数据分析入门 | kaggle泰坦尼克任务（二）—＞pandas基础

系列索引：数据分析入门 | kaggle泰坦尼克任务

一、pandas基础

（1）数据类型

1. DateFrame

2. Series

sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata)
example_1

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada', 'Nevada'],
        'year': [2000, 2001, 2002, 2001, 2002, 2003],'pop': [1.5, 1.7, 3.6, 2.4, 2.9, 3.2]}
example_2 = pd.DataFrame(data)
example_2

我个人理解的是，Series是一个字典型的，而DataFrame则是像一个excel表格。

（2）基本操作

1. 导入并查看DataFrame每列的名称：

df.columns

2. 查看"Cabin“这列的所有值：

df['Cabin'] or df.Cabin

3. 删除某一列：

del test_1['a'] 或者 df.drop(['xxx'], axis = 1) 也可以使用该方法删除多列

4. 如果想要完全的删除你的数据结构，使用inplace = True将原数据进行覆盖。

（3）筛选的逻辑

1. 以’Age’为筛选条件，显示年龄在10岁以下的乘客信息。

 df[df['Age']<10].head(3)

2. 交集：筛选在10-50岁的乘客：

  midage = df[(df["Age"]>10)& (df["Age"]<50)]
  midage.head(3)

3. 将上述midage的第100行的指定数据输出：

  midage = midage.reset_index(drop=True)
  midage.head(3)

注意这里使用了reset_index()函数，reset_index（）方法可能最经常使用的地方是处理groupby（）方法调用后的数据。其功能是将原来的index设置为列，与set_index（）方法的功能相反。

df=pd.read_excel(r'D:/myExcel/1.xlsx', index_col='id')
>>> df
id    name  score grade                    
a     bog   45.0     A
c   jiken   67.0     B
i     bob   23.0     A
b   jiken   34.0     B
g    lucy    NaN     A
e    tidy   75.0     B

# 将index恢复为id列
>>> df.reset_index()
  id   name  score grade
0  a    bog   45.0     A
1  c  jiken   67.0     B
2  i    bob   23.0     A
3  b  jiken   34.0     B
4  g   lucy    NaN     A
5  e   tidy   75.0     B

默认名称为index，可以通过df.index.name来进行修改。
索引的值也可以修改，参考以下代码：

>>> df.set_index(pd.Series(['f', 'b', 'g', 'm', 'k', 'l']), inplace=True)
>>> df
  id   name  score grade
f  a    bog   45.0     A
b  c  jiken   67.0     B
g  i    bob   23.0     A
m  b  jiken   34.0     B
k  g   lucy    NaN     A
l  e   tidy   75.0     B
# 为index指定个名字
>>> df.index.name='newId'
>>> df
      id   name  score grade
newId
f      a    bog   45.0     A
b      c  jiken   67.0     B
g      i    bob   23.0     A
m      b  jiken   34.0     B
k      g   lucy    NaN     A
l      e   tidy   75.0     B
>>> df.reset_index()
  newId id   name  score grade
0     f  a    bog   45.0     A
1     b  c  jiken   67.0     B
2     g  i    bob   23.0     A
3     m  b  jiken   34.0     B
4     k  g   lucy    NaN     A
5     l  e   tidy   75.0     B

然后将第100行的两列数值输出出来，代码：

midage.loc[[100],['Pclass','Sex']]

这里简单介绍一下 ：

（4）loc函数和iloc函数：

在数据分析过程中，很多时候需要从数据表中提取出相应的数据，而这么做的前提是需要先“索引”出这一部分数据。虽然通过 Python 提供的索引操作符"[]“和属性操作符”."可以访问 Series 或者 DataFrame 中的数据，但这种方式只适应与少量的数据，为了解决这一问题，Pandas 提供了两种类型的索引方式来实现数据的访问。

.loc[]：基于标签索引选取数据
df.loc[] 只能使用标签索引，不能使用整数索引。当通过标签索引的切片方式来筛选数据时，它的取值前闭后闭，也就是只包括边界值标签（开始和结束）。
loc[] 接受两个参数，并以’,'分隔。第一个位置表示行，第二个位置表示列。

df.loc['a':'d',:] # 等同于df.loc['a':'d'],选出第a-d行,:和matlab中的类似代表全部行/列的数据。
df.loc[['a','b','f','h'],['A','C']] # 也可以使用列表选择多列。

.iloc[]：基于整数索引选取数据
df.iloc[] 只能使用整数索引，不能使用标签索引，通过整数索引切片选择数据时，前闭后开(不包含边界结束值)。
同 Python 和 NumPy 一样，它们的索引都是从 0 开始。

df.iloc[2,:] #第3行

加油！干就完了！

数据分析入门 | kaggle泰坦尼克任务 系列持续更新，欢迎点赞收藏＋关注

上一篇：数据分析入门 | kaggle泰坦尼克任务（一）—＞数据加载和初步观察
下一篇：

本人水平有限，文章中不足之处欢迎下方👇评论区批评指正~

如果感觉对你有帮助，点个赞👍 支持一下吧 ~

不定期分享 有趣、有料、有营养内容，欢迎 订阅关注 🤝 我的博客 ，期待在这与你相遇 ~