我先創(chuàng)建一個(gè)包含無(wú)效值的數(shù)據(jù)結(jié)構(gòu)。然后通過(guò)pandas.isna函數(shù)來(lái)確認(rèn)哪些值是無(wú)效的：
# process_na.py
import pandas as pd
import numpy as np
df = pd.DataFrame([[1.0, np.nan, 3.0, 4.0],
[5.0, np.nan, np.nan, 8.0],
[9.0, np.nan, np.nan, 12.0],
[13.0, np.nan, 15.0, 16.0]])
print("df:\n{}\n".format(df));
print("df:\n{}\n".format(pd.isna(df)));****
這段代碼輸出如下：
df: 0 1 2 3 0 1.0 NaN 3.0 4.0 1 5.0 NaN NaN 8.0 2 9.0 NaN NaN 12.0 3 13.0 NaN 15.0 16.0 df: 0 1 2 3 0 False True False False 1 False True True False 2 False True True False 3 False True False False
忽略無(wú)效值
我們可以通過(guò)pandas.DataFrame.dropna函數(shù)拋棄無(wú)效值：
# process_na.py
print("df.dropna():\n{}\n".format(df.dropna()));
注：dropna默認(rèn)不會(huì)改變?cè)鹊臄?shù)據(jù)結(jié)構(gòu)，而是返回了一個(gè)新的數(shù)據(jù)結(jié)構(gòu)。如果想要直接更改數(shù)據(jù)本身，可以在調(diào)用這個(gè)函數(shù)的時(shí)候傳遞參數(shù) inplace = True。
對(duì)于原先的結(jié)構(gòu)，當(dāng)無(wú)效值全部被拋棄之后，將不再是一個(gè)有效的DataFrame，因此這行代碼輸出如下：
df.dropna(): Empty DataFrame Columns: [0, 1, 2, 3] Index: []
我們也可以選擇拋棄整列都是無(wú)效值的那一列：
# process_na.py
print("df.dropna(axis=1, how='all'):\n{}\n".format(df.dropna(axis=1, how='all')));
注：axis=1表示列的軸。how可以取值'any'或者'all'，默認(rèn)是前者。
這行代碼輸出如下：
df.dropna(axis=1, how='all'): 0 2 3 0 1.0 3.0 4.0 1 5.0 NaN 8.0 2 9.0 NaN 12.0 3 13.0 15.0 16.0
替換無(wú)效值
我們也可以通過(guò)fillna函數(shù)將無(wú)效值替換成為有效值。像這樣：
# process_na.py
print("df.fillna(1):\n{}\n".format(df.fillna(1)));
這段代碼輸出如下：
df.fillna(1): 0 1 2 3 0 1.0 1.0 3.0 4.0 1 5.0 1.0 1.0 8.0 2 9.0 1.0 1.0 12.0 3 13.0 1.0 15.0 16.0
將無(wú)效值全部替換成同樣的數(shù)據(jù)可能意義不大，因此我們可以指定不同的數(shù)據(jù)來(lái)進(jìn)行填充。為了便于操作，在填充之前，我們可以先通過(guò)rename方法修改行和列的名稱(chēng)：
# process_na.py
df.rename(index={0: 'index1', 1: 'index2', 2: 'index3', 3: 'index4'},
columns={0: 'col1', 1: 'col2', 2: 'col3', 3: 'col4'},
inplace=True);
df.fillna(value={'col2': 2}, inplace=True)
df.fillna(value={'col3': 7}, inplace=True)
print("df:\n{}\n".format(df));
這段代碼輸出如下：
df: col1 col2 col3 col4 index1 1.0 2.0 3.0 4.0 index2 5.0 2.0 7.0 8.0 index3 9.0 2.0 7.0 12.0 index4 13.0 2.0 15.0 16.0
處理字符串
數(shù)據(jù)中常常牽涉到字符串的處理，接下來(lái)我們就看看pandas對(duì)于字符串操作。
Series的str字段包含了一系列的函數(shù)用來(lái)處理字符串。并且，這些函數(shù)會(huì)自動(dòng)處理無(wú)效值。
下面是一些實(shí)例，在第一組數(shù)據(jù)中，我們故意設(shè)置了一些包含空格字符串：
# process_string.py
import pandas as pd
s1 = pd.Series([' 1', '2 ', ' 3 ', '4', '5']);
print("s1.str.rstrip():\n{}\n".format(s1.str.lstrip()))
print("s1.str.strip():\n{}\n".format(s1.str.strip()))
print("s1.str.isdigit():\n{}\n".format(s1.str.isdigit()))
在這個(gè)實(shí)例中我們看到了對(duì)于字符串strip的處理以及判斷字符串本身是否是數(shù)字，這段代碼輸出如下：
s1.str.rstrip(): 0 1 1 2 2 3 3 4 4 5 dtype: object s1.str.strip(): 0 1 1 2 2 3 3 4 4 5 dtype: object s1.str.isdigit(): 0 False 1 False 2 False 3 True 4 True dtype: bool
下面是另外一些示例，展示了對(duì)于字符串大寫(xiě)，小寫(xiě)以及字符串長(zhǎng)度的處理：
# process_string.py
s2 = pd.Series(['Stairway to Heaven', 'Eruption', 'Freebird',
'Comfortably Numb', 'All Along the Watchtower'])
print("s2.str.lower():\n{}\n".format(s2.str.lower()))
print("s2.str.upper():\n{}\n".format(s2.str.upper()))
print("s2.str.len():\n{}\n".format(s2.str.len()))
該段代碼輸出如下：
s2.str.lower(): 0 stairway to heaven 1 eruption 2 freebird 3 comfortably numb 4 all along the watchtower dtype: object s2.str.upper(): 0 STAIRWAY TO HEAVEN 1 ERUPTION 2 FREEBIRD 3 COMFORTABLY NUMB 4 ALL ALONG THE WATCHTOWER dtype: object s2.str.len(): 0 18 1 8 2 8 3 16 4 24 dtype: int64
總結(jié)
以上所述是小編給大家介紹的Python 數(shù)據(jù)處理庫(kù) pandas 入門(mén)教程基本操作，希望對(duì)大家有所幫助，如果大家有任何疑問(wèn)請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
相關(guān)文章
這篇文章主要介紹了Python3中map()、reduce()、filter()的用法詳解,本文通過(guò)示例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2022-08-08
這篇文章主要介紹了python兩種遍歷字典(dict)的方法比較,同時(shí)介紹了dict遍歷中帶括號(hào)與不帶括號(hào)的性能問(wèn)題,需要的朋友可以參考下2014-05-05
python opencv 實(shí)現(xiàn)讀取、顯示、寫(xiě)入圖像的方法
這篇文章主要介紹了python opencv 實(shí)現(xiàn)讀取、顯示、寫(xiě)入圖像的方法,本文通示例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-06-06
本文給大家介紹的是Python中的數(shù)據(jù)解析的集中方式，包括列表解析、字典解析、集合解析，并附上相關(guān)示例，有需要的小伙伴可以參考下。2015-05-05
使用Python制作一個(gè)簡(jiǎn)易的遠(yuǎn)控終端
這篇文章主要為大家詳細(xì)介紹了如何使用Python語(yǔ)言制作一個(gè)簡(jiǎn)易的遠(yuǎn)控終端，文中的示例代碼講解詳細(xì)，具有一定的學(xué)習(xí)價(jià)值，感興趣的可以了解一下2023-04-04
這篇文章主要介紹了Django中的靜態(tài)文件管理過(guò)程解析,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-08-08
這篇文章主要介紹了使用Python繪制空氣質(zhì)量日歷圖，文章基于Python繪制的相關(guān)知識(shí)展開(kāi)對(duì)空氣質(zhì)量日歷圖的繪制，感興趣的小伙伴可以參考一下2022-05-05
在Python的世界里,時(shí)間也很有個(gè)性,格式多種多樣、時(shí)區(qū)坑多如山、轉(zhuǎn)換容易讓人頭禿……但別擔(dān)心,今天我們就來(lái)聊聊Python中的時(shí)間與日期處理,讓你從時(shí)間小白變成時(shí)間大師,需要的朋友可以參考下2025-04-04
Python OpenCV視頻截取并保存實(shí)現(xiàn)代碼
這篇文章主要介紹了Python OpenCV視頻截取并保存實(shí)現(xiàn)代碼,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-11-11
微信小程序python用戶(hù)認(rèn)證的實(shí)現(xiàn)
這篇文章主要介紹了微信小程序python用戶(hù)認(rèn)證的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07