【Pandas驯化-01】一文介绍 Pandas中的Dataframe和Series 区别

一只红花猪

已于 2024-06-16 20:49:56 修改

阅读量767

点赞数 13

分类专栏： # Pandas修炼文章标签： pandas ipython 数据分析

于 2024-06-15 20:56:11 首次发布

本文链接：https://blog.csdn.net/lov1993/article/details/139705321

版权

Pandas修炼专栏收录该内容

16 篇文章 0 订阅

订阅专栏

【Pandas】驯化-01一文介绍 Pandas中的Dataframe和Series 区别

本次修炼方法请往下查看
在这里插入图片描述

🌈 欢迎莅临我的个人主页 👈这里是我工作、学习、实践 IT领域、真诚分享 踩坑集合，智慧小天地！
🎇 免费获取相关内容文档关注：微信公众号发送 pandas 即可获取
🎇 相关内容视频**讲解 B站

🎓 博主简介：AI算法驯化师，混迹多个大厂搜索、推荐、广告、数据分析、数据挖掘岗位 个人申请专利40+，熟练掌握机器、深度学习等各类应用算法原理和项目实战经验。

🔧 技术专长：在机器学习、搜索、广告、推荐、CV、NLP、多模态、数据分析等算法相关领域有丰富的项目实战经验。已累计为求职、科研、学习等需求提供近千次有偿|无偿定制化服务，助力多位小伙伴在学习、求职、工作上少走弯路、提高效率，近一年好评率100% 。

📝 博客风采：积极分享关于机器学习、深度学习、数据分析、NLP、PyTorch、Python、Linux、工作、项目总结相关的实用内容。

下滑查看解决方法

🎯 一、Pandas 是什么？

Pandas是小量数据分析的大杀器，在目前国内数据挖掘比赛、工作、金融量化中常用工具，常用来处理类似execl中的结构化数据，和Python语言以及其他可视化的工具包结合使得其在数据分析、数据挖掘、算法分析领域大放异彩。
如果想要从事数据分析以及算法等相关的工作，Pandas是一个必不可少的工作，本来带大家来认识Pandas中数据格式daframe和series的使用和区别。

💡 二、Pandas中Series

在pandas中，Series是一种一维的数据结构，类似于数组或列表。它由两部分组成：数据的序列和相应的索引。可以使用pandas中的pd.Series()函数来创建一个Series对象。其中，数据可以是Python列表、NumPy数组或标量。索引可以是默认的整数索引，也可以是自定义的标签索引。

Series对象的特点之一是它的元素是有序排列的，并且每个元素都有相应的索引。这使得对数据的访问和处理更加方便。。以下是一个基本的使用示例：

import pandas as pd

# 创建一个Series对象，可以通过列表，字典，数组都行
data = [10, 20, 30, 40, 50]
index = ['A', 'B', 'C', 'D', 'E']
series = pd.Series(data, index)

data = [10, 20, 30, 40, 50]
index = ['A', 'B', 'C', 'D', 'E']
series = pd.Series(data, index)

print(series)

print(series)

print(output.shape)  # 应该输出 (10, 32, 512)，与query的shape一致

A    10
B    20
C    30
D    40
E    50
dtype: int64

# 查询相关原始的方法
series[0]  # 通过整数索引访问第一个元素
series['a']  # 通过标签索引访问键为'a'的元素
series[1:3]  # 获取索引为1到2的元素

🔍 三、Pandas中的DataFrame

在pandas中，DataFrame是一种二维数据结构，类似于关系型数据库中的表格。它由多个Series对象按列组成，并且每列可以具有不同的数据类型。
DataFrame可以看作是一个带有行和列索引的二维表格，其中每一行表示数据集中的一条记录，每一列表示一种特征或属性。
可以使用pandas中的pd.DataFrame()函数来创建一个DataFrame对象。可以传入多种类型的数据作为数据源，例如Python列表、NumPy数组、字典或其他DataFrame对象。下面是一个创建DataFrame对象的示例代码：

import pandas as pd

# 创建一个DataFrame对象
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],
        'Age': [25, 30, 35, 40],
        'City': ['Beijing', 'Shanghai', 'Guangzhou', 'Chengdu']}

df = pd.DataFrame(data)

print(df)
Name  Age       City
0    Alice   25    Beijing
1      Bob   30   Shanghai
2  Charlie   35  Guangzhou
3    David   40    Chengdu