【pandas基础】 |
您所在的位置:网站首页 › series对象的使用类似于array › 【pandas基础】 |
pandas中用来承载数据的两个最重要的结构分别是: Series:相当于增强版的一维数组 DataFrame:相当于增强版的二维数组pandas最大的优势在于处理表格类数据,如果数据维度超过二维,一般我们会使用另一个 python的库 numpy。 本篇主要介绍这两种核心数据结构的创建方式。 1. Seriespandas的Series是一种带有标签索引的一维数据结构。 它可以表示任何一维带标签的数据,例如时间序列数据、运动员数据、股票价格等等。 pandas的Series由两个数组构成:一个是数据数组,它可以是numpy数组、列表、字典等;另一个是索引数组,它指定数据数组中每个元素的标签。 Series可以进行各种数学运算、逻辑运算和复制操作,可以轻松创建、操作和使用。 pandas的Series特别强大之处就是可以使用各种方法进行数据的操作、处理和分析,因此在数据分析、数据处理和科学计算方面非常有用。 常用的创建 Series有两种方式: 1.1 从列表创建 l = [78, 89, 95] s = pd.Series(l) s.head()
索引默认是从0开始的数字,也可以在创建时设置有意义的索引名称。 l = [78, 89, 95] s = pd.Series(l, index=["语文", "数学", "英语"]) s.head()
pandas的DataFrame是一个二维的数据结构,可以存储各种类型的数据,类似于Excel中的表格。 它由行和列组成,每一行和每一列都有一个索引值,可以通过索引值进行读写操作。 DataFrame支持许多操作,包括对数据的过滤、切片、排序、连接和聚合等。 它还可以从各种数据源(如CSV、SQL数据库和Excel)中读取数据,并将数据写入这些数据源。 在 pandas中,DataFrame可以使用字典、列表、Numpy数组、其他pandas数据框等构建。 DataFrame还有一些重要的属性和方法,例如head、tail、describe等,用于查看数据、统 计数据、随机抽样等。 除此之外,DataFrame还支持pandas中的许多高级操作,例如多重索引、透视表、重塑等。 这些功能使DataFrame成为数据分析中必不可少的工具。 2.1 从列表创建 l = [[78, 89, 95], [65, 84, 100]] df = pd.DataFrame(l) df.head()
上面的 data是三维数组,执行上面的代码会有如下的错误信息:
pandas的两种核心结构之间是可以互相转换的,可以将 Series理解为 DataFrame的一列。 3.1 Series 到 DataFrame对于一个 Series来说,可以理解成一列是索引,一列是数据。 将 Series转换为 DataFrame有多种方式,通过字典来中转是比较直观的一种方式。 d = {"语文": 78, "数学": 89, "英语": 95} s = pd.Series(d) s.head()
DataFrame转 Series更加简单,DataFrame的每一列都可以转成 Series。 l = [[78, 89, 95], [65, 84, 100]] df = pd.DataFrame(l, index=["小明", "小红"], columns=["语文", "数学", "英语"]) df.head() df["数学"]注意,DataFrame只有选择一列的时候才是一个 Series,如果选择多列的话,则还是一个 DataFrame。 print(type(df[["数学", "语文"]])) df[["数学", "语文"]]本篇主要介绍了pandas的两个核心数据结构 Series和 DataFrame。 首先介绍了它们各自的创建方式,即从普通的python数据结构创建 Series和 DataFrame的常用方式。 然后也介绍了它们之间常用的互相转换方法。 Series和 DataFrame的数据部分就是一维数组和二维数组,pandas不过是在数据部分之上封装了各种各样的管理和分析统计的函数。 然而正因为有了这些函数,才让pandas成为数据分析的一件利器。 本文关联的微信视频号短视频:
|
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |