Pandas之入门

pandas入门

由于最近公司要求做数据分析，pandas每天必用，只能先跳过numpy的学习，先学习大Pandas库

Pandas是基于Numpy构建的，让以Numpy为中心的应用变得更加简单

pandas的数据结构介绍

• Series
  • 由一组数据以及一组数据标签即索引组成

  import pandas as pd
  from pandas import Series,DataFrame
  
  obj = Series([4,7,-5,3])
  # 索引在左边，值在右边，默认从0开始
  obj
  0    4
  1    7
  2   -5
  3    3
  dtype: int64
  
  # 制定索引
  obj2 = Series([4,7,-5,3],index = [‘a‘,‘b‘,‘c‘,‘d‘])
  obj2
  a    4
  b    7
  c   -5
  d    3
  dtype: int64
  # 查看索引
  obj2.index
  Index([‘a‘, ‘b‘, ‘c‘, ‘d‘], dtype=‘object‘)
  
  # 查询
  obj2[[‘a‘,‘b‘,‘c‘]]
  a    4
  b    7
  c   -5
  dtype: int64
  
  obj2[obj2>0]
  a    4
  b    7
  d    3
  dtype: int64

  • 还可以直接看成一个关系型字典

  sdata = {‘ke‘:35000,‘text‘:70000,‘orgen‘:16000}
  obj3 = Series(sdata)
  obj3
  
  ke       35000
  text     70000
  orgen    16000
  dtype: int64
  
  keys = [‘ke‘,‘text‘,‘orgen‘,‘xu‘]
  obj4 = Series(sdata, index=keys)
  obj4
  ke       35000.0
  text     70000.0
  orgen    16000.0
  xu           NaN
  dtype: float64

  • 检测缺失值的重要两个函数 isnull和notnull

  obj4[obj4.isnull()]
  xu   NaN
  dtype: float64
  
  obj4[obj4.notnull()]
  ke       35000.0
  text     70000.0
  orgen    16000.0
  dtype: float64

  • Series本身和索引都有一个name属性

  # 可以理解成对象名称
  obj4.name = ‘pop‘
  # 对象的索引的名称
  obj4.index.name = ‘state‘
  obj4
  
  state
  ke       35000.0
  text     70000.0
  orgen    16000.0
  xu           NaN
  Name: pop, dtype: float64
  
  # Series的索引可以就地修改
  obj4.index = [‘new_ke‘,‘new_text‘,‘new_orgen‘,‘new_xu‘]
  new_ke       35000.0
  new_text     70000.0
  new_orgen    16000.0
  new_xu           NaN
  Name: pop, dtype: float64

• DataFrame
  • DataFrame是一个表格型数据结构,最常用的是直接传入一个由等长列表或者是Numpy数组组成的字典

  data = {‘state‘:[‘oh‘,‘oh‘,‘vad‘,‘vad‘],
          ‘yead‘:[2000,2001,2002,2003],
          ‘pop‘:[1.5,1.7,3.6,2.4]
      }
  
  frame = DataFrame(data)
  # 自动有序排列
      yead    state   pop
  0   2000    oh  1.5
  1   2001    oh  1.7
  2   2002    vad 3.6
  3   2003    vad 2.4
  
  # 如果传入的列在数据中找不到，就产生NaN
  DataFrame(data,columns=[‘yar‘,‘yead‘])
      yar yead
  0   NaN 2000
  1   NaN 2001
  2   NaN 2002
  3   NaN 2003

原文地址：https://www.cnblogs.com/lishi-jie/p/9874102.html