一篇Pandas数据结构之常用数据结构的对比？

python茶水实验室

于 2024-08-30 09:00:00 发布

阅读量571

点赞数 7

文章标签： python pandas 开发语言运维 linux flask scikit-learn

本文链接：https://blog.csdn.net/2301_80410418/article/details/141575722

版权

在上一篇中,我们讨论了两种核心的数据结构:Series 和 DataFrame.本篇将进一步对 Pandas 中常用的数据结构进行对比,帮助您更好地理解它们的特性和适用场景.随后,在下一篇中,我们将探讨数据处理的重要环节——数据的导入与导出.

Pandas常用数据结构概览

Pandas 主要提供了以下两种数据结构:

Series
DataFrame

在一些特定的场景中,Pandas 还提供了 Panel 结构,但由于其用途相对较少,本文将不作深入讨论.

Series vs DataFrame

1.定义与结构

Series: 是一种一维数组对象,可以容纳任意数据类型（整数、浮点数、字符串、Python 对象等）.每个 Series 都有一个与之相关的索引,可以自定义.
```
import pandas as pd

# 创建一个 Series
s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
print(s)
```
输出:
```
a    1
b    2
c    3
d    4
dtype: int64
```

DataFrame: 是一种二维的表格数据结构,它可以看作是多个 Series 的集合,每个 Series 代表一列,表中的每一行可以看作是一个观察值或数据记录.DataFrame 的每一列可以拥有不同的数据类型.

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': ['X', 'Y', 'Z'],
    'C': [1.1, 2.2, 3.3]
})
print(df)

输出:

   A  B    C
0  1  X  1.1
1  2  Y  2.2
2  3  Z  3.3

2. 数据访问与操作

在 Series 中,可以通过标签或位置访问数据:

# 通过标签访问
print(s['b'])   # 输出 2

# 通过位置访问
print(s[2])     # 输出 3

在 DataFrame 中,数据访问可以通过列名和行索引进行:

# 通过列名访问
print(df['B'])   # 输出 B 列的数据

# 选取特定的行
print(df.iloc[1])  # 输出第二行的数据

3. 灵活性与用途

Series:适合用于处理一维数据,如单一变量的分析.无论是时间序列数据,还是简单的一维数组,Series 都非常方便.
DataFrame:适合用于处理二维数据,能够存储更复杂的数据结构.DataFrame 的设计使得数据分析和操作更加灵活,支持多种数据类型.

案例分析

我们以一个简单的案例来理解 Series 和 DataFrame 之间的特性.

假设我们有一个学生成绩的数据表:

姓名	数学	英语	物理
小明	85	78	92
小红	90	88	85
小刚	75	80	79

我们可以利用 DataFrame 来存储这些数据:

# 创建学生成绩的 DataFrame
data = {
    '姓名': ['小明', '小红', '小刚'],
    '数学': [85, 90, 75],
    '英语': [78, 88, 80],
    '物理': [92, 85, 79]
}

df_scores = pd.DataFrame(data)
print(df_scores)

输出:

   姓名  数学  英语  物理
0  小明  85  78  92
1  小红  90  88  85
2  小刚  75  80  79

在此案例中,DataFrame 使我们能够以表格的形式管理和访问学生的成绩数据.我们可以轻松地进行各种数据分析,例如计算每个学生的平均成绩:

# 计算每个学生的平均成绩
df_scores['平均成绩'] = df_scores[['数学', '英语', '物理']].mean(axis=1)
print(df_scores)

输出:

   姓名  数学  英语  物理  平均成绩
0  小明  85  78  92   85.0
1  小红  90  88  85   87.67
2  小刚  75  80  79   78.0

总结

通过以上的对比与案例分析,我们了解了 Pandas 中 Series 与 DataFrame 的差异与用途.Series 适合于一维数据处理,而DataFrame 则更适合于复杂的结构化数据分析.理解这些数据结构的特性,将为您在数据处理上的进一步工作打下坚实的基础.

在下一篇中,我们将深入探讨 Pandas 的数据导入与导出功能,从而使您能够从不同的数据源读取和保存数据.希望您能继续关注我们接下来的学习内容！

感谢大家的关注和支持!想了解更多编程精彩知识内容,请关注我的微信公众号:Python小胡子,有最新最前沿的的知识和人工智能AI与大家共享,同时,如果你觉得这篇文章对你有帮助,不妨点个赞,并点击关注.动动你发财的手,万分感谢!!!

原创文章不易,求点赞、在看、转发或留言,这样对我创作下一个精美文章会有莫大的动力！