dataframe列互换 python_python 数据分析工具包 pandas(一)

592076ce5c0e0201c1d8dab9a9517332.png

1. 简单介绍

pandas 是专为 python 编程语言设计的高性能,简单易用的数据结构数据分析工具库,它建立在 numpy 之上,可以许多第三方库完美集成在同一个科学计算环境中。pandas 被广泛应用于金融,统计,社会科学和许多工程技术领域,处理典型数据分析案例。

2. 安装

pandas 支持 conda 和 pip 两种方式安装。

conda 安装:

conda install pandas

pip 安装:

pip install pandas

截至本文写作之时,官方最新发布版本是 v0.25.1,发布时间为2019年8月22日。最新版本是 0.25.x 系列的bug修复版,建议更新。更新方式如下:

pip install –upgrade pandas

3. 数据结构

pandas 有两种主要的数据结构:Series(1维)和 DataFrame (2维)。

下面分别介绍这两种数据结构,首先在我们的 python 脚本或 jupyter notebook 中导入 pandas,业界惯例缩写为 pd。

import pandas as pd

3.1 Series

Series 是一维标记数组,能够保存任何数据类型(整数,字符串,浮点数,Python对象等)。 轴标签统称为索引。

3.1.1 创建 Series

通过列表创建:

data = [1, 2, 3]
pd.Series(data)
0    1
1    2
2    3
dtype: int64

通过字典创建:

data = {'a': 1, 'b': 2, 'c': 3}
pd.Series(data)
a    1
b    2
c    3
dtype: int64

通过 index 参数设置索引(标签):

data = [1, 2, 3]
index = ['a', 'b', 'c']
pd.Series(data, index=index)
a    1
b    2
c    3
dtype: int64

通过标量创建(相同值),并设置索引(标签,不能重复):

data = 0
index = ['a', 'b', 'c']
pd.Series(data, index=index)
a    0
b    0
c    0
dtype: int64

3.1.2 访问 Series

s = pd.Series([10, 100, 1000], index=['a', 'b', 'c'])
s
a      10
b     100
c    1000
dtype: int64

数组方式访问:

print(s[0], s[1], s[2])
10 100 1000

字典方式访问:

print(s['a'], s['b'], s['c'])
10 100 1000

可见两种访问方式之间的对应关系:

print(s[0] == s['a'], s[1] == s['b'], s[2] == s['c'])
True True True

3.2 DataFrame

DataFrame 是一个二维标记数据结构,具有可能不同类型的列。 可以将其类比于电子表格或 SQL 表,或 Series 对象的字典。 它也是最常用的 pandas 对象。

3.2.1 创建 DataFrame

通过列表字典创建:

data = {
    'col1': [1, 2, 3],
    'col2': [4, 5, 6],
    'col3': [7, 8, 9]
}

pd.DataFrame(data)

col1 col2 col3 0 1 4 7 1 2 5 8 2 3 6 9

通过 Series 字典创建:

s1 = pd.Series([1, 2, 3], index=['row1', 'row2', 'row3'])
s2 = pd.Series([4, 5, 6], index=['row2', 'row3', 'row4'])
s3 = pd.Series([7, 8, 9], index=['row3', 'row4', 'row5'])

data = {
    'col1': s1,
    'col2': s2,
    'col3': s3
}

pd.DataFrame(data)

col1 col2 col3 row1 1.0 NaN NaN row2 2.0 4.0 NaN row3 3.0 5.0 7.0 row4 NaN 6.0 8.0 row5 NaN NaN 9.0

通过字典列表创建:

data = [
    {'col1': 1, 'col2': 2, 'col3': 3},
    {'col1': 2, 'col2': 3, 'col3': 4},
    {'col1': 3, 'col2': 4, 'col3': 5}
]

pd.DataFrame(data, index=['row1', 'row2', 'row3'])

col1 col2 col3 row1 1 2 3 row2 2 3 4 row3 3 4 5

通过二维列表创建:

data = [
    [1, 2, 3],
    [2, 3, 4],
    [3, 4, 5]
]

pd.DataFrame(data, index=['row1', 'row2', 'row3'], columns=['col1', 'col2', 'col3'])

col1 col2 col3 row1 1 2 3 row2 2 3 4 row3 3 4 5

3.2.2 访问 DataFrame

df = pd.DataFrame([[1, 4, 7], [2, 5, 8], [3, 6, 9]],
                  index=['row1', 'row2', 'row3'],
                  columns=['col1', 'col2', 'col3'])
df

col1 col2 col3 row1 1 4 7 row2 2 5 8 row3 3 6 9

通过列标签访问列:

df['col1']
row1    1
row2    2
row3    3
Name: col1, dtype: int64

通过行标签访问行:

df.loc['row1']
col1    1
col2    4
col3    7
Name: row1, dtype: int64

通过整数访问行:

df.iloc[0]
col1    1
col2    4
col3    7
Name: row1, dtype: int64

通过切片选择行:

df[1:]

col1 col2 col3 row2 2 5 8 row3 3 6 9

3.2.3 转置 DataFrame

将行列互换,类似线性代数中矩阵的转置。

df.T

猜你喜欢:

KEN:python 科学计算的基石 numpy(一)​zhuanlan.zhihu.com
KEN:python 数据可视化工具包 matplotlib​zhuanlan.zhihu.com

坚持写专栏不易,如果觉得本文对你有帮助,记得点个赞。感谢支持!

个人网站: https://kenblog.top/

github 站点: https://kenblikylee.github.io/

掘金: https://juejin.im/user/5bd2b8b25188252a784d19d7/posts

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值