数据分析工具Pandas

学习目标：

一，掌握 数据结构分析，索引操作及高级索引

二，掌握 算术运算与数据对齐，数据排序

三，掌握 统计计算与描述 ，层次化索引

四，掌握 读写数据操作

---

学习内容：

1.Pandas的数据结构分析

Series:类似一维数组的对象，它能够保存任何类型的数据，主要由一组数据和与之相关的索引两部分构成。

构造方法创建：

class pandas.Series（data = None，index = None，dtype = None， name = None，copy = False，fastpath = False）

# 创建Series类对象
ser_obj = pd.Series([1, 2, 3, 4, 5])

# 创建Series类对象，并指定索引
ser_obj = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])

#使用dict进行构建
year_data = {2001: 17.8, 2002: 20.1, 2003: 16.5} ser_obj2 = pd.Series(year_data)

# 获取ser_obj的索引
ser_obj.index

# 获取ser_obj的数据
ser_obj.values

# 获取位置索引3对应的数据
ser_obj[3]

DataFrame:是一个类似于二维数组或表格（如excel）的对象，它每列的数据可以是不同的数据类型。                               

注： DataFrame的索引不仅有行索引，还有列索引，数据可以有多列。

构造方法创建：

pandas.DataFrame（data = None，index = None，columns = None， dtype = None，copy = False ）

# 创建数组
demo_arr = np.array([['a', 'b', 'c'],

                               ['d', 'e', 'f']])

# 基于数组创建DataFrame对象
df_obj = pd.DataFrame(demo_arr)

#按照指定索引的顺序进行排列
df_obj = pd.DataFrame(demo_arr, columns=['No1', 'No2', 'No3'])

# 通过列索引的方式获取一列数据
element = df_obj['No2']

# 查看返回结果的类型
type(element)

# 通过属性获取列数据
element = df_obj.No2

# 查看返回结果的类型
type(element)

# 增加No4一列数据
df_obj['No4'] = ['g', 'h']

# 删除No3一列数据
del df_obj['No3']

---

  2.Pandas索引操作及高级索引

 Pandas中的索引都是Index类对象，又称为索引对象，该对象是不可以进行修改的，以保障数据的安全。

 Pandas还提供了很多Index的子类，常见的有如下几种: