YS_20190805_Python

Numpy中Pandas的相关内容

Series

Series条难过下标index可以获取值，并且Series市创建一个一维数组。

1. 在pandas里面下标索引一般叫数据标签（在AI、Pythoin、数据分析、大数据、数据挖掘的核心标签）部分数据的大小，一行数据或者海量数据都可以通过数据标签获取。----->因此在企业中大量使用
2. Series只能创建一维数组。如果想创建二维数组，那么就必须导入numpy模块，利用np.array（多维数组）—形成维度空间—矩阵
3. ser03.index=[u’数学’,u’语文’,u’化学’,u’英语’] #u其实是series里面的一个标识符关键字，和索引的位置是一样—操作大量使用
4. ser04=pd.Series(data=[100,89,90,99],dtype=np.float64,index=[‘数学’,‘语文’,‘化学’,‘英语’])# series里面有4个参数。

获取Series的值的几种方式

1. 通过方括号+索引的方式读取对应索引的数据，有可能返回多条数据： [] +index。

ser01.index=['a','b','c','d']   
print(ser01['a'])

备注： 直接通过index获取数据。快速。但是直接操作index 是对数据不安全的！—结合实际情况使用（例如：经理要在10分钟之内完成海量数据的读取操作，不在进行其他数据的操作《update、alter、insert》，可以利用index读取
2. 通过 [] +index。

 sr07=pd.Series(['a','b','c','d'])
 print(ser07(0))

备注： 如果要进行数据的 CRUD操作！建议使用[] +index方法

3. 通过numpy的ndarray的切片操作机制，方括号 [] +下标值/索引值+冒号(:)的形式来截取series对象中的一部分

 ser = pd.Series([1,2,3,4])
 print(ser)
 ser.index=['a','b','c','d'] 
 print(ser[0:2])

备注： 通过切片可以获取指定维度、矩阵的值！

4. 切片操作：
   print(ser01[0:2]) ----直接通过index
   print(ser01[‘a’:‘c’]) #切片 ----直接通过值

Series的运算：

Numpy 和 Python的运算符。series完全支持二者的运算符 “ + - * / ”等

缺失值检测：

什么是缺失值 ？======没有被赋值吧-----和赋值有点区别
什么区别？
i：没有被赋值—操作报空指针异常
ii：缺失-----程序不会报空指针异常。也不会报任何程序异常！但是会利用Na填充----js
iii：NaN是计算机语言里面处理缺失值的关键字！不要乱用！isnull和notnull两个函数可以用于在Series中检测缺失值，这两个函数的返回时一个布尔类型的Series
isnull表示的是字典里面有缺失值的判断。如果字典列表里面有缺失值，返回一个true，反之返回false 返回的是一个bool类型
notnull表示的是字典里面有缺失值的判断。如果字典列表里面有缺失值，返回一个false，反之返回true 返回的是一个bool类型

备注 ： isnull 和 notnull 此处不是表示 “ ” null的思想！

ser13=([-1,-2,2,3,4,5])
print('没有运算之前的值:',ser13)

ser14=np.exp(ser13)   #exp属于numpy包
print('底数操作之后的值为',ser14)
#绝对值
ser15=np.fabs(ser13)
print('绝对值的值为',ser15)
#缺失值检测
ser16=({'1001':'a','1002':'b','1003':'d','1004':'e'})
print('检查缺失值之前的；',ser16)

ser17=pd.Series(ser16,index=['1001','1002','1008'])

print('检查缺失值之后的；',ser17)

# isnull
pd.isnull(ser17)
#isnotnull
pd.notnull(ser17)

结果：

Series的name属性：

1. ser20=pd.Series({‘1001’:‘刘德华’,‘1002’:‘郭富城’,‘1003’:‘李易峰’,‘1004’:‘陈坤’})
   #ser20.name=‘明星’ -----直接调用name属性。不方便数据的阅读，不方便程序员去解析数据！不建议直接调用name属性！
2. ser20.index.name=‘明星大咖’ -------利用index索引充当列名称，其实是非常正确的！因为键key对应的就是一个index.index属性的值在列的第一位置，行的第一行 、列的第一列======就是一个数据的title
   数据阅读起来很清晰，数据解析很明确！

DataFrame

假设有100万条数据，让你分析给客户 ，但是要知道数据肯定是客户读不懂的。此时需要程序员去手动将列、行名称重新命名。然后导出数据
（1）：DataFrame 的 index 属性 和 columns属性一定使用~ （2）：重置index的值 通过 df05.index=[‘王老师’,‘李老师’,‘赵老师’,‘陈老师’]
在字典里面，如果字典数据是一维数组。可以直接获取值~ 二维字典里面获取值得 时候需要将键和值分开，不然没有办法区分哪个是key、哪个是value

索引对象

什么是索引对象？
简答：其实索引对象就是不直接操作index，而是将index通过其他数据标签进行操作数据的完整过程！数据完全可以读写操作！
例如：index == key ====ser01=（[‘one’,‘two’,‘Thtree’]）
2. 索引对象可也可以利用面向对象的思想去理解----万物皆为对象—可以利用任何数据标签充当index—操作数据！

数据抓取

列数据抓取

1. 可以直接通过列索引获取指定列的数据。例如 ：df03.name---->等价于df03[‘姓名’] —列值
2. 添加数据给列 。注意 ：原始数据是几条，就匹配添加几条，如果新添加的数据大于元数据列数量，报数据大小不匹配，index not match

 df02['address']=['北京','香港','欧美']  #这是3条数据 

3. 删除列数据 ，利用pop函数 例如：

#列删除
df02.pop('address') 

4. 修改列数据 ，直接通过字段名称 赋值修改即可 。 #修改

df02['成绩']='一百分'

#通过index获取指定列的数据
df = pd.DataFrame([['tom',76],['gary',98],['john',44]],columns=[u'姓名',u'成绩'])
print(df.姓名)#等价于 df['姓名']
print(df)
# #给df添加一列数据
# df['add']=['北京','hongkong','EU']#给列添加数据，原数据十几条就匹配几条，如果大于原数据量，报错：数据大小不匹配
# print(df)

# #列数据删除  pop() 关键字
# print(df)
# df.pop('add')
# print(df)

# #列数据修改
# df['成绩'] = '100'
# print(df)

行数据抓取
如果需要获取指定行的数据的话，需要通过ix ()方法或者loc ()方法来获取对应行索引的行数据。

df = pd.DataFrame([['tom',76],['gary',98],['john',44]],columns=[u'姓名',u'成绩'])
print(df)
print(df.ix[1])
print(df.loc[0])
print(df.loc[2])
print(df.loc[0,'成绩'])

#添加行
df.loc[3] = ['lisi',100]
print(df)
df.loc[3]