Pandas(二)--DataFrame结构

DataFrame结构

DataFrame 一个表格型的数据结构，既有行标签（index），又有列标签（columns），它也被称异构数据表，所谓异构，指的是表格中每列的数据类型可以不同，比如可以是字符串、整型或者浮点型等。其结构图示意图，如下所示：

表格中数据以行和列形式来表示，其中每一列表示一个属性，而每一行表示一个条目的信息。
下表展示了上述表格中每一列标签所描述数据的数据类型，如下所示：

Column	Type
name	String
age	integer
gender	String
rating	Float

DataFrame 的每一行数据都可以看成一个 Series 结构，只不过，DataFrame 为这些行中每个数据值增加了一个列标签。因此 DataFrame 其实是从 Series 的基础上演变而来。在数据分析任务中 DataFrame 的应用非常广泛，因为它描述数据的更为清晰、直观。下面对 DataFrame 数据结构的特点做简单地总结，如下所示：

• DataFrame 每一列的标签值允许使用不同的数据类型；
• DataFrame 是表格型的数据结构，具有行和列；
• DataFrame 中的每个数据值都可以被修改。
• DataFrame 结构的行数、列数允许增加或者删除；
• DataFrame 有两个方向的标签轴，分别是行标签和列标签；
• DataFrame 可以对行和列执行算术运算。

创建DataFrame对象

创建 DataFrame 对象的语法格式如下：

1. import pandas as pd
2. pd.DataFrame( data, index, columns, dtype, copy)

参数说明：

参数名称	说明
data	输入的数据，可以是 ndarray，series，list，dict，标量以及一个 DataFrame。
index	行标签，如果没有传递 index 值，则默认行标签是 np.arange(n)，n 代表 data 的元素个数。
columns	列标签，如果没有传递 columns 值，则默认列标签是 np.arange(n)。
dtype	dtype表示每一列的数据类型。
copy	默认为 False，表示复制数据 data。

Pandas 提供了多种创建 DataFrame 对象的方式，主要包含以下五种，分别进行介绍。

1) 创建空的DataFrame对象

import pandas as pd
df = pd.DataFrame()
print(df)

# 输出结果如下：
<span style="color:#444444">Empty DataFrame
Columns: []
Index: []</span>

2) 列表创建DataFame对象

# 示例 1，单一列表创建 DataFrame：
import pandas as pd
data = [1,2,3,4,5]
df = pd.DataFrame(data)
print(df)

# 输出如下：
<span style="color:#444444">     0
0    1
1    2
2    3
3    4
4    5</span>

# 示例 2，使用嵌套列表创建 DataFrame 对象：
import pandas as pd
data = [['Alex',10],['Bob',12],['Clarke',13]]

df = pd.DataFrame(data, columns=['Name','Age'])
print(df)
输出结果：
<span style="color:#444444">      Name      Age
0     Alex      10
1     Bob       12
2     Clarke    13</span>

# 指定数值元素的数据类型为 float：
df = pd.DataFrame(data, columns=['Name','Age'], dtype=float)
print(df)
输出结果：
<span style="color:#444444">      Name     Age
0     Alex     10.0
1     Bob      12.0
2     Clarke   13.0</span>

3) 字典嵌套列表创建

data 字典中，键对应的值的元素长度必须相同（也就是列表长度相同）。如果传递了索引，那么索引的长度应该等于数组的长度；如果没有传递索引，那么默认情况下，索引将是 range(n)，其中 n 代表数组长度。

​
示例
import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data)
print(df)

输出结果：
<span style="color:#444444">      Age      Name
0     28        Tom
1     34       Jack
2     29      Steve
3     42      Ricky</span>


上述示例添加自定义的行标签，index 参数为每行分配了一个索引。
df = pd.DataFrame(data, index=['rank1','rank2','rank3','rank4'])
print(df)

输出结果如下：
<span style="color:#444444">         Age    Name
rank1    28      Tom
rank2    34     Jack
rank3    29    Steve
rank4    42    Ricky</span>

4) 列表嵌套字典创建DataFrame对象

列表嵌套字典可以作为输入数据传递给 DataFrame 构造函数。默认情况下，字典的键被用作列名。

示例
import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print(df)

输出结果：
<span style="color:#444444">    
    a    b      c
0   1   2     NaN
1   5   10   20.0</span>

注意：如果其中某个元素值缺失，也就是字典的 key 无法找到对应的 value，将使用 NaN 代替。

# 给上述示例添加行标签索引：
df = pd.DataFrame(data, index=['first', 'second'])
print(df)

输出结果：
<span style="color:#444444">       
        a   b       c
first   1   2     NaN
second  5   10   20.0</span>

5) Series创建DataFrame对象

您也可以传递一个字典形式的 Series，从而创建一个 DataFrame 对象，其输出结果的行索引是所有 index 的合集。 示例如下：

​import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df)
输出结果如下：

<span style="color:#444444">
      one    two
a     1.0    1
b     2.0    2
c     3.0    3
d     NaN    4</span>

注意：对于 one 列而言，此处虽然显示了行索引 'd'，但由于没有与其对应的值，所以它的值为 NaN。

列索引操作DataFrame

DataFrame 可以使用列索（columns index）引来完成数据的选取、添加和删除操作。下面依次对这些操作进行介绍。

1) 列索引选取数据列

​import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df ['one'])

输出结果：
<span style="color:#444444">
a     1.0
b     2.0
c     3.0
d     NaN
Name: one, dtype: float64</span>

2) 列索引添加数据列

import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)

#使用df['列']=值，插入新的数据列
df['three']=pd.Series([10,20,30],index=['a','b','c'])

#将已经存在的数据列做相加运算
df['four']=df['one']+df['three']

上述示例，我们初次使用了 DataFrame 的算术运算，这和 NumPy 非常相似。除了使用df[]=value的方式外，您还可以使用 insert() 方法插入新的列，示例如下：

​import pandas as pd
info=[['Jack',18],['Helen',19],['John',17]]
df=pd.DataFrame(info, columns=['name','age'])
print(df)

#数值1代表插入到columns列表的索引位置
df.insert(1, column='score',value=[91,90,75])
print(df)

输出结果：
<span style="color:#444444">添加前：
    name  age
0   Jack   18
1  Helen   19
2   John   17

添加后：
    name  score  age
0   Jack     91   18
1  Helen     90   19
2   John     75   17</span>

3) 列索引删除数据列

通过 del 和 pop() 都能够删除 DataFrame 中的数据列。示例如下：

import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']),
'three' : pd.Series([10,20,30], index=['a','b','c'])}
df = pd.DataFrame(d)
# 原始df
print(df)

#使用del删除
del df['one']
print(df)

#使用pop方法删除
df.pop('two')
print (df)

输出结果：

<span style="color:#444444">原DataFrame:
      one   three  two
a     1.0    10.0   1
b     2.0    20.0   2
c     3.0    30.0   3
d     NaN     NaN   4

使用del删除 first:
      three    two
a     10.0     1
b     20.0     2
c     30.0     3
d     NaN      4

使用 pop()删除:
   three
a  10.0
b  20.0
c  30.0
d  NaN</span>

行索引操作DataFrame

理解了上述的列索引操作后，行索引操作就变的简单。也有选取，添加和删除操作

选取数据行

1) 标签索引选取：loc函数进行标签索引选取

可以将行标签传递给 loc 函数，来选取数据。示例如下：
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df.loc['b'])

输出结果：
one 2.0
two 2.0
Name: b, dtype: float64
注意：loc 允许接两个参数分别是行和列，参数之间需要使用“逗号”隔开，但该函数只能接收标签索引。

2) 整数索引选取：iloc函数进行整数索引选取

1. import pandas as pd
2. d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
3. 'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
4. df = pd.DataFrame(d)
5. print (df.iloc[2]）

输出结果：

<span style="color:#444444">one   3.0
two   3.0
Name: c, dtype: float64</span>

注意：iloc 允许接受两个参数分别是行和列，参数之间使用“逗号”隔开，但该函数只能接收整数索引。

3) 切片操作多行选取

1. import pandas as pd
2. d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
3. 'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
4. df = pd.DataFrame(d)
5. #左闭右开
6. print(df[2:4])

输出结果：

<span style="color:#444444">   one  two
c  3.0    3
d  NaN    4</span>

添加数据行

使用 append() 函数，可以将新的数据行添加到 DataFrame 中，该函数会在行末追加数据行。

1. import pandas as pd
2. df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])
3. df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])
4. #在行末追加新数据行
5. df = df.append(df2)
6. print(df)

输出结果：

<span style="color:#444444">   a  b
0  1  2
1  3  4
0  5  6
1  7  8</span>

删除数据行

使用drop函数传入索引标签删除数据，从 DataFrame 中删除某一行数据。如果索引标签存在重复，那么它们将被一起删除。示例如下：

1. import pandas as pd
2. df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])
3. df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])
4. df = df.append(df2)
5. print(df)
6. #注意此处调用了drop()方法
7. df = df.drop(0)
8. print (df)

输出结果：

<span style="color:#444444">执行drop(0)前：
   a  b
0  1  2
1  3  4
0  5  6
1  7  8

执行drop(0)后：
  a b
1 3 4
1 7 8</span>

在上述的示例中，默认使用 range(2) 生成了行索引，并通过 drop(0) 同时删除了两行数据。

常用属性和方法汇总

DataFrame 的属性和方法，与 Series 相差无几，如下所示：

名称	属性&方法描述
T	行和列转置。
axes	返回一个仅以行轴标签和列轴标签为成员的列表。
dtypes	返回每列数据的数据类型。
empty	DataFrame中没有数据或者任意坐标轴的长度为0，则返回True。
ndim	轴的数量，也指数组的维数。
shape	返回一个元组，表示了 DataFrame 维度。
size	DataFrame中的元素数量。
values	使用 numpy 数组表示 DataFrame 中的元素值。
head()	返回前 n 行数据。
tail()	返回后 n 行数据。
shift()	将行或列移动指定的步幅长度

shift()移动行或列

如果您想要移动 DataFrame 中的某一行/列，可以使用 shift() 函数实现。它提供了一个periods参数，该参数表示在特定的轴上移动指定的步幅。该函数的返回值是移动后的 DataFrame 副本。

shift() 函数的语法格式如下：

DataFrame.shift(periods=1, freq=None, axis=0)  

参数说明如下：

参数名称	说明
peroids	类型为int，表示移动的幅度，可以是正数，也可以是负数，默认值为1。
freq	日期偏移量，默认值为None，适用于时间序。取值为符合时间规则的字符串。
axis	如果是 0 或者 "index" 表示上下移动，如果是 1 或者 "columns" 则会左右移动。
fill_value	该参数用来填充缺失值。

示例如下：

1. import pandas as pd
2. info= pd.DataFrame({'a_data': [40, 28, 39, 32, 18],
3. 'b_data': [20, 37, 41, 35, 45],
4. 'c_data': [22, 17, 11, 25, 15]})
5. #移动幅度为3
6. info.shift(periods=3)

输出结果：

<span style="color:#444444">
   a_data  b_data  c_data
0     NaN     NaN     NaN
1     NaN     NaN     NaN
2     NaN     NaN     NaN
3    40.0    20.0    22.0
4    28.0    37.0    17.0</span>

下面使用 fill_value 参数填充 DataFrame 中的缺失值，如下所示：

1. import pandas as pd
2. info= pd.DataFrame({'a_data': [40, 28, 39, 32, 18],
3. 'b_data': [20, 37, 41, 35, 45],
4. 'c_data': [22, 17, 11, 25, 15]})
5. #移动幅度为3
6. print(info.shift(periods=3))
7. #将缺失值和原数值替换为52
8. info.shift(periods=3,axis=1,fill_value= 52)

输出结果：

<span style="color:#444444">原输出结果：
   a_data  b_data  c_data
0     NaN     NaN     NaN
1     NaN     NaN     NaN
2     NaN     NaN     NaN
3    40.0    20.0    22.0
4    28.0    37.0    17.0

替换后输出：
   a_data  b_data  c_data
0      52      52      52
1      52      52      52
2      52      52      52
3      52      52      52
4      52      52      52</span>

注意：fill_value 参数不仅可以填充缺失值，还也可以对原数据进行替换。