Pandas介绍与安装-pandas基础数据结构-Series索引与切片

Pandas介绍与安装

Pandas是什么？
Pandas是基于Numpy的一种工具，提供了高性能矩阵的运算，该工具是为了解决数据分析任务而创建的。也是贯穿整个Python数据分析非常核心的工具。

Pandas安装
直接在dos命令行中pip install pandas 即可。

Pandas基础数据结构

Series介绍
Series是一种一维的数组型对象，它包含了一个值序列(values)，并且包含了数据标签，称为索引(index)。

Series创建
pd.Series(data=None,index=None,dtype=None,name=None,copy=False)
• data：创建数组的数据，可为array-like, dict, or scalar value
• index：指定索引
• dtype：数组数据类型
• name：数组名称
• copy：是否拷贝

data可为iterable, dict, or scalar value

代码如下：

import pandas as pd
import numpy as np
s1 = pd.Series([1,2,3,4,5])
# 一维
s1

索引默认为range(0,n) 可以通过index指定索引

代码如下：

# 是否可以指定索引
可以
s2 = pd.Series([1,2,3,4,5],index=list("abcde"))
s2
# 注意1：pandas里面索引是可重复的
s3 = pd.Series([1,2,3,4,5],index=list("aacde"))
s3
# 注意2：索引的个数与data的个数是否要一致？index与values的个数必须一致
# s4 = pd.Series([1,2,3,4,5],index=list("aabcde"))
# s4

data为dict
字典中的key为对应的index
字典中的value为对应的value值

代码如下：

dic = {"name":"steven","age":18,"gender":"male"}
s5 = pd.Series(dic)
s5
# 构建索引列表
dic2 = {"name":"steven","age":18,"gender":"male"}
index_li = ["class","name","gender"]
s6 = pd.Series(dic2,index=index_li)
# 以index指定的索引列表为主
s6

data为向量

s7 = pd.Series(np.random.randint(1,10,size=5))
s7

数据类型根据data自动调整，但是也可以通过dtype指定

# 创建时指定数据类型
s8 = pd.Series(np.random.randint(1,10,size=5),dtype="float")
s8
# 查看数据类型
s8.dtype
# 修改数据类型
s8.astype("int")

设置Series数组的名字：参数name

s9 = pd.Series(np.random.randint(1,10,size=5),name="Series_name")
# 数组的名字
s9
# 指定索引的名字
s9.index.name = "i"
s9

除此之外，Pandas可以使用Numpy的数组函数。
• s.dtype # 查看数据类型
• s.astype() # 修改数据类型
• s.head(n) # 预览数据前5条
• s.tail(n) # 预览数据后5条

s10 = pd.Series(np.random.randint(1,10,size=100))
s10
# 并不需要显示全部的数据，只需要通过前5行 或者 后5行 来看整体的数据结构
# s10.head(10)
# 默认只读取前5行 对应指定n
# s10.tail(10)
# 默认只读取末尾5行 对应指定n

但是如果需要显示所有数据，则需以下代码。但并不建议使用

#显示所有列
pd.set_option('display.max_columns', None)
#显示所有行
pd.set_option('display.max_rows', None)
#设置value的显示长度为100，默认为50
pd.set_option('max_colwidth',100)

pandas-Series的索引与值

• s.index # 查看索引
• s.values # 查看值序列
• s.reset_index(drop=False) # 重置索引
• drop # 是否删除原索引 默认为否

s1 = pd.Series(np.arange(1,5))
s1
s1.values
# 获取的数组的类型 ndarray
s1.index
# RangeIndex(start=0, stop=4, step=1)
s2 = pd.Series(np.arange(1,5),index=list("abcd"))
s2.index
# Index(['a', 'b', 'c', 'd'], dtype='object')
type(s2.index) # pandas.core.indexes.base.Index
s2
# 获取索引b
注意：不是s2["b"] 这样是取值的
s2.index[1]
# 是否可以修改单独的索引？
s2.index[1] = "e"
# 报错：注意：索引对象是不可变的，为了更安全

注意
• 索引对象是不可变的，所以不能单个修改索引

Series索引与切片

• s[‘标签’] # 通过标签
• s[‘索引’] # 通过索引
• s.loc(标签) # 通过标签
• s.iloc(索引) # 通过索引

s3 = pd.Series(np.arange(1,6),index=list("abbde"))
s3
# 取2
s3["b"]
# 标签
s3[1]
# 索引
s3.loc["b"]
# 通过标签
s3.iloc[1]
# 通过索引
# 查看 "a","d"
s3[["a","d"]]
# 通过标签
s3[[0,3]]
# 通过索引
# 查看 "a"-"d"
s3["a":"d"]
# 标签 切片 不是左闭右开 双闭合区间
s3[0:4]
# 索引
# 取大于3的值
布尔索引
s3[s3>3]
# pandas 会根据数据类型 自动的处理缺失数据
data = ["a","b",None]
pd.Series(data)
# object
data = [1,2,None]
pd.Series(data)
# np.nan 浮点类型
float64

Series运算
s1与s2有共同索引

共同索引对应位运算 其它填充为NaN

s1 = pd.Series(np.arange(10,20),index=range(10))
s2 = pd.Series(np.arange(20,25),index=range(5))
print(s1)
print(s2)
s1+s2

如果说两者之间不存在共同索引

全部为NaN

s3 = pd.Series(np.arange(5),index=range(5))
s4 = pd.Series(np.arange(5,10),index=range(5,10))
print(s3)
print(s4)
s3+s4

最后

以上就是狂野悟空为你收集整理的Pandas介绍与安装-pandas基础数据结构-Series索引与切片的全部内容，希望文章能够帮你解决Pandas介绍与安装-pandas基础数据结构-Series索引与切片所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。