python数据分析——pandas数据结构1

参考资料：活用pandas库

1、创建数据

（1）创建Series

        在pandas中，series是一维容器，seires中的数据类型（dtype）必须相同。创建series最简单的方法是传入一个python列表。如果传入的是混合类型的列表，将会使用最常见的类型object。

# 导入库
import pandas as pd
s=pd.Series(['banana',42])
print(s)

        请注意上图中的输出结果，左边显示的“行号”实际是Series的索引。当然也可以指定series的索引，如下：

# 通过传入一个python列表，手动为Series指定索引值
s=pd.Series(["wes mckinney","creator of pandas"],
           index=["Person","Who"])
print(s)

（2）创建DataFrame

        字典是创建DataFrame最常见的方法，键代表列名，值是列的内容。

scientists=pd.DataFrame({
    "Name":["Rosaline Franklin","William Gosset"],
    "Occupation":["Chemist","Statistician"],
    "Born":["1920-07-25","1876-06-13"],
    "Died":["1958-04-16","1937-10-16"],
    "Age":[37,61]
})
print(scientists)

        DataFrame可以使用columns参数指定列的顺序。如果想把那么列作为行索引，可以使用index参数。

scientists=pd.DataFrame({
    "Occupation":["Chemist","Statistician"],
    "Born":["1920-07-25","1876-06-13"],
    "Died":["1958-04-16","1937-10-16"],
    "Age":[37,61]},
    index=["Rosaline Franklin","William Gosset"],
    columns=["Occupation","Born","Died","Age"]
)
print(scientists)

2、Seires

        首先创建一个DataFrame

# 创建名为scients的DataFrame
# 其带有行索引标签
scientists=pd.DataFrame({
    "Occupation":["Chemist","Statistician"],
    "Born":["1920-07-25","1876-06-13"],
    "Died":["1958-04-16","1937-10-16"],
    "Age":[37,61]},
    index=["Rosaline Franklin","William Gosset"],
    columns=["Occupation","Born","Died","Age"]
)
print(scientists)

# 使用行索引标签选择一位科学家
first_row=scientists.loc['William Gosset']
print(type(first_row))
print(first_row)

        我们看输出的结果，第一“列”输出索引，第二“列”输出值。我们可以查看此Seires的索引和值，分别是index属性和values属性，当然我们可以用keys函数来获取索引。如下：

print(first_row.index)
print("-"*20)
print(first_row.keys())
print("-"*20)
print(first_row.values)

（1）类似于ndarray的Series

        Series是pandas的一种数据结构，与numpy.ndarray非常相似，ndarray的许多方法和函数也适用于Series。

        numpy是一个科学计算库，常用于处理数字向量。可以吧Series看作numpy.ndarray的扩展，它们的属性和方法有重叠。针对数字向量，可以进行一些常见的计算，如描述统计。

ages=scientists["Age"]
print(ages)
print("-"*20)
print("均值：",ages.mean())
print("-"*20)
print("最大值：",ages.max())
print("-"*20)
print("最小值：",ages.min())
print("-"*20)
print("标准差：",ages.std(ddof=1))

（2）布尔子集：Series

# 读取数据集
df=pd.read_csv(r"C:\王池池\学习\python\活用pandas库\data\scientists.csv")
# 获取ages数据列作为Series
ages=df["Age"]
print(ages)
# 调用describe方法获取多项描述统计数据
print(ages.describe())
# 调用mean方法获取所有年龄均值
print(ages.mean())
# 获取大于平均值的年龄
print(ages[ages>ages.mean()])
# 查看ages>ages.mean()的返回值
print(ages>ages.mean())

        最后一个print函数的输出结果如下，是一个dtype为bool型的Series。 

（3）操作自动对齐和向量化（广播）

        许多Series方法（以及DataFrame方法）都是向量化的，即这些方法会同时处理整个向量。这种方式让代码更易读，并且通常可以通过优化来加速计算。

        ①如果两个长度相同的向量之间执行计算，所得向量的每个元素是两个向量对应元素的计算结果。

        ②当向量和标量进行运算时，标量会与向量的每个元素逐一进行计算。

        ③处理不同长度的向量时，处理方式决定于向量的类型。对于Series，对向量的操作会根据索引进行。结果限量的其余元素会被填充为“缺失”值，用NaN表示，指“not a number”即“非数值”。

        这种处理方式称为“广播”（broadcasting），pandas的“广播”是指不同shape的数组之间的运算方式。

        ④pandas基本会自动对齐数据。执行操作时，数据会尽可能依据索引标签进行对齐。

# 依据年龄在数据中的原有顺序输出
print(ages)
# 将年龄按索引标签倒序排列
rev_ages=ages.sort_index(ascending=False)
print(rev_ages)
# 参考输出，显示索引标签对齐
print(ages+ages)
# 请注意在向量相反的情况下如何获取相同值
print(ages+rev_ages)