| 编辑推荐: |
| 本文来自于网络,文章主要介绍了Pands数据结构，并对Series和DataFrame进行了详细阐述。 |
|
Pandas是什么？
1、一个强大的分析 结构化数据 的工具集
2、基础是NumPy，提供了 高性能矩阵 的运算
3、应用在数学挖掘，数据分析。比如，学生成绩分析，股票数据分析等
4、提供数据清洗功能
Pands数据结构，主要分为两种，Series和DataFrame
Series
1、类似一维数组的对象
2、通过list构建Series
ser_obj = pd.Series(rang(10))
3、由数据和索引组成
索引在左，数据在右
索引是自动创建的
4、获取数据和索引
ser_obj.index
ser_obj.values |
5、预览数据(取前几个)
ser_obj.head(n)
6、通过索引获取数据
7、索引与数据的对应关系仍保持在数组运算的结果中（过滤series中的数据）
| print(ser_obj[ser_obj
> 15]) |
8、通过dict构建Series
year_data =
{2001: 17.8, 2002: 20.1, 2003: 16.5}
ser_obj2 = pd.Series(year_data)
print(ser_obj2.head())
print(ser_obj2.index)
ser_obj2.name = 'temp'
#指定name名称（相当于表头）
ser_obj2.index.name = 'year'
print(ser_obj2.head())
=================================
2001 17.8
2002 20.1
2003 16.5
dtype: float64
Int64Index([2001, 2002, 2003], dtype='int64')
year
2001 17.8
2002 20.1
2003 16.5
Name: temp, dtype: float64 |
DataFrame
1、类似多维数组/表格数据
2、每列数据可以是不同的类型
3、索引包括行索引和列索引 
import numpy
as np
# 通过ndarray构建DataFrame
array = np.random.randn(5,4)
print(array)
df_obj = pd.DataFrame(array)
print(df_obj)
# 通过dict构建DataFrame
dict_data = {'A': 1.,
'B': pd.Timestamp('20161217'),
'C': pd.Series(1, index=list(range(4)),dtype='float32'),
'D': np.array([3] * 4,dtype='int32'),
'E' : pd.Categorical(["Python","Java","C++","C#"]),
'F' : 'ChinaHadoop' }
#print dict_data
df_obj2 = pd.DataFrame(dict_data)
print(df_obj2.head())
# 通过列索引获取列数据(dataFrame优先通过列索引访问数据)
print(df_obj2['A'])
#通过索引访问数据
print(df_obj2.values[2])
#每列都是一个series
print(type(df_obj2['A']))
#通过对象属性访问
print(df_obj2.A)
# 增加列，类似dict添加key-value
df_obj2['G'] = df_obj2['D'] + 4
print(df_obj2.head())
# 删除列
del(df_obj2['G'] )
print(df_obj2.head()) |
Index 索引对象
1、Series和DataFrame中的索引都是Index对象
2、Index具有不可变性（immutable），即Series和DataFrame中的value可以改变，但是索引不可变，保证了数据的安全
3、常见的Index种类
Index Int64Index MultiIndex(层级索引) DatatimeIndex(时间戳类型)
print(type(ser_obj.index))
print(type(df_obj2.index))
print(df_obj2.index)
=====================================
<class 'pandas.core.indexes.range.RangeIndex'>
<class 'pandas.core.indexes.numeric.Int64Index'>
Int64Index([0, 1, 2, 3], dtype='int64') |
Series数据操作
import pandas
as pd
#index,指定索引名称
ser_obj = pd.Series(range(5), index = ['a', 'b',
'c', 'd', 'e'])
print(ser_obj.head())
# 通过索引取值 ser_obj['label'],ser_obj[pos]
print(ser_obj['a']) //通过索引名取值
print(ser_obj[0]) //通过位置索引取值
# 切片索引
print(ser_obj[1:3]) // 前开后闭，即，取到两个值
print(ser_obj['b':'d']) //前闭后闭，即，取到三个值
# 不连续索引
print(ser_obj[[0, 2, 4]]) // 内部是list
print(ser_obj[['a', 'e']]) //内部是list
# 布尔索引
ser_bool = ser_obj > 2
print(ser_bool)
print(ser_obj[ser_bool])
print(ser_obj[ser_obj > 2]) |
DataFrame数据操作
import numpy
as np
# colmns 指定列名
df_obj = pd.DataFrame(np.random.randn(5,4), columns
= ['a', 'b', 'c', 'd'])
print(df_obj.head())
# 列索引
print('列索引')
print(df_obj['a']) # 返回Series类型
print(type(df_obj)) # 返回DataFrame类型
# 不连续索引
print('不连续索引')
print(df_obj[['a','c']]) # 返回第一列和第三列 |
索引操作总结
Pandas的索引操作可归纳为3种
.loc：标签索引（标签的切片索引是包含末尾位置的，上面的前闭后闭）
.iloc: 位置索引
.ix： 标签与位置混合索引
-------------先按标签索引尝试操作，然后再按照位置索引尝试操作
# 标签索引 loc
# Series
print(ser_obj['b':'d'])
print(ser_obj.loc['b':'d'])
# DataFrame
print(df_obj['a'])
print(df_obj.loc[0:2, 'a'])
# 整型位置索引 iloc
print(ser_obj[1:3])
print(ser_obj.iloc[1:3])
# DataFrame
第一个参数，表示的是第1行和第二行，第二个0表示的哪一列
print(df_obj.iloc[0:2, 0]) # 注意和df_obj.loc[0:2,
'a']的区别 |
运算与对齐
按索引对齐运算，没对齐的位置补NaN
s1 = pd.Series(range(10,
20), index = range(10))
s2 = pd.Series(range(20, 25), index = range(5))
# Series 对齐运算,Series按行索引对齐，没对齐的位置补NaN
print(s1 + s2)
==================================================
0 30.0
1 32.0
2 34.0
3 36.0
4 38.0
5 NaN
6 NaN
7 NaN
8 NaN
9 NaN
================================================
import numpy as np
df1 = pd.DataFrame(np.ones((2,2)), columns = ['a',
'b'])
df2 = pd.DataFrame(np.ones((3,3)), columns = ['a',
'b', 'c'])
# DataFrame对齐操作
print(df1 + df2)
=============================
a b c
0 2.0 2.0 NaN
1 2.0 2.0 NaN
2 NaN NaN NaN
================================
# 填充未对齐的数据进行运算
#使用add,sub,div,mul；同时通过fill_value指定填充值
s1.add(s2, fill_value = 1)
df1.sub(df2, fill_value = 2.)
# 填充NaN
s3 = s1 + s2
s3_filled = s3.fillna(-1)//把所有的NaN使用-1填充
df3 = df1 + df2
df3.fillna(100, inplace = True)//把所有的NaN使用100填充 |
函数应用
# Numpy ufunc
函数
df = pd.DataFrame(np.random.randn(5,4) - 1)
#求绝对值，作用于df中每个数据
print(np.abs(df))
# 使用apply应用行或列数据
#如果没有指定axis方向，默认按列，axis =0
print(df.apply(lambda x : x.max()))
# 指定轴方向
print(df.apply(lambda x : x.max(), axis=1))
# 使用applymap应用到每个数据
f2 = lambda x : '%.2f' % x
print(df.applymap(f2)) |
排序
s4 = pd.Series(range(10,
15), index = np.random.randint(5, size=5))
# 索引排序
s4.sort_index()
df4 = pd.DataFrame(np.random.randn(3, 4),
index=np.random.randint(3, size=3),
columns=np.random.randint(4, size=4))
df4.sort_index(axis=1)
# 按值排序 sort_values(by='label')
df4.sort_values(by=1) |
处理缺失数据
import numpy
as np
df_data = pd.DataFrame([np.random.randn(3), [1.,
np.nan, np.nan],
[4., np.nan, np.nan], [1., np.nan, 2.]])
df_data.head()
# isnull
df_data.isnull()
# dropna 丢弃缺失数据
df_data.dropna()
#df_data.dropna(axis=1)
# fillna 填充缺失数据
df_data.fillna(-100.) |
|
