python数据分析之pandas入门（一）

数据结构

pandas的数据结构我觉得最主要的有两种，即Sereis和DataFrame

Series

Series是带标签的一维数组，可存储整数、浮点数、字符串、Python 对象等类型的数据。轴标签统称为索引。调用 pd.Series 函数即可创建 Series：
调用方法如下：
s=pd.Series(data, index=index)
上述代码中，data 支持以下数据类型：
1、Python 字典
2、多维数组
3、标量值（如，5）
index为轴标签列表（我是将series理解为列向量，而index理解为其索引）

以下直接给出三种情况下初始化示例：
Python字典：

多维数组：
data 是多维数组时，index 长度必须与 data 长度一致。没有指定 index 参数时，创建数值型索引，即 [0, …, len(data) - 1]。


其中np.random.rand(5)是产生一个长度为5，值为N（0，1）-即以0为均值、以1为标准差的正态分布序列

标量值：
data 是标量值时，必须提供索引。Series 按索引长度重复该标量值。

DataFrame

如果说Series可能让大家觉得和数组没啥区别，那DataFrame我觉得才是真正让pandas收到众多程序员喜爱的原因了，因为它真的太香了，其最大优势我觉得在于可以直接读取mysql或者excel，让你操作数据就好比在navicat中操作表一样easy。话不多说，直接上代码示例。

直接读取mysql生成DataFrame
首先建一张mysql表，存储班级姓名和成绩字段，在navicat中看是这样的

基本操作

下面来介绍几个dataframe的基本操作
1、排序（df.sort_values)
根据某一列的值排序，函数定义为def sort_values(by, axis=0, ascending=True, inplace=False)
by表示需要排序的列名/行名，axis接受0或者1的输入，0表示按列的值排序，1表示按行的值排序，ascending接受布尔型输入，True表示升叙，False表示降序，inplace接受布尔型输入，表示是否需要替换原df，为True表示替换原df（此时该函数无返回值），为False表示不替换远df（此时返回值为新的排序过后的DataFrame对象）。
如在上述的成绩表中使用df.sort_values(by=‘score’,axis=0,ascending=True)表示对df按照score列升序排序，不替换原dataframe，运行结果为

可以看到新的dataframe是根据score升序排序的

2、重设索引（df.reset_index)
该函数主要作用是重设索引，如1中所生成的dataframe可以看到虽然排序是变化了，但是索引依旧没有发生改变（最上面那行的索引为4），就可以根据reset_index函数来重设索引，如df.sort_values(by=‘score’,axis=0,ascending=True).reset_index(drop=True),其中drop=True的作用为不保留原索引列（drop=False即为保留原索引列）

可以看到在修改了排序的同时也修改了索引值。

3、聚合
dataframe的聚合和sql语句中的聚合很类似，都是groupby+列名+操作的形式，如对示例dataframe需要求出每个班级的均分，可使用df.groupby(‘class’)[‘score’].mean()

上图中的index（索引）即为class的值

4、lambda函数
lambda函数，又称为匿名函数，是深受各位程序员喜爱的东西，当然pandas也实现了接受lambda函数的特性，如我们需要处理score列，使小于85分的值标为-1，大于等于85分的值变为1，我们可以用如下表达式达到这一作用df[‘score’].apply(lambda x:-1 if x<85 else 1)

5、上移/下移
pandas中可以实现整个表格下移/下移一格，用nan来填充空值，如df.shift(1)代表下移一格

6、累加/累乘/累计最大/累计最小
此方法多用于时间序列上的数值处理，效果是计算第一行到当前行所有值的相加结果/相乘结果/最大值/最小值，函数分别为cumsum,cumpord,cummax和cummin，运行示例如下



由于实例中name列为字符串，因此不能使用累乘函数。