pandas中的两种数据类型Series和DataFrame区别

最新推荐文章于 2024-09-18 22:10:51 发布

jolingcome

最新推荐文章于 2024-09-18 22:10:51 发布

阅读量3w

点赞数 23

分类专栏：机器学习/大数据

本文链接：https://blog.csdn.net/u012474716/article/details/78550391

版权

机器学习/大数据专栏收录该内容

47 篇文章 2 订阅

订阅专栏

1. Series相当于数组numpy.array类似

s1=pd.Series([1,2,4,6,7,2])
s2=pd.Series([4,3,1,57,8],index=['a','b','c','d','e'])
print s2
obj1=s2.values
# print obj1
obj2=s2.index
# print obj2
# print s2[s2>4]
# print s2['b']

1.Series 它是有索引，如果我们未指定索引，则是以数字自动生成。
下面是一些例子：
obj=Series([4,7,-5,3])
print obj
#输出结果如下：
# 0    4
# 1    7
# 2   -5
# 3    3
print obj.values #取出它的值
#[ 4  7 -5  3]
print obj.index #取出索引值
#输出结果如下：
# RangeIndex(start=0, stop=4, step=1)
obj2=Series([4,7,-5,3],index=['d','b','a','c'])
print obj2
#输出结果如下：
# d    4
# b    7
# a   -5
# c    3
#可以通过索引的方式选择Series中的单个或一组值
print obj2['a'] #输出结果：-5
print obj2['d'] #输出结是：4

2. Series的一些操作

Series.order()进行排序，而DataFrame则用sort或者sort_index

print ratings_by_title.order(ascending=False)[:10]

（1）Numpy数组运算(根据布尔型数组进行过滤、标量乘法、应用数学函数等)都会保留索引和值之间的链接

print obj2[obj2>0]  #取出>0的值
#输出结果如下：
# d    4
# b    7
# c    3
print obj2*2
#输出结果如下：
# d     8
# b    14
# a   -10
# c     6

（2）还可以将Series看成是一个定长的有序字典，因为它是索引值到数据值的一个映射。它可以用在许多原来需要字典参数的函数中。

print 'b' in obj2  #obj2中有索引'b'?若有就返回'True'

（3）如果数据被存在一个python字典中，也可以直接通过这个字典来创建Series.

sdata={'Ohio':35000,'Texax':71000,'Oregon':16000,'Utah':5000}
obj3=Series(sdata)
print obj3
#输出结果如下：
# Ohio      35000
# Oregon    16000
# Texax     71000
# Utah       5000
#注：如果只传入一个字典，则结果Series中的索引就是原字典的键(有序排列)
states=['California','Ohio','Oregon','Texax']
obj4=Series(sdata,index=states) #将sdata字典创建Series,索引用states来创建
print obj4
#California在sdata中没有相应的值，故是NaN缺省值
# California        NaN
# Ohio          35000.0
# Oregon        16000.0
# Texax         71000.0

（4）pandas中的isnull和notnull函数可以用于检测缺失数据，

Series也有类似的方法

print pd.isnull(obj4)
#输出结果如下：
# California     True
# Ohio          False
# Oregon        False
# Texax         False
# dtype: bool
print pd.notnull(obj4)
#输出结果如下：
# California    False
# Ohio           True
# Oregon         True
# Texax          True
# dtype: bool
print obj4.isnull() #Series的isnull方法
#输出结果如下：
# California     True
# Ohio          False
# Oregon        False
# Texax         False
# dtype: bool

（5）Series最重要的一个功能是：它在算术运算中会自动对齐不同索引的数据。

print obj3,obj4
# Ohio      35000
# Oregon    16000
# Texax     71000
# Utah       5000
# dtype: int64
#
# California        NaN
# Ohio          35000.0
# Oregon        16000.0
# Texax         71000.0
# dtype: float64
print  obj3+obj4
# California         NaN
# Ohio           70000.0
# Oregon         32000.0
# Texax         142000.0
# Utah               NaN
# dtype: float64

（6）Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切

obj4.name='population'
obj4.index.name='state'
print obj4
#输出如下：加上state和name
# state
# California        NaN
# Ohio          35000.0
# Oregon        16000.0
# Texax         71000.0
# Name: population, dtype: float64

（7）Series的索引可以通过赋值的方式就地修改

obj2.index=['Bob','Steven','Jeff','Ryan']
print obj2
#输出结果如下：
# Bob       4
# Steven    7
# Jeff     -5
# Ryan      3
# dtype: int64
obj2['Bob']=15
print obj2
#输出结果如下：
# Bob       15
# Steven     7
# Jeff      -5
# Ryan       3
# dtype: int64
print obj2['Bob'].values #没有这种表示法，报错。因为类似字典取值，直接取键值即可
print obj2.values #查看所有值

3. DataFrame相当于有表格，有行表头和列表头

a=pd.DataFrame(np.random.rand(4,5),index=list("ABCD"),columns=list('abcde'))
print a

4.DataFrame的一些操作

#增加列或修改列
a['f']=[1,2,3,4]
a['e']=10
print a
print "======================="
#增加行或修改行
a.ix['D']=10
# print a
S=pd.DataFrame(np.random.rand(4,6),index=list('EFGH'),columns=list('abcdef'))
a=a.append(S)
print a
print "======================="
#切片
print (a[['b','e']]) #取'b','e'列
print a.loc['A':'D',['a','c','f']] #取'A'-'D'行'a','c','f'列
print "======================="
#减少行或减少列
a=a.drop(['C','D']) #删除'C'行和'D'
print a
a=a.drop('a',axis=1) #删除'a'列,axis=0表示行，axis=1表示列
print a
print "======================="
#缺省值处理
a.iloc[2,3]=None #取第三行第4列值设为None
a.iloc[4,0]=None #取第五行第1列值设为None
print a
a=a.fillna(5)  #缺省值处(即NaN处填充为5)
print a
#缺省值去行即有缺省值的把这一行都去掉
a.iloc[2,3]=None
a.iloc[4,0]=None
print a
a=a.dropna() #删除缺省值为NaN的行
print a
print "======================="
#读取excel,适当改动后，保存到excel中
e1=pd.read_excel('test.xlsx',sheetname='Sheet1')
e1.columns=['class','no','name','sex','dormitory','phonenumber']
print(e1)
print(e1.ix[2])
print(e1['class'])
print(e1.sex)
#可将取出的数据处理，处理完后再保存到excel中去
e2=pd.read_excel('test_copy.xlsx',sheetname='Sheet1',names='table1',header=None)
e2.columns=['a','b','c','d']
print(e2)
e2.to_excel('test_write.xlsx',header=False,index=False)

(1)构建DataFrame 的方法很多，最常用的一种是直接传入一个由等长列表或者Numpy数组组成的字典

import numpy as np
from numpy import random
import matplotlib.pyplot as plt
from numpy.linalg import inv,qr
from pandas import Series,DataFrame
import pandas as pd

data={'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],
      'year':[2000,2001,2002,2001,2002],
      'pop':[1.5,1.7,3.6,2.4,2.9]}
frame=DataFrame(data)
print frame
#输出的结果如下：
#    pop   state  year
# 0  1.5    Ohio  2000
# 1  1.7    Ohio  2001
# 2  3.6    Ohio  2002
# 3  2.4  Nevada  2001
# 4  2.9  Nevada  2002

（2）如果指定了列序列，则DataFrame的列就会按照指定的顺序进行排序

frame1=DataFrame(data,columns=['year','state','pop'])
print frame1
#输出的结果如下：
#    year   state  pop
# 0  2000    Ohio  1.5
# 1  2001    Ohio  1.7
# 2  2002    Ohio  3.6
# 3  2001  Nevada  2.4
# 4  2002  Nevada  2.9

（3）跟Series一样，如果传入的列在数据中找不到，就会产生NA值

frame2=DataFrame(data,columns=['year','state','pop','debt'],
                 index=['one','two','three','four','five'])  #column列的索引，index是行的索引
print frame2
#输出的结果如下：
#        year   state  pop debt
# one    2000    Ohio  1.5  NaN
# two    2001    Ohio  1.7  NaN
# three  2002    Ohio  3.6  NaN
# four   2001  Nevada  2.4  NaN
# five   2002  Nevada  2.9  NaN
print frame2.columns #输出列的索引
#输出结果如下：
# Index([u'year', u'state', u'pop', u'debt'], dtype='object')

（4）类似字典标记的方式或属性的方式，可以将DataFrame的列获取为一个Series.

print frame2['state'] #取出列索引为state的列的数据
#输出结果如下：
# one        Ohio
# two        Ohio
# three      Ohio
# four     Nevada
# five     Nevada
# Name: state, dtype: object
print frame2.year
#输出结果如下：
# one      2000
# two      2001
# three    2002
# four     2001
# five     2002
# Name: year, dtype: int64

（5）返回的Series拥有原DataFrame相同的索引，且其name属性也已经被相应地设置好了。行也可以通过位置或名称的方式进行获取

比如用索引字段ix,ix是取行的索引

print frame2.ix['three']
#输出的结果如下：
# year     2002
# state    Ohio
# pop       3.6
# debt      NaN
# Name: three, dtype: object

（6）可以通过赋值的方式进行修改。

# frame2['debt']=16.5  #debt列全为16.5
# print frame2
#输出结果如下：
#        year   state  pop  debt
# one    2000    Ohio  1.5  16.5
# two    2001    Ohio  1.7  16.5
# three  2002    Ohio  3.6  16.5
# four   2001  Nevada  2.4  16.5
# five   2002  Nevada  2.9  16.5
#将列表或数组赋值给某个列时，其长度必须跟DataFrame的长度相匹配。
#如果赋值的是一个Series,就会精确匹配DataFrame的索引，所有的空位都将被填上缺失值。
frame2['debt']=np.arange(5.)
print frame2
#输出结果如下：
#        year   state  pop  debt
# one    2000    Ohio  1.5   0.0
# two    2001    Ohio  1.7   1.0
# three  2002    Ohio  3.6   2.0
# four   2001  Nevada  2.4   3.0
# five   2002  Nevada  2.9   4.0
#赋值一个Series
val=Series([-1.2,-1.5,-1.7],index=['two','four','five'])
frame2['debt']=val
print frame2
#输出结果如下：不在index中的索引的值都赋了Nan
#        year   state  pop  debt
# one    2000    Ohio  1.5   NaN
# two    2001    Ohio  1.7  -1.2
# three  2002    Ohio  3.6   NaN
# four   2001  Nevada  2.4  -1.5
# five   2002  Nevada  2.9  -1.7
#为不存在的列赋值会创建出一个新列。关键字del用于删除列。
frame2['eastern']=frame2.state=='Ohio' #没有eastern列，固会自动增加一列
#frame2.state=='Ohio'如果等于则返回True,否则返回False
print frame2
#        year   state  pop  debt  eastern
# one    2000    Ohio  1.5   NaN     True
# two    2001    Ohio  1.7  -1.2     True
# three  2002    Ohio  3.6   NaN     True
# four   2001  Nevada  2.4  -1.5    False
# five   2002  Nevada  2.9  -1.7    False
del frame2['eastern'] #删除eastern列
print frame2
#返回结果如下：
#        year   state  pop  debt
# one    2000    Ohio  1.5   NaN
# two    2001    Ohio  1.7  -1.2
# three  2002    Ohio  3.6   NaN
# four   2001  Nevada  2.4  -1.5
# five   2002  Nevada  2.9  -1.7
print frame2.columns  #查看frame2的列
#输出结果如下：Index([u'year', u'state', u'pop', u'debt'], dtype='object')

（7）另一种常见的数据形式是嵌套字典(也就是字典的字典)

pop={'Nevada':{2001:2.4,2002:2.9},
     'Ohio':{2000:1.5,2001:1.7,2002:3.6}}
frame3=DataFrame(pop)
print frame3
#输出的结果如下：
#       Nevada  Ohio
# 2000     NaN   1.5
# 2001     2.4   1.7
# 2002     2.9   3.6
#可以对frame进行转置
print frame3.T
#输出结果如下：
#         2000  2001  2002
# Nevada   NaN   2.4   2.9
# Ohio     1.5   1.7   3.6
print DataFrame(pop,index=[2001,2002,2003])
#输出结果如下：
#       Nevada  Ohio
# 2001     2.4   1.7
# 2002     2.9   3.6
# 2003     NaN   NaN
pdata={'Ohio':frame3['Ohio'][:-1],
       'Nevada':frame3['Nevada'][:2]}
print DataFrame(pdata)
#输出结果如下：
#       Nevada  Ohio
# 2000     NaN   1.5
# 2001     2.4   1.7

可以输入给DataFrame构造器的数据：

二维ndarray 		                 数据矩阵，还可以传入行标和列标
由数组、列表或元组组成的字典		 每个序列会变成DataFrame的一列，所有序列的长度必须相同
Numpy的结构化/记录数组				 类似于“由数组组成的字典”
由Series组成的字典				 每个Series会成为一列。如果没显式指定索引，由各Series的索引会被合
								 并成结果的行索引
由字典组成的字典					 各内层字典会成为一列。键会被合并成结果的行索引，跟“由Series组成的字典”
								 的情况一样
字典或Series的列表				 各项将会成为DataFrame的一行。字典键或Series索引的并集将会成为DataFrame
								 的列标
由列表或元组组成的列表				 类似于“二维ndarray”
另一个DataFrame					 该DataFrame的索引将会被沿用，除非显式指定了其它索引
Numpy的MaskedArray			 	 类似于"二维ndarray"的情况，只是掩码值在结果DataFrame会变成NA/缺失值

#如果设置了DataFrame的index和columns的name属性，则这些信息也会被显示出来：
frame3.index.name='year';
frame3.columns.name='state'
print frame3
#输出结果如下：
# state  Nevada  Ohio
# year
# 2000      NaN   1.5
# 2001      2.4   1.7
# 2002      2.9   3.6
#跟Series一样，values属性也会以二维ndarray的形式返回DataFrame中的数据：
print frame3.values
# [[ nan  1.5]
#  [ 2.4  1.7]
#  [ 2.9  3.6]]
#如果DataFrame各列的数据类型不同，则值数组的数据类型就会选用能兼容所有列的数据类型
print frame2.values
# [[2000 'Ohio' 1.5 nan]
#  [2001 'Ohio' 1.7 -1.2]
#  [2002 'Ohio' 3.6 nan]
#  [2001 'Nevada' 2.4 -1.5]
#  [2002 'Nevada' 2.9 -1.7]]