P1

---

一、Pandas 简介

1. pandas 或 Python Data Analysis Library 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

2. pandas 的一个简单使用（如使用pandas 读入一个excel 工作表）

import numpy as np
import pandas as pd

pf = pd.read_excel(r'C:\Users\YANG\Desktop\joyful-pandas-master\data\table.xlsx')
print(pf.head())  # 输出工作表的首 5 行

'''
  School Class    ID Gender   Address  Height  Weight  Math Physics
0    S_1   C_1  1101      M  street_1     173      63  34.0      A+
1    S_1   C_1  1102      F  street_2     192      73  32.5      B+
2    S_1   C_1  1103      M  street_2     186      82  87.2      B+
3    S_1   C_1  1104      F  street_2     167      81  80.4      B-
4    S_1   C_1  1105      F  street_4     159      64  84.8      B+
'''

二、基本数据结构

1. Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：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，这样可以更有效的使用内存，提高运算效率。

1）创建一个 Series

Series 就如同列表一样，一系列数据，每个数据对应一个索引值。像是“竖起来”的 list

s = pd.Series([1, 2, 3])
print(s)

'''
0    1
1    2
2    3
dtype: int64
'''

2） Series 的属性

以下两个属性依次可以显示 Series 对象的数据值和索引：

print(s.values)
# [1 2 3]

print(s.index)
# RangeIndex(start=0, stop=3, step=1)

列表的索引只能是从 0 开始的整数，Series 数据类型在默认情况下，其索引也是如此。不过，区别于列表的是，Series 可以自定义索引

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

访问某个元素

print(s['a'])  # 1

2. DataFrame: 是一种二维的数据结构，非常接近于电子表格或者类似 mysql 数据库的形式。它的竖行称之为 columns，横行跟前面的 Series 一样，称之为 index，也就是说可以通过 columns 和 index 来确定一个主句的位置

1） 创建一个DataFrame

定义一个 DataFrame 对象的常用方法——使用 dict 定义。

df = pd.DataFrame({'col1':list('abcde'), 'col2':range(5, 10), 'col3':[1.3,2.5,3.6,4.6,5.8]})

'''
  col1  col2  col3
0    a     5   1.3
1    b     6   2.5
2    c     7   3.6
3    d     8   4.6
4    e     9   5.8
'''

字典的“键”（‘col1’，‘col2’，‘col3’）就是 DataFrame 的 columns 的值（名称），字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。上面的定义中没有确定索引，所以，按照惯例（Series 中已经形成的惯例）就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构。（columns 的顺序没有规定，就如同字典中键的顺序一样，但是在 DataFrame 中，columns 有一个明显不同，就是它的顺序是可以被规定）

2） DataFrame 的属性

① 从DataFrame取出一列为Series

print(type(df['col1']))  # <class 'pandas.core.series.Series'>
print(df['col1'])  # 取出第一列
'''
0    a
1    b
2    c
3    d
4    e
Name: col1, dtype: object
'''

② 其它

print(df.index)  # RangeIndex(start=0, stop=5, step=1)
print(df.columns)  # Index(['col1', 'col2', 'col3'], dtype='object')
print(df.shape)  # (5, 3) 
print(df.values)

'''
[['a' 5 1.3]
 ['b' 6 2.5]
 ['c' 7 3.6]
 ['d' 8 4.6]
 ['e' 9 5.8]]
'''

嗯？：
① df.rename() 支持修改 列名与索引（即行名），若不对 inplace 参数进行设置，则返回一个新的变量；若设置 inplace=True 后会直接在原 DataFrame 中改动
②列的删除：drop 方法、del 方法与 df.rename()类似，而 pop方法直接在原来的DataFrame上操作，但且返回被删除的列
③列的添加：可使用assign方法，如 df[‘B’]=list(‘abc’) 但若索引（行名）曾被修改过，则添加后的该Series不具索引性，添加的元素由索引对齐特性直接显示为 NaN，assign方法会生成一个新变量
④ Series 可转换为 DataFrame，若 Series 中不设置 name，则转过来的 DataFrame 中的列名 默认从 0 开始
⑤ Series 中的mean函数与 DataFrame 中的mean函数 太不一样

---

三、题题题…

1. Series和DataFrame有哪些常见属性和方法？
   答： 常见的属性就是 值，索引，类型，列名，行名
   方法：可多了

2. value_counts会统计缺失值吗？
   答: value_counts默认不统计缺失值，设置参数dropna=False时会统计缺失值

3. 如果有多个索引同时取到最大值，idxmax会返回所有这些索引吗？如果不会，那么怎么返回这些索引？
   答：只会返回第一个最大值的索引，若要返回多个最大值的索引，可以利用找到的第一个最大值的索引，先读取该最大值，再利用最大值反过来找索引

4. df.mean(axis=1)是什么意思？它与df.mean()的结果一样吗？问题四提到的函数也有axis参数吗？怎么使用？
   答：不一样，df.mean() 默认参数axis=0 计算的是列的平均值，而 df.mean(axis=1) 计算的行的平均值

5. 对值进行排序后，相同的值次序由什么决定？
   答 ：若设置了两个值排序参数，则有由第二个参数觉得；若无，则有索引决定

6. Pandas中为各类基础运算也定义了函数，比如s1.add(s2)表示两个Series相加，但既然已经有了’+’，是不是多此一举？
   答： 你开心就好

7. 如果DataFrame某一列的元素是numpy数组，那么将其保存到csv在读取后就会变成字符串，怎么解决？
   答：使用强制类型转换 如 astyp()

【练习一】现有一份关于美剧《权力的游戏》剧本的数据集，请解决以下问题：
（a）在所有的数据中，一共出现了多少人物？

答：564个， 利用名字的唯一值统计人物个数

pf = pd.read_csv(r'C:\Users\YANG\Desktop\joyful-pandas-master\data\Game_of_Thrones_Script.csv')
print(pf['Name'].nunique())  # 564

剩下的，皆不会