综合服务平台一站式服务平台网站开发,分红网站建设,电子商务包括哪些专业,乐清网站推广公司Pandas 应用 Pandas 的主要数据结构是 Series #xff08;一维数据#xff09;与 DataFrame#xff08;二维数据#xff09;#xff0c;这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。 数据结构 Series 是一种类似于一维数组的对象#xf…Pandas 应用 Pandas 的主要数据结构是 Series 一维数据与 DataFrame二维数据这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。 数据结构 Series 是一种类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。 DataFrame 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它可以被看做由 Series 组成的字典共同用一个索引。 1、Pandas 数据结构 - Series Series 带标签的一维数组 pandas.Series( data, index, dtype, name, copy) 参数说明 data一组数据(ndarray 类型)。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。copy拷贝数据默认为 False。 如果没有指定索引索引值就从 0 开始 t pd.Series([4,5,6]) print(t) print(type(t)) # class pandas.core.series.Series print(t[1]) # 50 4 1 5 2 6 dtype: int64 class pandas.core.series.Series 5指定索引值修改数据类型 t2 pd.Series([2,4,6,8], indexlist(abcd)) print(t2) print(t2[c]) # 6 print(t2.astype(float)) print(t2[t25])a 2 b 4 c 6 d 8 dtype: int64 6 a 2.0 b 4.0 c 6.0 d 8.0 dtype: float64 c 6 d 8 dtype: int64使用 key/value 对象类似字典来创建 Series temp_dict {name: wang1, age: 18, tel: 10010}t3 pd.Series(temp_dict) print(t3) print(t3[age]) # 18 print(t3[1]) # 18 print(t3[:2]) print(t3[[1,2]]) print(t3[[name,tel]])name wang1 age 18 tel 10010 dtype: object 18 18 name wang1 age 18 dtype: object age 18 tel 10010 dtype: object name wang1 tel 10010 dtype: object获取 Series 的值、索引 print(t3.index) # Index([name, age, tel], dtypeobject) print(type(t3.index)) # class pandas.core.indexes.base.Indexprint(t3.values) # [wang1 18 10010] print(type(t3.values)) # class numpy.ndarray2、Pandas 数据结构 - DataFrame DataFrame 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它可以被看做由 Series 组成的字典共同用一个索引 DataFrame 构造方法如下 pandas.DataFrame( data, index, columns, dtype, copy) DataFrame 二维Series 容器 参数说明 data一组数据(ndarray、series, map, lists, dict 等类型)。index索引值或者可以称为行标签。columns列标签默认为 RangeIndex (0, 1, 2, …, n) 。dtype数据类型。copy拷贝数据默认为 False。 import pandas as pd import numpy as np t pd.DataFrame(np.arange(12).reshape(3,4)) print(t) 0 1 2 3 0 0 1 2 3 1 4 5 6 7 2 8 9 10 11DataFrame对象既有行索引又有列索引 行索引表明不同行横向索引叫index0轴axis0 列索引表明不同列纵向索引叫columns1轴axis1 2.1、index、columns 使用 t1 pd.DataFrame(np.arange(12).reshape(3,4), indexlist(abc), columnslist(wxyz)) print(t1) w x y z a 0 1 2 3 b 4 5 6 7 c 8 9 10 112.2、使用列表创建DataFrame缺失的值用 NaN 代替 data [[Google,10],[Runoob,12],[Wiki,13]] df pd.DataFrame(data,columns[Site,Age]) print(df) Site Age 0 Google 10 1 Runoob 12 2 Wiki 132.3、使用字典创建DataFrame缺失的值用 NaN 代替 data {Site:[Google, Runoob, Wiki], Age:[10, 12, 13]} df pd.DataFrame(data) print (df) Site Age 0 Google 10 1 Runoob 12 2 Wiki 13data [{a: 1, b: 2},{a: 5, b: 10, c: 20}] df pd.DataFrame(data) print (df) a b c 0 1 2 NaN 1 5 10 20.02.4、DataFrame基础属性 DataFrame.shape # 行数 列数 DataFrame.dtypes # 列数据类型 DataFrame.ndim # 数据维度 DataFrame.index # 行索引 DataFrame.columns # 列索引 DataFrame.values # 对象值DataFrame.head(3) # 显示头部几行默认5行 DataFrame.tail(3) # 显示末尾几行默认5行 DataFrame.info() # 相关信息概览行数列数列索引列非空值个数列类型内存占用 DataFrame.describe() # 快速综合统计结果计数均值标准差最大值四分位数最小值data [{a: 1, b: 2},{a: 5, b: 10, c: 20}] df pd.DataFrame(data) print(df) a b c 0 1 2 NaN 1 5 10 20.0print(df.index) # RangeIndex(start0, stop2, step1) print(df.columns) # Index([a, b, c], dtypeobject) print(df.values) # [[ 1. 2. nan] [ 5. 10. 20.]] print(df.shape) # (2, 3) print(df.ndim) # 数据维度 2 print(df.dtypes) # 列数据类型a int64 b int64 c float64 dtype: objectprint(**80) print(df.info())class pandas.core.frame.DataFrame RangeIndex: 2 entries, 0 to 1 Data columns (total 3 columns):# Column Non-Null Count Dtype --- ------ -------------- ----- 0 a 2 non-null int64 1 b 2 non-null int64 2 c 1 non-null float64 dtypes: float64(1), int64(2) memory usage: 176.0 bytes Noneprint(df.describe()) a b c count 2.000000 2.000000 1.0 mean 3.000000 6.000000 20.0 std 2.828427 5.656854 NaN min 1.000000 2.000000 20.0 25% 2.000000 4.000000 20.0 50% 3.000000 6.000000 20.0 75% 4.000000 8.000000 20.0 max 5.000000 10.000000 20.02.5、DataFrame 排序 data [{a: 1, b: 2},{a: 5, b: 10, c: 20}] df pd.DataFrame(data) print(df) a b c 0 1 2 NaN 1 5 10 20.0# ascendingTrue 升序 # ascendingFalse 降序 df df.sort_values(c, ascendingFalse) print(df) a b c 1 5 10 20.0 0 1 2 NaNhttps://www.runoob.com/pandas/pandas-series.html https://www.bilibili.com/video/BV1hx411d7jb?p23 https://www.bilibili.com/video/BV1hx411d7jb?p24 https://www.bilibili.com/video/BV1hx411d7jb?p25 https://www.bilibili.com/video/BV1hx411d7jb?p26