pandas fillna_Numpy和Pandas数据结构总结

Numpy和Pandas的关系：

1. 二者都是Python的三方库
2. Numpy是基本的数值计算库
3. Pandas是处理不同变量的表格计算的库
4. Pandas有两个核心数据结构series 和 dataFrame 一个dataframe可以包含多个series
5. 两者相辅相成，pandas一些数据处理库是建立在numpy基础上的。

Numpy

为什么需要用到它？

因为Python中的array模块，不支持多维和运算模块，不适合做数值计算；

Numpy提供两种基本对象：

1. ndarray N维数组对象，是存储单一数据类型的多维数组；
2. ufunc，是对数组进行处理的函数。

输入数组并打印：

指定数组类型：

查看这个数组的类别：

可以看到数组是ndarray。

查看到它其实是一个序列：

索引数组中的元素：

这个数组中第0个元素是1。

重新给第0个元素赋值，并打印：

建立数组，打印，并查看数组类型：

查看shape：

2行3列。

二维数组索引 a[行号，列号]：

特殊数组：

Numpy.zeros（）

分别生成一维序列，和二维（2行4列）

D = numpy.zeros（[2,4]） 和D = numpy.zeros(（2,4）)一样

Numpy.ones（）

全1数组：

Numpy.full（）：

生成全是某个值的数组

Numpy.eye（）：

单位矩阵，由于单位矩阵行列相同，所以只需要输入一个数字：

numpy.random.random()：

随机数组：

切片和索引：

a[0:2,0:4]，意思是索引从第0行到第1行，第0列到第3列。

间隔提取：

第一个冒号前后表示开始和结束位置，第二个冒号后面表示间隔的大小。

使用其他序列来索引:

冒号写法不同的区别：

可以看到上面一种方式，输出的是2维数组，下面一种却是1维序列。

分别输出第0个元素：

四种读取多维数组元素的方式：

总结这4种方法，原则就是定义清楚行列号。

Bool索引：

创建数组函数：

Numpy.arange（start , stop, step, dtype）

生成序列：

numpy.linspace（start,stop,num,endpoint,retstep,dtype）：

numpy.logspace（start,stop,num,endpoint,base,dtype）：

Pandas：

pandas的数据类型主要是：Series和DataFrame：

Series:

可以和pandas生成的序列对比查看：

DataFrame：

生成一个3行4列dataframe

取第0列两种方法：

生成数据时制定列名和index：

拼接序列：

给dataframe添加列：

查看列名、index和值：

Loc和iloc的区别：loc通过索引访问，iloc通过行和列标访问：

重命名列名：

dropna（axis=1,how=’all’）：这个意思是，删除列，当这列所有为空时才删除。当how=’any’，表示只要有空就删除，且注意，dropna并不是删除原数据，只是新生成了一个dataframe。

fillna(0)：表示用0去替换。

fillna（note[‘5’.mean（）]）：用这列的均值去填充空值。

以上即为pandas和numpy的数据结构总结，再花点时间学习一下各自的计算函数，这两个包就熟悉得差不多了。