Pandas总结第一节 Pandas 简介与Series,DataFrame的创建
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Pandas总结第一节 Pandas 简介与Series,DataFrame的创建相关的知识,希望对你有一定的参考价值。
一、Pandas 简介
Pandas是使用Python语言开发的用于数据处理和数据分析的第三方库。它擅长处理数字型数据和时间序列数据,当然文本型的数据也能轻松处理。 Pandas 可以处理的数据格式非常多,常见的数据文件格式都可以快速导入,比如 CSV、JSON、SQL、Microsoft Excel 导入数据。 由于Pandas对数据的强大处理能力,被广泛的应用于金融,数据处理等方面,是大家学习数据处理时,不可避免的存在;如果想要学好数据处理,就一起来学习Pandas吧!!! 总结:Pandas 在数据处理方面很强大!封装了我们常用的功能,直接调用相关的函数即可,省去了我们很多工作,让我们一起好好学习Pandas吧!
二、Pandas 数据结构
Pandas 的主要数据结构有两种,分别是: Series (一维数据)与 DataFrame(二维数据);所以后面的内容也是围绕着这两部门展开的;
2.1 Series (一维数据)
似于一维数组的对象,它由一组数据(各种Numpy数据类型)以及一组与之相关的数据标签(即索引)组成。即:Series 与Numpy 数组基本是一样的,只不过多了数据标签(索引);
Series 格式: pandas.Series( data, index, dtype, name, copy)
参数说明:
参数 | 解释说明 |
---|---|
data | 一组数据(ndarray 类型) ,即Numpy数据; |
index | 数据索引标签,如果不指定,默认从 0 开始。 |
dtype | 数据类型,默认会自己判断。 |
name | 设置名称。(不常用) |
copy | 拷贝数据,默认为 False。(不常用) |
Series 举例:
import pandas as pd
a = [x,y,z]
b = [1,2,3]
mynum1 = pd.Series(b)
print(mynum1)
# 0 1
# 1 2
# 2 3
mynum2 = pd.Series(b,index=a)
print(mynum2)
# x 1
# y 2
# z 3
# dtype: int64
mynum3 = pd.Series(b,index=a,dtype=float)
print(mynum3)
# x 1.0
# y 2.0
# z 3.0
# dtype: float64
2.2 DataFrame(二维数据)
类似于二维数组的对象,是一个表格型的数据结构,它含有一组有序的列,每列可以是不同的值类型(数值、字符串、布尔型值)。DataFrame 既有行索引也有列索引;可以当作是许多个共用同一个索引的Series组成的数据结构;DataFrame 图解如下:
上图所表示的就是一个由n 个Series组成的DataFrame; 所有的Series 共享同一个Index ;
DataFrame 格式:pandas.DataFrame( data, index, columns, dtype, copy)
参数说明:
参数 | 解释说明 |
---|---|
data | 一组数据(ndarray 类型) ,即Numpy数据; |
index | 数据索引标签,也可称为行标签 |
columns | 数据列标签,如果不指定,默认从 0 开始。也可称为列标签。 |
dtype | 数据类型,默认会自己判断。 |
copy | 拷贝数据,默认为 False。(不常用) |
三、Series 的创建
3.1 由数创建
不指定Index的时候,用单个数值只能创建一个元素的Series;
mySer = pd.Series(2)
print(mySer)
# 0 2
# dtype: int64
通过指定Index 可以生成多个相同元素的Series,举例如下:
mySer = pd.Series(2,index=range(3))
print(mySer)
# 0 2
# 1 2
# 2 2
# dtype: int64
3.2 由列表创建
当不指定Index的时候,会默认生成RangeIndex(start=0, stop=n-1, step=1)
的Index; 举例如下:
lis = [3,4,5]
mySer = pd.Series(lis)
print(mySer)
# 0 3
# 1 4
# 2 5
# dtype: int64
print(mySer.index)
# RangeIndex(start=0, stop=3, step=1)
print(mySer.values)
# [3 4 5]
也可以指定Index, 举例如下:
lis = [3,4,5]
ind = ["马里奥","路易吉","林克"]
mySer = pd.Series(lis,index=ind)
print(mySer)
# 马里奥 3
# 路易吉 4
# 林克 5
# dtype: int64
print(mySer.index)
# Index([马里奥, 路易吉, 林克], dtype=object)
print(mySer.values)
# [3 4 5]
3.3 由字典创建
dic = 马里奥:3,路易吉:4,林克:5
mySer = pd.Series(dic)
print(mySer)
# 马里奥 3
# 路易吉 4
# 林克 5
# dtype: int64
print(mySer.index)
# Index([马里奥, 路易吉, 林克], dtype=object)
print(mySer.values)
# [3 4 5]
3.4 由Numpy数组创建
array = np.array([0, 1, 2, 3])
mySer = pd.Series(array)
print(mySer)
# 0 0
# 1 1
# 2 2
# 3 3
# dtype: int32
print(mySer.index)
# RangeIndex(start=0, stop=4, step=1)
print(mySer.values)
# [0 1 2 3]
四、DataFreme 的创建
由字典创建
dict1 = 马里奥:[2,3,4],路易吉:[5,6,7],林克:[8,9,0]
df = pd.DataFrame(dict1,index=["英雄%s"%i for i in range(1,4)])
print(df)
# 马里奥 路易吉 林克
# 英雄1 2 5 8
# 英雄2 3 6 9
# 英雄3 4 7 0
由Series创建
ser1 = pd.Series(np.arange(0,5,1))
ser2 = pd.Series(np.arange(5,10,1))
df = pd.DataFrame(A:ser1,B:ser2)
print(df)
# A B
# 0 0 5
# 1 1 6
# 2 2 7
# 3 3 8
# 4 4 9
由二维数组创建
arr = np.arange(9).reshape(3,3)
df = pd.DataFrame(arr,columns=[A,B,C],index=[IN1,IN2,IN3])
print(df)
# A B C
# IN1 0 1 2
# IN2 3 4 5
# IN3 6 7 8
由列表创建
lis1=[1,2,3]
lis2=[2,3,4]
df = pd.DataFrame(A:lis1,B:lis2,index=[IN1,IN2,IN3])
print(df)
# A B
# IN1 1 2
# IN2 2 3
# IN3 3 4
以上是关于Pandas总结第一节 Pandas 简介与Series,DataFrame的创建的主要内容,如果未能解决你的问题,请参考以下文章
(数据分析三板斧)第二斧Pandas-第一节:Pandas了解