Python---pandas的学习笔记

pandas是python的第三方库，它是一个基于numpy的，用于数据分析的库；
但前面也提到过：numpy也是用于数据分析的库，这两者有何区别？请看下图：

说的简单一些，numpy更侧重于将数据存储成多维数组，以及这些数组维度的改变。而pandas侧重于数据的实际使用，而不是数组的维度结构

pandas的引用方法如下：

import pandas as pd

pandas库提供了自己的数据类型，同时也提供了很多数据分析的工具
主要的数据类型：Series，DataFrame
主要的数据操作：基本操作，运算操作，特征类操作，关联类操作
这些类型与方法，会在后文一一讲解。

---

更强大的一维数组---------Series

复习一下python中的数组

a=[5,,6,7,8,9]

上面的代码，创建了一个a数组，每个数组元素都有默认的数字作为索引，例如a[1]=5,a[2]=6;

而pandas中的series也用于创建一维数组，例如：

b=pd.series([5,6,7,8,9])
print(b)

输出结果如下：

可以看到，左边一列是下标索引，右边则是对应的元素。

可这样和python基本的数组有何区别？为何会叫Series更强大的一维数组？
强大之处，在于这个索引值可以自定义
同样是刚才的代码，稍作修改：

b=pd.Series([5,6,7,8,9],index=['a','b','c','d','e'])
print(b)

这里是输出：

可以看到，利用index属性，可以方便的改变索引值，和python基本类型的字典类似

实际上，Series在自定义索引后，仍然保留了自动生成的数字索引

b=pd.Series([5,6,7,8,9],index=['a','b','c','d','e'])
print(b[1])#默认的数字索引
print('-------')
print(b['b'])#自定义索引
print('------')

结果：

可以看到，利用上面两种方法，均可以获取Series的值，但是，不允许数字索引和自定义索引混用，如：print(b[‘b’,‘c’,0])，这种方法会报错

上面的程序中，我们使用python的列表创建了series变量，实际上以下几种类型均可以创建series：

• python列表
• 标量值
• python字典
• ndarray（numpy中的类型）
• 其他函数
  分别举例：

a=pd.Series([1,2,3,4,5])#list
b=pd.Series(25,index=['a','b','c'])#标量
c=pd.Series({
   'a':1,'b':2,'c':3,'d':4})#字典之一
d=pd.Series({
   'a':1,'b':2,'c':3,'d':4},index=['c','b','a','d'