关于Jupyter中数据分析工具Pandas详细介绍

Panda数据结构分析

一般来说，我们Panda中有两个数据结构，一个是Series，另一个是DataFrame

一、Series


Series类似于一个一维的数组对象能够保存任何数据类型，其中Series索引再左边数据在右边

Pandas.Series(data=None,index=none,dype=none,copy=none)
#data作为传输的数据可以是列表，数组
#index是索引是唯一的，且与数据的长度是一致的，默认是0-n
#dtype是数据类型，copy是，是否复制数据

创建Series

二、DataFrame

DataFram类似于一个二维数组或者表格，每列可以是不同的数据类型与Series结构类似，结构如下所示

pd.DataFram(data=none,index=none,columns=none,dytpe=none,copy=none)
#index为行标签，如果没有传入默认是0-n
#columns为列标签，如果没有传入默认也是0-n
#其余属性和Series一样

Series为了更加方便的操作Series对象为此提供了两个属性，index和value，通过这两个数据可以获取到Series的索引和数据

创建DataFram


DataFrame为了便利的获取到数据，有两种方法可以
一:可以通过索引的方法进行或者
二：可以通过属性的方式来获取(有个弊端，当属性里面有空格或者特殊符号的时候会报错)

Pandas索引操作及高级索引

重置索引
reindex()方法的作用是对原索引和新索引进行匹配，也就是说，新索引含有原索引的数据，而原索引数据按照新索引排序，如果新索引没有原数据程序不会报错，会自动填充nan或者通过fill_values()进行填充

DataFrame.reindex(labels=none,index=none,columns=none,
axis=none,method=none,fill_value=nan,limit=none)
#index用作索引的新序列
#method插值的填充方式
#fill_引入缺失值使用的替代值
#limit向前或者向后填充时最大填充量

索引操作

Series的索引操作

DataFrame

算术运算与数据对齐

数据排序

按索引进行排序

sort_index(axis=0,level=none,ascending=True,inplace-False,kind='quicksort')
#axis 0代表是行，1代表是列
#level 若不为none则对指定索引级别的值进行排序
#asceding 默认升序
#kind 选择排序算法

按值进行排序

sort_values(by,axis=0,ascending=True,kind=,na_position=,inplace)
#by 代表排序的列
#na_position,代表将缺失值放到开头还是结尾，参数是：first和last
#

统计计算与描述

describe()一次性统计输出多个统计指标

层次化索引

swaaplevel()交换内外层索引

读写数据操作

通过pd.read_***()读取文件
通过pd.to_**()写入文件
**代表文件后缀名，txt文件可以用read_csv()或者read_table()