python有必要学数据结构么_如何高效地学习数据结构——Python篇

我们来看看如何高效地学习一门语言的数据结构，今天我们先看Python篇。

所谓数据结构，是指相互之间存在一种或多种特定关系的数据类型的集合。

Python在数据分析领域中，最常用的数据结构，莫过于DataFrame了，今天我们就介绍如何高效地学习DataFrame这种数据结构。

要学习好一种东西，最好给自己找一个目标，达到了这个目标，我们就是学好了。一般，我在学习一门新的语言的数据结构的时候，一般要求自己达到以下五个要求：

第一个问题：概念，这种数据结构的概念是什么呢？

第二个问题：定义，如何定义这种数据结构呢？

第三个问题：限制，使用这种数据结构，有什么限制呢？

第四个问题：访问，访问这种数据结构内的数据的方式是什么呢？

第五个问题：修改，如何对这种数据结构进行增加元素、删除元素以及修改元素呢？

好，今天我们就来回答一下以上五个问题。

第一个问题：概念，这种数据结构的概念是什么呢？

数据框是用于存储多行和多列的数据集合，下面我们使用一张图片，形象地讲解它的内部结构：

OK，这个就是数据框的概念了。

第二个问题：定义，如何定义这种数据结构呢？

DataFrame函数语法

DataFrame(columnsMap)

代码举例 ：

>>> df = DataFrame({

'age': Series([21, 22, 23]),

'name': Series(['KEN', 'John', 'JIMI'])

});

>>> df

age name

0 21 KEN

1 22 John

2 23 JIMI

OK，这个就是定义数据框DataFrame的方法了。

第三个问题：限制，使用这种数据结构，有什么限制呢？

一般而言，限制是对于这种数据结构是否只能存储某种数据类型，在Python的数据框中，允许存放多种数据类型，基本上对于默认的数据类型，没有任何限制。

第四个问题：访问，访问这种数据结构内的数据的方式是什么呢？访问位置方法备注

访问列变量名[列名]访问对应列

访问行变量名[n:m]访问n行到m-1行的数据

访问行和列变量名.iloc[n1:n2, m1:m2]访问n1到n2-1列，m1到m2-1行的数据

访问位置变量名.at[n, 列名]访问n行，列位置

代码举例

>>> df['age']

0 21

1 22

2 23

Name: age, dtype: int64

>>> df[1:2]

age name

1 22 John

>>> df.iloc[0:1, 0:2]

age name

0 21 KEN

>>> df.at[0, 'name']

'KEN'

>>> df[['age', 'name']]

age name

0 21 KEN

1 22 John

2 23 JIMI

>>>

第五个问题：修改，如何对这种数据结构进行增加元素、删除元素以及修改元素呢？

这个问题，我并没有在课程中跟大家讨论过，主要是为了避免大家觉得学习起来很难。

也因此，这篇博文到了这里才是真正的干货，之前的那些都是课程中出现过的内容了，哈哈，

修改包括：

1、修改列名，行索引

2、增加/删除/修改 行

3、增加/删除/修改 列

好，下面我们上代码：

from pandas import Series;

from pandas import DataFrame;

df = DataFrame({

'age': Series([21, 22, 23]),

'name': Series(['KEN', 'John', 'JIMI'])

});

#1.1、修改列名

>>> df.columns

Index(['age', 'name'], dtype='object')

>>> df.columns=['age2', 'name2']

>>> df

age2 name2

0 21 KEN

1 22 John

2 23 JIMI

#1.2、修改行名

>>> df.index

Int64Index([0, 1, 2], dtype='int64')

>>> df.index = range(1,4)

>>> df.index

Int64Index([1, 2, 3], dtype='int64')

#2.1、删除行

>>> df.drop(1)

age2 name2

2 22 John

3 23 JIMI

>>> df

age2 name2

1 21 KEN

2 22 John

3 23 JIMI

#注意，删除后的DataFrame需要一个变量来接收，并不会直接修改原来的DataFrame.

>>> newdf = df.drop(1);

>>> newdf

age2 name2

2 22 John

3 23 JIMI

#2.2、删除列

>>> del newdf['age2']

>>> newdf

name2

2 John

3 JIMI

#3.1、增加行

>>> df.loc[len(df)+1] = [24, "KENKEN"];

>>> df

age2 name2

1 21 KEN

2 22 John

3 23 JIMI

4 24 KENKEN

#3.2、增加列

>>> df['newColumn'] = [2, 4, 6, 8];

>>> df

age2 name2 newColumn

1 21 KEN 2

2 22 John 4

3 23 JIMI 6

4 24 KENKEN 8

以上就是全部五个问题的答案了，通过自问自答这五个问题，我们就可以高效地学习某种数据结构了。