Pandas学习

目录

从ndarray创建一个系列（series）

从有位置的序列（Series）中访问数据

创建DataFrame并显示

函数的应用

数值离散化

区间标签

虚拟编码

---

pands的数据结构主要是有两种分别是series和DataFrame 系列（series）是一维数组，与numpy中的一维数组array类似。二者与python的数据结构list也很近似，区别是：list中的元素可以是不同的数据类型，而array和series中则只允许存储相同的数据类型，这样能够更有效的使用内存，提高运算效率。
DataFrame是二维数组，非常接近execl电子表格或者类似MySQL数据库的形式。它的竖行称为列（columns），横行称为index，也就是说，数据的位置是通过columns和index来确定的。可以将DataFrame理解为series的容器。

从ndarray创建一个系列（series）

import numpy as np
import pandas as pd
data = np.array(['a','b','c','d'])
s=pd.Series(data)
print("显示系列中的索引和数据:",s)
data = np.array(['a','b','c','d'])
s=pd.Series(data,index=[100,101,102,103])
print("显示系列中的索引和数据",s)
'''输出结果为：
显示系列中的索引和数据: 0    a
1    b
2    c
3    d
dtype: object
显示系列中的索引和数据 100    a
101    b
102    c
103    d
dtype: object
'''

从有位置的序列（Series）中访问数据

系列（Series）中的数据可以使用类似于ndarray中的数据来访问

s=pd.Series([1,2,3,4],index=['a','b','c','d'])
print("系列中的第一个元素：",s[0])
print("系列中的前四个元素",s[:4])
print("系列后四个元素",s[-4:])
'''输出结果为：
系列中的第一个元素： 1
系列中的前四个元素 a    1
b    2
c    3
d    4
dtype: int64
系列后四个元素 a    1
b    2
c    3
d    4
dtype: int64
'''

创建DataFrame并显示

DateFrame是一个表格型的数据结构，含有一组有序的列，每一列的数据结构都是相同的，而不同的列则可以是不同的数据结构（数值，字符，布尔值等）。或者以数据库进行类比，DateFrame中的每一行是一个记录，名称为Index，而每一列则为一个字段，是这个记录的属性。DateFrame即有行索引也有列索引，可以被看做由Series组成的字典（共同使用一个索引）
二维数组DateFrame可以使用各种输入创建，例如列表、字典、一维数组系列（series）、numpy array、另一个二维数组DateFrame。

d={'姓名':pd.Series(['威','斌','生','龙','燃','浩','元']),'性别':pd.Series(['男','男','女','女','女','男','女']),'年龄': pd.Series([1,2,3,4,6,7,10])}
df=pd.DataFrame(d)
# print(df)
# print("只显示名字：",df['姓名'])
# print("显示名字和年龄：")
# print(df[["姓名","年龄"]])
# print("只显示前五条数据信息：",df.head())
# print("只显示后五条数据：",df.tail())

# 利用条件语句来选择数据
print("输出性别为女的数据：")
print(df[df["性别"]=='女'])

print("输出性别是女，并且年龄大于5的数据")
print(df[(df["性别"]=='女')&(df['年龄']>=5)])
'''输出结果为：
输出性别为女的数据：
  姓名 性别  年龄
2  生  女   3
3  龙  女   4
4  燃  女   6
6  元  女  10
输出性别是女，并且年龄大于5的数据
  姓名 性别  年龄
4  燃  女   6
6  元  女  10
'''

生成DataFrame方法：

#直接生成 pd.DataFrame(value,index,columns)
df=pd.DataFrame([[1,2,3],[1,2,3],[1,2,3]],index=['a','b','c'], columns=['1','2','3'])
#利用字典间接生成
data={'1':[1,1,1],'2':[2,2,2],'3':[3,3,3]}
df=pd.DataFrame(data,index=['a','b','c'])

函数的应用

std（）标准差
max（）
min（）

print("所有人年龄之和：",df['年龄'].sum())
print("年龄标准差：",df['年龄'].std())
print("年龄最大值：",df['年龄'].max())
'''输出结果为:
所有人年龄之和： 33
年龄标准差： 3.147183169877773
年龄最大值： 10
'''

数值离散化

#等宽区间
df=pd.DataFrame(data={'weight':[75.,78.5,85.,91.,84.5,83.,68.]})
#添加新的一列，存储的是将weight分为三份的区间
df['weight_cut']=pd.cut(df['weight'],bins=3)
'''输出结果为：
	weight	weight_cut
0	75.0	(67.977, 75.667]
1	78.5	(75.667, 83.333]
2	85.0	(83.333, 91.0]
3	91.0	(83.333, 91.0]
4	84.5	(83.333, 91.0]
5	83.0	(75.667, 83.333]
6	68.0	(67.977, 75.667]
'''
指定区间进行离散
df=pd.DataFrame(data={'weight':[75.,78.5,85.,91.,84.5,83.,68.]})
df['weight_cut']=pd.cut(df['weight'],bins=[60,75,80,95])
'''输出结果为：
	weight	weight_cut
0	75.0	(60, 75]
1	78.5	(75, 80]
2	85.0	(80, 95]
3	91.0	(80, 95]
4	84.5	(80, 95]
5	83.0	(80, 95]
6	68.0	(60, 75]
'''

区间标签

df=pd.DataFrame(data={'weight':[75.,78.5,85.,91.,84.5,83.,68.]})
df['weight_cut']=pd.cut(df['weight'],bins=[60,75,80,95],labels=['light','normal','heavy'])
'''输出结果为：
	weight	weight_cut
0	75.0	light
1	78.5	normal
2	85.0	heavy
3	91.0	heavy
4	84.5	heavy
5	83.0	heavy
6	68.0	light
'''

虚拟编码

#新增一列weight_cut，指定区间为（60，75，80，95），并且指定标签，实现离散化
#使用pd.get_dummies实现虚拟编码
df=pd.DataFrame(data={'weight':[75.,78.5,85.,91.,84.5,83.,68.]})
df['weight_cut']=pd.cut(df['weight'],bins=[60,75,80,95],labels=['light','normal','heavy'])
df = pd.get_dummies(df)
'''输出结果为：
	weight	weight_cut_light	weight_cut_normal	weight_cut_heavy
0	75.0	1	0	0
1	78.5	0	1	0
2	85.0	0	0	1
3	91.0	0	0	1
4	84.5	0	0	1
5	83.0	0	0	1
6	68.0	1	0	0
'''