深入了解 Pandas：对象的运算

目录

前言

 第一点：导入模块

第二点：对象的运算代码书写

 第三点：对象与对象之间的运算

第四点：布尔型运算

总结

---

前言

在数据处理和分析中，Pandas 是一个强大的工具，能够方便地对数据进行处理、分析和操作。本文将分享关于 Pandas 中一维对象和二维对象的运算操作实例，包括对 Series 和 DataFrame 进行加减乘除等运算，并探讨布尔型对象的应用。通过实例演示，读者将更加深入地了解 Pandas 在数据处理中的灵活性和强大功能。

---

 第一点：导入模块

import pandas as pd

第二点：对象的运算代码书写

#创建一维对象
sr=pd.Series([53,64,72],index=['1号','2号','3号'])
sr=sr+10
print(sr)
# 1号    63
# 2号    74
# 3号    82

sr=sr*10
print(sr)
# 1号    630
# 2号    740
# 3号    820

sr=sr**2
print(sr)
# 1号    396900
# 2号    547600
# 3号    672400

#二维对象的运算
v=[[53,'女'],[64,'男'],[72,'男']]
df=pd.DataFrame(v,index=['1号','2号','3号'],columns=['年龄','性别'])
print(df)
#     年龄 性别
# 1号  53  女
# 2号  64  男
# 3号  72  男

df['年龄']=df['年龄']+10
print(df)
#     年龄 性别
# 1号  63  女
# 2号  74  男
# 3号  82  男

 第三点：对象与对象之间的运算

#创建两个对象
v1=[10,20,30,40]
k1=['1号','2号','3号','4号']
sr1=pd.Series(v1,index=k1)
print(sr1)
v2=[1,2,3]
k2=['1号','2号','3号']
sr2=pd.Series(v2,index=k2)
print(sr2)
#加法
print(sr1+sr2)
# 1号    11.0
# 2号    22.0
# 3号    33.0
# 4号     NaN
# dtype: float64

#减法
print(sr1-sr2)
# 1号     9.0
# 2号    18.0
# 3号    27.0
# 4号     NaN
# dtype: float64

#乘法
print(sr1*sr2)
# 1号    10.0
# 2号    40.0
# 3号    90.0
# 4号     NaN
# dtype: float64

#除法
print(sr1/sr2)
# 1号    10.0
# 2号    10.0
# 3号    10.0
# 4号     NaN
# dtype: float64

# 二维对象和二维对象之间的运算
v1=[[10,'女'],[20,'男'],[30,'男'],[40,'女']]
v2=[1,2,3,4]
k1=['1号','2号','3号','4号']
k2=['1号','2号','3号','4号']
c1=['年龄','性别']
c2=['牌照']
df1=pd.DataFrame(v1,index=k1,columns=c1)
df2=pd.DataFrame(v2,index=k2,columns=c2)
print(df1,df2)
# 年龄 性别
# 1号  10  女
# 2号  20  男
# 3号  30  男
# 4号  40  女
#     牌照
# 1号   1
# 2号   2
# 3号   3
# 4号   4

#加法
df1['加法']=df1['年龄']+df2['牌照']
print(df1)
#     年龄 性别  加法
# 1号  10  女  11
# 2号  20  男  22
# 3号  30  男  33
# 4号  40  女  44

第四点：布尔型运算

v=[[53,'女'],[64,'男'],[72,'男']]
df=pd.DataFrame(v,index=['1号','2号','3号'],columns=['年龄','性别'])
print(df['年龄']>60)
# 1号    False
# 2号     True
# 3号     True
# Name: 年龄, dtype: bool

---

总结

本文介绍了如何使用 Pandas 对一维和二维数据对象进行各种运算操作，包括加法、减法、乘法、除法等，并展示了在不同数据对象之间进行运算的方法。通过本文的学习，读者可以更加熟练地使用 Pandas 进行数据处理与分析，为实际项目中的数据挖掘和处理提供参考和帮助。愿本文能对您在数据处理工作中有所启发和帮助！