Pandas属性操作三剑客：values、index与数据变形的艺术-CSDN博客

本文链接：https://blog.csdn.net/qq_41707090/article/details/147932676

关注不迷路，点赞走好运！！！

一、数据的"食材库"：values属性探秘

1.1 原材料的提取术

想象你经营着奶茶店🧋，values就像奶茶的原料仓库。它能将数据转换为NumPy数组，方便进行"烹饪"（数值计算）：

import pandas as pd

奶茶配方表
recipe = pd.DataFrame({
    '原料': ['珍珠', '椰果', '布丁', '芋圆'],
    '库存量': [500, 320, 200, 180],
    '单价(元)': [3.5, 2.8, 4.0, 3.2]
})

print("🍹原料数值矩阵：")
print(recipe[['库存量', '单价(元)']].values)

输出结果：

[[500.    3.5]
 [320.    2.8]
 [200.    4. ]
 [180.    3.2]]

1.2 新旧工具大比拼

虽然.values好用，但.to_numpy()更推荐（Pandas 0.24+）：

更安全的转换方式
array_data = recipe.select_dtypes(include='number').to_numpy()
print("\n🔧现代化提取工具：")
print(array_data)

二、数据的"GPS导航"：index操作全解析

2.1 索引的七十二变

创建时间序列索引
sales_data = pd.Series([120, 150, 80, 200], 
                      index=pd.date_range('2024-05-01', periods=4),
                      name='日销售额')

print("\n📅时间索引示例：")
print(sales_data.index)

输出：

DatetimeIndex(['2024-05-01', '2024-05-02', '2024-05-03', '2024-05-04'], dtype='datetime64[ns]', freq='D')

2.2 索引手术三连击

索引重构三部曲
操作记录 = pd.DataFrame({
    '操作': ['重命名', '重置', '多层索引'],
    '方法': ['set_index()', 'reset_index()', 'MultiIndex()'],
    '用例': ['定位原料', '恢复默认', '多维分析']
})

print("\n🔨索引操作工具箱：")
print(操作记录)

三、数据的"变形记"：数据类型转换指南

3.1 基础变形术

创建问题数据
problem_data = pd.DataFrame({
    '订单号': ['1001', '1002', '1003'],
    '金额': ['￥38.5', '￥42.0', '￥25.8'],
    '温度': ['常温', '少冰', '多冰']
})

数据清洗转换
clean_data = problem_data.copy()
clean_data['金额'] = clean_data['金额'].str.replace('￥','').astype(float)
clean_data['温度'] = clean_data['温度'].astype('category')

print("\n✨清洗后数据：")
print(clean_data.dtypes)

输出：

订单号     object
金额     float64
温度    category
dtype: object

3.2 智能转换黑科技

智能类型转换
smart_data = problem_data.convert_dtypes()
print("\n🤖智能转换结果：")
print(smart_data.dtypes)

四、避坑指南：数据操作三大陷阱

常见问题	翻车现场	解决方案	原理剖析
索引混淆	数据错位	定期reset_index	保持索引清洁
类型错误	计算异常	预检查dtypes	确保类型统一
内存爆炸	运行卡顿	使用category类型	优化存储空间

五、实战演练：奶茶店数据管理系统

综合应用案例
def 数据管理系统():
    # 数据导入
    raw_data = pd.read_csv('sales.csv', parse_dates=['日期'])
    
    # 索引优化
    data = raw_data.set_index('日期').sort_index()
    
    # 类型转换
    data['销售额'] = data['销售额'].astype('float32')
    data['品类'] = data['品类'].astype('category')
    
    # 数值分析
    return data.select_dtypes(include='number').to_numpy()

print("\n🏪系统运行示例：")
print(数据管理系统())