pandas模块

1，导包

from numpy.lib.shape_base import column_stack
import pandas as pd
import numpy as np

一：数据结构

1，序列Series
pd.Series(data,index,dtype,copy):
data:数据，可以是序列类型，可以是int
index：索引值必须是唯一的，与data的长度相同，默认为np.arange(n)
dtype:数据类型
copy：是否复制数据，默认为false
打印最左侧为索引，右侧为数据

2，数据解析

axes 返回Series索引列表
dtype 返回Series的数据类型
empty 判断Series是否为空，如果为空，则返回True
ndim 返回基础的维度数，默认为：1
size 返回基础中的元素个数
values 将Series作为ndarray返回
head() 返回前n行
tail() 返回最后n行

3，序列DataFrame

pandas.DataFrame(data,index,columns,dtype,copy)
data 支持多种数据类型。
如：ndarray, series, map, lists, dict, constant和另一个DataFrame
index 行标签，如果没有传递索引值，默认值为0,1,2,3,4,
column5 列标签，如果没有传递索引值，默认值为0,1,2,3,4，，，，
dtype 每列数据类型
copy 是否复制数据，默认值为False

4,字典

字典 = {k:v}
k:在Series中是index
d1 = {“zs”:18,“ls”:20}
s3 = pd.Series(d1)
print(s3)
print(s3[“zs”])
a = [18,20]
s4 = pd.Series(a,index=[“zs”,“ls”])
“”"
zs 18
ls 20
dtype: int64
18

5，语法：s1[index] 获取单个数据

可以使用默认索引，也可以使用自定义索引
d1 = {“zs”:20,“ls”:30,“ww”:40,“ch”:20,“zl”:30}
s1 = pd.Series(d1)
print(d1[“zs”]) #使用自定义索引 20
print(s1[0]) #使用默认索引 20

6,语法

s1[list] 获取索引中的数据
s1[index1:index2] 获取从第一个索引到第二个索引的数据，左开右闭
数字索引是左开右闭，标签索引是左开右开
print(s1[0:3]) #左开右闭

7,索引/切片

head(n)返回前n行(观察索引值)，默认数量5，可以传递自定义数值
tail(n)返回最后n行(观察索引值)，默认数值为5，可以传递自定义数值
“”"
“”"
print(s1.axes)
print(s1.dtype)
print(s1.empty)
print(s1.ndim)
print(s1.size)
print(s1.values)
print(s1.head(3))
print(s1.tail(3))
“”"

8.利用双层list

x = [
[‘zs’,20],
[‘ls’,30],
[‘ch’,40]
]
df2 = pd.DataFrame(x,columns=[‘name’,‘age’])
print(df2)
‘’’
name age
0 zs 20
1 ls 30
2 ch 40
‘’’

9.利用数据是字典的列表创建

‘’’
1.k变成列标签
2.没有数据的用NaN
‘’’
x = [
{‘a’:1,‘b’:2},
{‘a’:10,‘b’:20,‘c’:30}]
#index 行索引 columns列索引
df3 = pd.DataFrame(x)
print(df3)

10;利用字典创建DataFrame

a,b是列索引，一定要设置行索引(index)，否则报错

11,查寻

df[columns_label] 查询单列
df[[columns_label]] 查询多列
查询出一列会进行降维DataFrame----->>Series

12,添加列

语法：df[columns]=数据
切记数据要是同类型的数据，
df1[columns]=df1[columns]+df1[columns]

13,删除语法

del df[columns] 根据下标进行检索删除，没有返回值
df.pop(columns)根据下标进行检索删除，并返回删除的那一列

14,自定义查寻

loc[自定义索引(标签索引)]
iloc[默认索引(数字索引)]
语法：
loc[index] 查询一行数据
扩展
loc[index,columns] 精确到行和列，那就是一个数据
查询多行和多列（精确到第几行和第几列）
loc[[index1,index2,…],[columns1,columns12,…]]
查询多行和多列（第几行到第几行,第几列到第几列）
不是左开右闭
loc[index1:index2,columns1,columns2]
使用布尔索引也可以查询多行多列
loc[行_布尔索引,列_布尔索引]

16,查询行的，iloc[数字索引]

语法：
iloc[num_index] 根据索引位置获取行
iloc[num_index1:num_index2] 第几行到第几行,左开右闭
iloc[[num_index1,num_index2,…]] 第几行和第几行
iloc[num_index,num_columns] #第几行的第几列
iloc[num_index,[num_columns1,num_columns2,…]] 第几行，第几列和第几列
iloc[num_index,[num_columns1:num_columns2]] 第几行，第几列到第几列,左开右闭
iloc[[num_index1,num_index2,…],[num_columns1,num_columns2,…]]
iloc[num_index1:num_index2,[num_columns1:num_columns2]]
“”"
print("-----------------------------------")
#print(df3.iloc[0])
#print(df3.iloc[0:4])
#print(df3.iloc[[0,3]])
#print(df3.iloc[6,0])
#print(df3.iloc[6,0:2])
#print(df3.iloc[6,[0,2]])
#print(df3.iloc[[0,2,4],[0,2]])
“”"
df[num_index1:num_index2] 第几行到第几行，左开右闭—切片
df[label_index1:label_index2] 第几行到第几行，左开右开
“”"
df3[0:4]#第一行到第五行，但是第五行取不到
df3[‘row1’:‘row4’] #第一行到第四行，第四行能取到

17,在末未追加一行，返回一个新对象

df.append(other,ignore_index= False,verify_integrty = False,
sort = False)
other: 要附加的数据，DataFrame或者Series等类型
ignore_index:如果是True,则不使用索引标签，默认false
verify_integrity:如果是True，在创建于重复项的索引时，引发valueError，
默认时false
sort；如果原数据和添加数据的列没有对齐，则对列进行排序，不建议排序