pandas

Posted 2020-12-25 zsc329

pandas提供了

1.便于操作的数据类型

2.提供了很多分析函数和分析工具

import pandas as pd
d = pd.Series(range(20))
# print(d)
print(d.cumsum())

padas库的理解

两个数据类型：Series(一维),DataFrame（多维）

关注数据的应用表达，数据和索引之间的关系

 

series：理解为带标签数组

可以通过标量创建

s = pd.Series(5,index=[‘x‘,‘y‘,‘z‘])
print(s)

可以通过字典创建

s = pd.Series({‘x‘:1,‘y‘:2,‘z‘:3})
print(s)

s = pd.Series({‘x‘:1,‘y‘:2,‘z‘:3},index=[‘z‘,‘s‘,‘c‘,‘x‘,‘y‘])
print(s)

可以通过ndarrary创建

import pandas as pd
import numpy as np
b = pd.Series(np.arange(1,10))
print(b)

import pandas as pd
import numpy as np
b = pd.Series(np.arange(1,4),index=np.arange(9,4,-2))
print(b)

方法

.index   获得索引

.values 获得数据

import pandas as pd
import numpy as np
b = pd.Series(np.arange(1,4),index=np.arange(9,4,-2))
print(b.index)

由此可以得知Series类型就是index类型+ndarray类型

s = pd.Series({‘x‘:1,‘y‘:2,‘z‘:3},index=[‘z‘,‘s‘,‘c‘,‘x‘,‘y‘])
# print(s)
print(s[‘x‘])
print(s[0])  #此数可以得知数字索引是默认生产的
#两套索引可以并存但是不可以混用

可以使用ndarray的方法以及切片

s = pd.Series({‘x‘:1,‘y‘:2,‘z‘:3},index=[‘z‘,‘s‘,‘c‘,‘x‘,‘y‘])
print(s[s>s.median()])
print(np.exp(s))

print(s[:3])

可以使用字典中的in和.get方法

in判断的是：是不是索引的一部分

.get（a，b）若存在索引a返回值，不存在返回b

 

Series+Series:索引对应的值相加，索引自动对齐，如果索引只存在一个Series里相加得到的是NaN

a = pd.Series([1,2,3],[‘a‘,‘b‘,‘c‘])
b = pd.Series([4,5,6],[‘b‘,‘c‘,‘d‘])
c = a+b
print(c) 

#a    NaN
#b    6.0
#c    8.0
#d    NaN
#dtype: float64

属性：

a.name可以存贮在Series中

随时更改，即时生效