个人pandas学习笔记

常用代码集合：pandas用法-全网最详细教程-CSDN博客

pycharm引入csv：pycharm读取CSV文件-CSDN博客

1.1 认识series

numpy中，array数组是list的进阶版，同理，pandas库也为我们提供了字典的进阶版：series。

其创建方式有两种，一种是直接引入已有字典，如：

*注意Series开头大写

最后输出为：

显然，series与字典的一大不同之处在于它是竖直的，并且会于末尾显示value的数据类型。

当然，直接引入key数组和value数组也可以创建series：

需要注意的是，无论引入的是数组还是列表还是其它格式，进入

series后都会统一格式化为数组。

二维series

我们可以将两个一维series合成为二维series，具体方式为:

a = pd.Dataframe({“索引1”：series1,“索引2”：series2})

如果索引1与索引2使用了同一套keys，则最后会显示为：

如果使用的keys不同，则不同的项会被单独列为一行，另一套keys缺失的部分会显示为NaN，例子：

同样的，二维series的创建也支持输入行索引（index），列索引(columns)与值矩阵(value)来进行快捷创建，如：

*这里的值矩阵为了使元素统一格式，自动将数字转换为了字符串，但进入series后，它会被设置成兼容多种格式的object类型。

series的索引

series的二维索引

在一维索引中，若显性索引不是数字，则可以不写索引器，但在二维series中，索引器的存在是必须的

显然的，在二维series中检索元素需要提供两个索引，而使用花式索引检索多个元素时，同类型的索引应该置于一起。除此之外，花式索引也不再仅仅输出向量，而是同样输出二维series，这是由series的特性决定的。

二维series的切片：

方法与一维切片大致相同，只是注明范围的格式由[a:b]变为[a:b,c:d]，例子：

转置

转置代码仍然支持。

同理，翻转仍然支持。

series的重塑

由于行标签与列标签的存在，.reshape()已不再适用，重塑操作限制于增添/独立出新的行或列：

series合并

例子：

而二维series与一维series合并则简单得多，以合并列对象为例子：

行对象合并则须使用loc：

二维对象与二维对象的合并：

*axis不写时默认为0，即添加行个体

对象与系数间的运算：

参考numpy，此处仅提供备忘代码表。

对象间运算（一维）：

同理，是精确的单对单，任意一方的对应数据为缺失时，返回NaN

对象间运算（二维）：

由于不能确保数据全为数字，故运算时须注明行/列，其它无区别：

缺失值的处理

*isnull()并非提取出缺失数据，而是将对象内数据转化为布尔类型

缺失值清除：

填充缺失数据：

*二维的方法完全相同

数据分析处理方法：

也可以使用方法，一次性查看以上所有特征：

数据透视：

数据透视，是一种锁定某几项特征数据，分析其它数据与它的关联性的方法。

图中，pd.cut()意思是将目标index/column值重置为括号内的对应区间，例如我们有一组年龄数据，对其使用pd.cut(0，25，120)后，0到25岁的”年龄“数据会直接变为（0，25]，25到一百二十岁的同理。

而pd.qcut（）意思是对数据进行等分，等分数目为括号内数。