Series
- series可以看做是一个定长的有序字典,与一维数组形式相同,区别是series的索引可以是任意数据类型。
- series本身拥有一个name属性,它的index也有自己的name属性(这条性质为下文中series传入DataFrame提供基础)。
- 传入:可以传入一维数组或字典。传入时,可以修改其索引。
#导入数组
a = np.array([1,2,3,4,5])
series1 = pd.Series(a)
print(series1)
print('*'*20)
#传入时修改索引
series2 = pd.Series(a,index=(['a','b','c','d','e']))
print(series2)
'''
结果:
0 1
1 2
2 3
3 4
4 5
dtype: int32
********************
a 1
b 2
c 3
d 4
e 5
dtype: int32
'''
传入字典时,Series中的索引就是原字典的索引。
#传入字典
dic1 = {"first":1,'second':2,'third':3,'forth':4}
dic_series = pd.Series(dic1)
dic_series
'''
结果:
first 1
forth 4
second 2
third 3
dtype: int64
'''
修改其索引时,若新定义索引在原字典中不存在,则它的值会被赋为NaN。
dic1 = {"first":1,'second':2,'third':3,'forth':4}
index1 = ['01','second','03','forth']
dic_series = pd.Series(dic1,index=index1)
dic_series
'''
结果:
01 NaN
second 2.0
03 NaN
forth 4.0
dtype: float64
'''
Series索引还可以通过直接赋值的方式进行就地修改。
dic1 = {"first":1,'second':2,'third':3,'forth':4}
dic_series = pd.Series(dic1)
dic_series.index=['01','02','03','04']
dic_series
'''
结果:
01 1
02 4
03 2
04 3
dtype: int64
'''
- series本身拥有一个name属性,它的index也有自己的name属性(这条性质为下文中series传入DataFrame提供基础)。
dic1 = {"first":1,'second':2,'third':3,'forth':4}
dic_series = pd.Series(dic1)
dic_series.name = 'letter'
dic_series.index.name = 'number'
dic_series
'''
结果:
number
first 1
forth 4
second 2
third 3
Name: letter, dtype: int64
'''
DataFrame
实质是有索引的字典。
传入:可以传入多个列表或多个Series组成的字典传入,还可传入字典的字典。
- 用列表传入时,必须保证列表是等长的。列表外部的索引为列索引,并且DataFrame会自动补齐行索引。
data = {'first':[1,2,3],
'second':[4,5,6],
'third':[7,8,9]}
frame = pd.DataFrame(data)
frame
结果如下:
- 用series字典传入时,series原带的索引为列索引,series的name属性为行索引。
s1 = pd.Series({'one':1,'two':2,'three':3},name='first')
s2 = pd.Series({'one':4,'two':5,'three':6},name='second')
s3 = pd.Series({'one':7,'two':8,'three':9},name='third')
frame = pd.DataFrame([s1,s2,s3])
frame
结果如下:
同理,数组传入时,外部索引为列索引,内部索引为行索引。
dict1 = {"neveda":{2001:2.4,2002:2.9},
"ohio":{2001:1.7,2002:3.6}}
frame = pd.DataFrame(dict1)
frame
结果如下: