一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
三、入门学习视频
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
obj = pd.Series([4,7,-3,2])
obj.index = [‘Bob’, ‘Steve’, ‘Jeff’, ‘Ryan’]
print(obj)
##### 2.DataFrame
DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。
DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。
**DataFrame的创建:**
格式：
pd.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)
创建：
data = {
‘name’:[‘张三’, ‘李四’, ‘王五’, ‘小明’],
‘sex’:[‘female’, ‘female’, ‘male’, ‘male’],
‘year’:[2001, 2001, 2003, 2002],
‘city’:[‘北京’, ‘上海’, ‘广州’, ‘北京’]
}
df = pd.DataFrame(data)
print(df)
**DataFrame的索引：**
**DataFrame创建时的空缺值：**
df2 = pd.DataFrame(data, columns = [‘name’, ‘year’, ‘sex’, ‘city’,‘address’])
print(df2)
DataFrame构造函数的columns函数给出列的名字，index给出label标签。
**DataFrame创建时指定列名：**
df3 = pd.DataFrame(data, columns = [‘name’, ‘sex’, ‘year’, ‘city’], index = [‘a’, ‘b’, ‘c’, ‘d’])
print(df3)
**DataFrame的属性：**
##### 3.索引对象
Pandas的索引对象负责管理轴标签和其他元数据（比如轴名称等）。构建Series或 DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一个Index。
**显示DataFrame的索引和列:**
print(df)
print(df.index)
print(df.columns)
每个索引都有一些方法和属性，它们可用于设置逻辑并回答有关该索引所包含的数据的常见问题。Index的常用方法和属性:
##### 4.查看DataFrame的常用属性
DataFrame的基础属性有values、index、columns、dtypes、ndim和shape，分别可以获取DataFrame的元素、索引、列名、类型、维度和形状。
#### 二、Pandas索引操作
##### 1.重新索引
索引对象是无法修改的，因此，重新索引是指对索引重新排序而不是重新命名，如果某个索引值不存在的话，会引入缺失值。
对于重建索引引入的缺失值，可以利用fill\_value参数填充。
obj = pd.Series([7.2,-4.3,4.5,3.6],index=list(“badc”))
obj
obj.reindex(list(“abcde”))
重建索引时填充缺失值。
**缺失值的前向填充:**
**缺失值的后向填充:**
DataFrame数据:
df4 = pd.DataFrame(np.arange(9).reshape(3,3),
index = [‘a’,‘c’,‘d’],columns = [‘one’,‘two’,‘four’])
print(df4)
**reindex操作:**
传入fill\_value = n用n代替缺失值。
**reindex函数参数:**
##### 2.更换索引
如果不希望使用默认的行索引，则可以在创建的时候通过Index参数来设置。
在DataFrame数据中，如果希望将列数据作为索引，则可以通过set\_index方法来实现。
**重建索引:**
#### 三、DataFrame的数据查询与编辑
##### 1.DataFrame数据的查询
在数据分析中，选取需要的数据进行分析处理是最基本操作。在Pandas中需要通过索引完成数据的选取。
**选取列:**
通过列索引或以属性的方式可以单独获取DataFrame的列数据，返回的数据类型为Series。
**选取行:**
通过切片形式可以选取一行或多行数据
选取通过DataFrame提供的head和tail方法可以得到多行数据，但是用这两种方法得到的数据都是从开始或者末尾获取连续的数据， 而利用sample可以随机抽取数据并显示。
head（） #默认获取前5行
head（n）#获取前n行
tail（）#默认获取后5行
head（n）#获取后n行
sample（n）#随机抽取n行显示
**选取行和列:**
DataFrame.loc(行索引名称或条件，列索引名称)
DataFrame.iloc(行索引位置，列索引位置)
**利用iloc选取行和列：**
**布尔选择**
可以对DataFrame中的数据进行布尔方式选择
data[data[“数据列名”]==20]
##### DataFrame数据的编辑
**增加数据:**
增加列时，只需为要增加的列赋值即可创建一个新的列。
**删除数据:**
删除数据直接用drop方法，通过axis参数确定是删除的是行还是列。默认数据删除不修改原数据，需要在原数据删除行列需要设置参数inplace = True。
删除列：
**修改数据：**
修改数据时直接对选择的数据赋值即可。
需要注意的是，数据修改是直接对DataFrame数据修改，操作无法撤销，因此更改数据时要做好数据备份。
#### 四、Pandas数据运算
##### 1.算术运算
Pandas的数据对象在进行算术运算时，如果有相同索引则进行算术运算，如果没有，则会自动进行数据对齐，但会引入缺失值。
**series相加：**
##### 2.函数应用和映射
已定义好的函数可以通过以下三种方法应用到数据：
1. map函数：将函数套用到Series的每个元素中；
2. apply函数，将函数套用到DataFrame的行或列上，行与列通过axis参数设置；
3. applymap函数，将函数套用到DataFrame的每个元素上。
将水果价格表中的“元”去掉。
data = {‘fruit’:[‘apple’,‘grape’,‘banana’],‘price’:[‘30元’,‘43元’,‘28元’]}
df1 = pd.DataFrame(data)
print(df1)
def f(x):
return x.split(‘元’)[0]
df1[‘price’] = df1[‘price’].map(f)
print(‘修改后的数据表:\n’,df1)
**apply函数的使用方法：**
**applymap函数的用法：**
##### 3.排序
sort\_index方法：对索引进行排序，默认为升序，降序排序时加参数 ascending=False。
sort\_values方法：对数值进行排序。by参数设置待排序的列名
##### 4.汇总与统计
**数据汇总：**
在DataFrame中，可以通过sum方法对每列进行求和汇总，与Excel中的sum函数类似。如果设置axis = 1指定轴方向，可以实现按行汇总。
**数据描述与统计**
利用describe方法会对每个数值型的列数据进行统计
df2.describe()
**Pandas中常用的描述性统计量**
对于类别型特征的描述性统计，可以使用频数统计表。Pandas库中通过unique方法获取不重复的数组，利用value\_counts方法实现频数统计。
#### 五、数据分组与聚合
##### 1.数据分组
**groupby方法**
groupby方法可以根据索引或字段对数据进行分组。
格式为：
DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)
groupby方法的参数及其说明：
**按列名分组**
DataFrame数据的列索引名可以作为分组键，但需要注意的是用于分组的对象必须是DataFrame数据本身，否则搜索不到索引名称会报错。
**按列表或元组分组**
分组键还可以是长度和DataFrame行数相同的列表或元组，相当于将列表或元组看做DataFrame的一列，然后将其分组。
**按字典分组**
如果原始的DataFrame中的分组信息很难确定或不存在，可以通过字典结构，定义分组信息。
**按函数分组**
函数作为分组键的原理类似于字典，通过映射关系进行分组，但是函数更加灵活。
##### 2.数据聚合
**聚合函数**
除了之前示例中的mean函数外，常用的聚合运算还有count和sum等。
**聚合运算方法**
**使用agg方法聚合数据**
agg、aggregate方法都支持对每个分组应用某个函数，包括Python内置函数或自定义函数。同时，这两个方法也能够直接对DataFrame进行函数应用操作。
在正常使用过程中，agg和aggregate函数对DataFrame对象操作的功能基本相同，因此只需掌握一个即可。
##### 3.分组运算
1. transform方法
通过transform方法可以将运算分布到每一行。
2. 使用apply方法聚合数据
apply方法类似于agg方法，能够将函数应用于每一列。
#### 六、数据透视表
##### 1.透视表
数据透视表（Pivot Table）是数据分析中常见的工具之一，根据一个或多个键值对数据进行聚合，根据列或行的分组键将数据划分到各个区域。
pivot_table函数格式：
pivot_table(data, values=None, index=None, columns=None, aggfunc=‘mean’, fill_value=None, margins=False, dropna=True, margins_name=‘All’)
**pivot\_table函数主要参数及其说明**
##### 2.交叉表
交叉表是一种特殊的透视表，主要用于计算分组频率。
crosstab的格式：
crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, margins=False, dropna=True, normalize=False)
**crosstab主要参数及其说明**
#### 七、Pandas可视化
##### 1.线形图
Pandas库中的Series和DataFrame中都有绘制各类图表的plot方法，默认绘制的都是线形图。
通过DataFrame对象的plot方法可以为各列绘制一条线，并创建图例。
##### 2.柱状图
在Pandas中绘制柱状图只需在plot函数中加参数kind = ‘bar’，如果类别较多，可以绘制水平柱状图（kind = ‘barh’）。
### 一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
### 二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
### 三、入门学习视频
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618317507)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
扫一扫
5069
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
