我是靠谱客的博主 帅气石头，这篇文章主要介绍Pandas基础复习-SeriesPandas(panel data & Data Analysis)：Python数据分析库。Pandas库的数据类型:Series类型的基本操作，现在分享给大家，希望可以做个参考。
Pandas(panel data & Data Analysis)：Python数据分析库。
Pandas是基于Numpy的，专用于数据分析的Python第三方库，最适用于处理大型结构化表格数据
Pandas最初是对冲基金公司开发出来做金融量化数据分析的Python库
Pandas借鉴了R的数据结构
Pandas基于Numpy搭建，支持Numpy中定义的大部分计算
Pandas提供了大量和其他技术交互的接口（比如IO工具 (CSV, XLSX, HDF5, …)，可视化（封装pyplot），方便和其他语言技术的交互和功能扩展
Pandas底层用Cython和C做了速度优化，极大提高了执行效率
Pandas库的数据类型:
- Series 一维
- DataFrame 二维，Series容器，最常用
- Panel 三维，DataFrame容器
Python的list列表,Numpy的ndarray数组和Pdandas的Series
- list：Python自带数据类型，功能简单，操作复杂，效率低
- ndarray(Numpy)：基础数据类型，关注数据结构/运算/维度(数据间关系)
- Series(DataFrame)：扩展数据类型，关注数据实际应用，数据与索引的关系
三种数据类型的区别
- list/Series/DataFrame的值类型可以不同，ndarray的值类型必须相同
- 从实用性、功能强弱和和可操作性比较：list < ndarray < Series(DataFrame)，实践中尽量使用Pandas数据类型。
复制代码
1
2
3
4
5
# 导入pandas库
import pandas as pd
# 创建Series数据类型
se = pd.Series([2, 4, 6, 8, 10])
se复制代码
1
2
3
4
5
6
7
8
9
10
11
120 2 1 4 2 6 3 8 4 10 dtype: int64
复制代码
1
2
3
4
5
6
# 创建DataFrame数据类型
da = pd.DataFrame([
[2, 4, 6, 8, 10],
[12, 14, 16, 18, 20]
])
da| 0 | 1 | 2 | 3 | 4 | |
|---|---|---|---|---|---|
| 0 | 2 | 4 | 6 | 8 | 10 |
| 1 | 12 | 14 | 16 | 18 | 20 |
Python list 列表 创建Series
复制代码
1
2
3
#默认索引
a = pd.Series([1,2,3,4])
a复制代码
1
2
3
4
5
6
7
8
9
100 1 1 2 2 3 3 4 dtype: int64
复制代码
1
2
b = pd.Series([1,2,3,4],index=['a','b','c','d']) #自定义索引
b复制代码
1
2
3
4
5
6
7
8
9
10a 1 b 2 c 3 d 4 dtype: int64
复制代码
1
2
s = pd.Series([True,1,2.3,'a','你好']) #数据类型
s复制代码
1
2
3
4
5
6
7
8
9
10
11
120 True 1 1 2 2.3 3 a 4 你好 dtype: object
标量值 创建Series
复制代码
1
2
3
# 必须带index
c = pd.Series(10, index=['a', 'b', 'c'])
c复制代码
1
2
3
4
5
6
7
8a 10 b 10 c 10 dtype: int64
复制代码
1
2
c_null = pd.Series(index=['a', 'b', 'c'])
c_null复制代码
1
2
3
4
5
6
7
8a NaN b NaN c NaN dtype: float64
复制代码
1
2
s = pd.Series([True,1,2.3,'a','你好'], index=['a', 'b', 'c', 'd', 'e'])
s复制代码
1
2
3
4
5
6
7
8
9
10
11
12a True b 1 c 2.3 d a e 你好 dtype: object
Python字典 创建Series
复制代码
1
2
d = pd.Series({'a':9,'b':8,'c':7})
d复制代码
1
2
3
4
5
6
7
8a 9 b 8 c 7 dtype: int64
ndarray 创建Series，索引和数据都可以通过ndarray类型生成
复制代码
1
2
3
import numpy as np
n = pd.Series(np.arange(5))
n复制代码
1
2
3
4
5
6
7
8
9
10
11
120 0 1 1 2 2 3 3 4 4 dtype: int32
复制代码
1
2
m = pd.Series(np.arange(5),index=np.arange(9,4,-1))
m复制代码
1
2
3
4
5
6
7
8
9
10
11
129 0 8 1 7 2 6 3 5 4 dtype: int32
其他函数 创建Series
复制代码
1
2
n = pd.Series(range(10))
n复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
220 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int32
Series类型的基本操作
index和value操作
复制代码
1
2
3
b = pd.Series([9, 8, 7, 6, 5, 4, 3],
['a', 'b', 'c', 'd', 'e', 'f', 'g'])
b复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16a 9 b 8 c 7 d 6 e 5 f 4 g 3 dtype: int64
复制代码
1
2
# 获得索引，输出index类型,就是pandas独有的索引类型
b.index复制代码
1
2Index(['a', 'b', 'c', 'd', 'e', 'f', 'g'], dtype='object')
复制代码
1
2
# 获得数据，输出类型为array,就是np的array数组
b.values复制代码
1
2array([9, 8, 7, 6, 5, 4, 3], dtype=int64)
引索
复制代码
1
2
# 按照引索名称取值
b['b']复制代码
1
28
复制代码
1
2
# 按照下标取值
b[1]复制代码
1
28
复制代码
1
2
# 直接按照key取值
b.b复制代码
1
28
复制代码
1
2
# 按照key值引索取值
b[['c','d','a']]复制代码
1
2
3
4
5
6
7
8c 7 d 6 a 9 dtype: int64
复制代码
1
2
# 错误，两套索引并存,但不能混用
b[['c','d',0]]复制代码
1
2
3
4
5
6
7
8c 7.0 d 6.0 0 NaN dtype: float64
切片
复制代码
1
2
# 按照下标切片
b[1:]复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14b 8 c 7 d 6 e 5 f 4 g 3 dtype: int64
复制代码
1
b[: 3]复制代码
1
2
3
4
5
6
7
8a 9 b 8 c 7 dtype: int64
复制代码
1
2
# 按照key引索切片
b[: 'd']复制代码
1
2
3
4
5
6
7
8
9
10a 9 b 8 c 7 d 6 dtype: int64
复制代码
1
b[::2]复制代码
1
2
3
4
5
6
7
8
9
10a 9 c 7 e 5 g 3 dtype: int64
复制代码
1
2
# 从头到尾反向切片，步长为-1，即最简单的列表倒序
b[::-1]复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16g 3 f 4 e 5 d 6 c 7 b 8 a 9 dtype: int64
类ndarray操作
- 索引方法相同,都有[]
- numpy中的运算和操作可用于Series类型
- 可以通过自定义索引的列表进行切片
- 可以通过自动索引进行切片,如果存在自定义索引,则一同被切片
复制代码
1
b[3] # 第3个值,结果是索引的值复制代码
1
26
复制代码
1
b[:3] #0-3,结果还是Series类型复制代码
1
2
3
4
5
6
7
8a 9 b 8 c 7 dtype: int64
复制代码
1
b[b > b.median()] #所有大于中位数的值复制代码
1
2
3
4
5
6
7
8a 9 b 8 c 7 dtype: int64
* 类python字典的操作 *
- 通过自定义索引访问
- 保留字in操作
- 使用.get()方法
复制代码
1
b['b']复制代码
1
28
复制代码
1
'c' in b # 判断此键在不在b的索引中复制代码
1
2True
复制代码
1
0 in b #in 不会判断自动索引复制代码
1
2False
复制代码
1
b.get('f',100) #从b中提取索引f的值,如果存在就取出,不存在就用 100 代替复制代码
1
24
根据索引对齐操作
series + series
复制代码
1
2
a = pd.Series([1,2,3],['c','d','e'])
b = pd.Series([9,8,7,6],['a','b','c','d'])复制代码
1
a + b #结果为两个值的并集,相加时索引对齐加值,索引不对齐的没值,加完也没值复制代码
1
2
3
4
5
6
7
8
9
10
11
12a NaN b NaN c 8.0 d 8.0 e NaN dtype: float64
- Series类型在运算中会自动对齐不同索引的数据
- ndarray基于维度运算,series基于索引运算,更精确不易出错
Series类型的name属性
Series对象和索引都可以起一个名字,存储在属性.name中
复制代码
1
b = pd.Series([9,8,7,6],['a','b','c','d'])复制代码
1
print(b.name) # 默认没有复制代码
1
2None
复制代码
1
2
b.name = 'Series对象' # 对象命名
print(b.name)复制代码
1
2Series对象
复制代码
1
2
b.index.name = '索引列' # 索引命名
b复制代码
1
2
3
4
5
6
7
8
9
10
11索引列 a 9 b 8 c 7 d 6 Name: Series对象, dtype: int64
Series类型的修改
Series对象可以随时修改并立即生效
复制代码
1b
复制代码
1
2
3
4
5
6
7
8
9
10
11索引列 a 9 b 8 c 7 d 6 Name: Series对象, dtype: int64
复制代码
1
2
b['a'] = 15
b复制代码
1
2
3
4
5
6
7
8
9
10
11索引列 a 15 b 8 c 7 d 6 Name: Series对象, dtype: int64
复制代码
1
2
b.name = 'Series'
b复制代码
1
2
3
4
5
6
7
8
9
10
11索引列 a 15 b 8 c 7 d 6 Name: Series, dtype: int64
复制代码
1
2
3
b.name = 'new series'
b['b','c'] = 20 # b[['b','c']] = 20
b复制代码
1
2
3
4
5
6
7
8
9
10
11索引列 a 15 b 20 c 20 d 6 Name: new series, dtype: int64
最后
以上就是帅气石头最近收集整理的关于Pandas基础复习-SeriesPandas(panel data & Data Analysis)：Python数据分析库。Pandas库的数据类型:Series类型的基本操作的全部内容，更多相关Pandas基础复习-SeriesPandas(panel内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
![[Python] 练习代码](/uploads/reation/bcimg2.png)
发表评论 取消回复