笔记
目的：
掌握python的数据选择提取与切片方法
了解python的数据拼接与合并
掌握python的数据算数运算与比较运算
掌握python的数据统计分析运算
掌握python的数据排序与排名方法
目录
一、数据选择
1.Numpy数据选择
（1）一维数组
关于Numpy数组的索引和切片操作的总结如下表
| 语法格式 | 含义 |
| a[m] | 选择下标m处的元素，其中m为整数(从0开始计数) |
| a[-m] | 从列表末尾选择第m个元素，其中m是整数。列表中的最后一个元素地址为-1，倒数第二个元素地址为-2，依此类推 |
| a[m:n] | 选择索引从m开始，以n-1结束的元素(m和n都是整数) |
| a[:] or a[0:-1] | 选择给定轴中的所有元素 |
| a[:n] | 选择从索引0开始一直到索引n-1(整数)的元素 |
| a[m] or a[m:-1] | 选择从下标m(整数)开始一直到数组中最后一个元素 |
| a[m:n:p] | 选择索引为m到n的元素，增量为p。 |
| a[::-1] | 将数组所有元素逆置 |
（2）多维数组
二维数组的索引格式是[a:b,m:n],逗号前选择行，逗号后选择列。而在选择行和列的时候可以传入列表，或者使用冒号来进行切片索引。
关键技术:
二维数组索引语法总结如下
[对行进行切片,对列的切片]
对行的切片:可以有start:stop:step
对列的切片:可以有start:stop:step
[例]请使用Python对如下的二维数组进行提取，选择第一行第二列的数据元素并输出。
import numpy as np
arr=np.array([1,2,3],[2,4,6])
print(arr[0,1])[例]请使用Python对如下的二维数组进行提取，选择第一行的数据元素并输出
关键技术:多维数组中对行的选择，使用[]运算符只对行号选择即可
import numpy as np
arr=np.array([1,2,3],[2,4,6])
print(arr[0])[例]请使用Python对如下的二维数组进行提取，选择第一列的数据元素并输出关键技术:多维数组中对列的选择，可以使用I运算符、冒号运算符和逗号运算符其中冒号运算符对行号选择，间隔逗号后再对列号选择即可:
import numpy as np
arr=np.array([1,2,3],[2,4,6])
print(arr[:,0])（3）布尔值索引与花式索引
1.布尔索引
我们可以通过一个布尔数组来索引目标数组，以此找出与布尔数组中值为True的对应的目标数组中的数据。需要注意的是，布尔数组的长度必须与目标数组对应的轴的长度一致。
[例]一维数组的布尔索引。
关键技术:假设我们有一个长度为7的字符串数组，然后对这个字符串数组进行逻辑运算，进而把元素的结果(布尔数组)作为索引的条件传递给目标数组。
import numpy as np
arr=np.arange(7)
boolingl=np.array([True, False, False, True, True, False, False)
arr[booling1][例]二维数组的布尔索引。
关键技术:布尔数组中，下标为0,3,4的位置是True，因此将会取出目标数组中第0,3,4行。
import numpy as np
arr=np.arange(28).reshape((7,4))
boolingl=np.array([True, False, False, True, True, False, False])
arr[boolingl]2.花式索引
[例]找出数组arr中大于15的元素。关键技术:与上面的例子不一样，这个例子返回的结果是一个一维数组。
arr[arr>15][例]根据上面的例子引申，把上述数组中，小于或等于15的数归零
关键技术:该例类似于数据清洗，那么可以通过下面的方式。可以采用arr<=15得到的布尔值作为索引，将小于或者等于15的数归零。
arr[arr<=15]=02.Pandas数据选择
（1）Series数据获取
| 写法 | 含义 |
| 变量名[index] | index对应的值 |
| 变量名[[index1,index2,index3,...]] | 依次提取对应行的值 |
| 变量名[下限:上限:步长] | 在下限的基础上，取出步长的行，并遇到上限就截止 |
[例]行索引的探索
import pandas as pd
s = pd.Series(data=[1，2,3，4，5，6],
index=['a','b','a','a','a','c'])
print(s[['b','c']])
print(s['b':'c'])
print(s['b':'c':2])
（2）DataFrame数据获取
列索引取值
使用单个值或序列，可以从DataFrame中索引出一个或多个列DataFrame()数据结构，这里用 df 代表pd.DataFrame(数据)如下表所示
| 输入 | 输出 |
| df.列名 | 取出单列，输出格式为Series |
| df[列名] | 取出单列，输出格式为Series |
| df[[列名]] | 取出单列，输出格式为DataFrame |
| df[[列名1,列名2,列名3, ......]] | 取出各个列对应的元素，输出格式为DataFrame |
[例]从DataFrame中抽取age列。
关键技术:列索引取值
import pandas as pd
df = pd. DataFrame(data=[[22,"北京","律师"],
[26,"四川成都","工程师"],[24,"江苏南京","研究员"]],index=["张某","李某","段某"],
columns=["age","籍贯","职业"])
df_age=df["age"]
df_age1=df.age
print(df_age,type(df_age))
print(df_age1,type(df_age1))[例]当我们转换成Series结构后，通过下标和值均可以相互获取。
关键技术:可以通过对应的下标或行索引来获取值，也可以通过值获取对应的索引对象以及索引值。
df_age = df["age"]
print(df_age[0])
print(df_age["张某"])
print(df_age[df_age.values==22].index)
print(df_age[df_age. values==22].index[0]) 行索引取值
[例]通过切片方式选取多行
关键技术:注意这里使用的是一个中括号，这里的2代表步长:[“张某”:“段某”:2}=[下界:上界:步长]。
print(df["张某":"段某"])
print(df["张某":"段某": 2])loc()方法
(1)直接使用法
| 一个参数 | df.loc[行索引] df.loc[ [index] ] df.loc[[行index1,行index2,行index3,......]] |
| 两个参数 | df.loc[row横_label, col纵_label] df.loc[[row横_label1,row横_label2,......],[col纵_label1，col纵_label2......]] |
注意:横向(行索引index) 是必备的
[例]使用loc()方法选取行
import pandas as pd
df = pd. DataFrame(data=[[22,"北京","律师"],
[26,"四川成都","工程师"],[24,"江苏南京","研究员"],
[11,"山东青岛","医生"]],index=pf.Index["张某","李某","段某","段某"],name="Name"
columns=["age","籍贯","职业"])
print(df.loe["张某"],type(df.loe["张某"]))
print(df.loe["段某"],type(df.loe["段某"]))
#下面两个输出的结果是相同的
df_s=df.loc["张某"]["age"]
df_sl=df.loc["张某","age"]
#选取多行的语法为：变量名.loc[[行index1,行index2,......]]
df_s_n = df.loc[["张某","段某"]]
print(df_s_n)iloc()方法
iloc的使用与loc完全类似，只不过是针对“位置 (= 第几个)”进行筛选。函数语法为：.iloc[整数、整数列表、整数切片、布尔列表以及函数]。[]里面的使用方法同.loc[] 方法
[例]采用上面例题的dataFrame，用iloc()函数结合lambda函数获取行数据
关键技术:这里介绍一下.iloc[函数]中的函数使用方法:
1.函数=自定义函数(函数的返回值需要是合法对象(=整数、整数列表、整数切片、布尔列表））
2.匿名函数lambda:使用方法
语法: lambda 自变量: slice(start = 下界,stop = 上界step = 步长)。
res_lambda = df.iloc[lambda x: slice(1,4)]
print(res_lambda)
2212
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
