python学习笔记——pandas

from pandas  import Series,DataFrame

import pandas as  pd

import numpy as np 

行用0，列用1

(一) Series

一种类似一维数组的对象，由一组数据（各种numpy数据类型）以及一组与之相关的数据标签（即索引）组成

1.创建series

Obj1=Series([1,2,3,4]) #不指定索引会自动添加从0到len（obj）-1 print(obj1) [结果] 0    1 1    2 2    3 3    4 dtype: int64

#指定索引的情况 obj2=Series([1,2,3,4],index=['one','two','three','four']) print(obj2) print('值',obj2.values,'值类型',type(obj2.values)) print('索引',obj2.index,'索引类型',type(obj2.index)) [结果] one      1 two      2 three    3 four     4 dtype: int64 值 [1 2 3 4] 值类型 <class 'numpy.ndarray'> 索引 Index(['one', 'two', 'three', 'four'], dtype='object') 索引类型 <class 'pandas.core.indexes.base.Index'>

sdata={ 'Ohio':35000,'Texas':71000,'Oregon':16000,'Utah':5000} obj3=Series(sdata)  【结果】 Ohio      35000 Oregon    16000 Texas     71000 Utah       5000 dtype: int64

states=['California','Ohio','Texas','Oregon','Utah'] obj4=Series(sdata,index=states) 【结果】 California        NaN Ohio          35000.0 Texas         71000.0 Oregon        16000.0 Utah           5000.0 dtype: float64

 

2.索引

索引取值 print(obj3['Ohio']) print(obj3[['Ohio','Utah']])

Numpy数组运算（布尔运算、标量乘法、数学函数）等，保留对于索引和值得对应关系 Series利用标签的切片运算与普通的Python切片运算不同，其末端是包含的

算数运算中自动对齐索引 print(obj3+obj4) 【结果】 California         NaN Ohio           70000.0 Oregon         32000.0 Texas         142000.0 Utah           10000.0 dtype: float64

Series及索引命名 obj5.name='popultion' obj5.index.name='state' 【结果】 state California         NaN Ohio           70000.0 Oregon         32000.0 Texas         142000.0 Utah           10000.0 Name: popultion, dtype: float64

索引可以就地修改 obj1.index=['aaa','bbb','ccc','ddd'] 【结果】 aaa    1 bbb    2 ccc    3 ddd    4 dtype: int64

 

3.缺失数据

NaN表示缺失数据

Obj.isnull（）返回布尔型

 

(二) DataFrame

DataFrame中的数据是以一个或多个二维块存放的

DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。

1.创建

直接传入一个等长列表或者NumPy数组组成的字典

data={ 'state':['California','Ohio','Texas','Oregon','Utah'], &