pandas基本知识

我们在用python进行数据分析时，pandas包是一个非常好的辅助工具，熟练的利用pandas可以让我们在做EDA时有更高的效率，因此了解pandas的基本用法是很必要的。

pandas的2个基本结构Series和DataFrame

我们可以这么理解Series，它就是一组数据（必须是同一类型的numpy数据）加上用于索引的index，例如：

import pandas as pd
values = pd.Series(data=[1,2,3,4,5], name='Values', dtype='int')
values

而dataframe可以看做是Series的字典，也就是其为不同的key对应着不同的Series的dict：

names = pd.Series( data = ['Allen','Bob','Chris','Dave','Ed','Frank','Gus'])
gpas = pd.Series( data = [4.0, 3.0, 3.4, 2.8, 2.5, 3.8, 3.0])
years = pd.Series( data = ['So', 'Fr', 'Fr', 'Jr', 'Sr', 'Sr', 'Fr'])
series_dict = { 'Name':  names, 'GPA': gpas, 'Year' : years }  # dict of Series, keys are the series names
students = pd.DataFrame( series_dict )
students

我们来用dict的方法来使用dataframe：

students['GPA']

可以看到，这就是一个Series。

DataFrame列和行操作

列选取

上一小节看到，如果单独选取dataframe的某一列，可以用students['GPA']这样的形式，但返回的是一个Series。但我们现在想选取多个列，且返回的仍然是dataframe结构。这时只要字段外部再加一个中括号即可，这里不说明原因，pandas就是这么规定的！例：

students[['GPA', 'Name']]

可以看到，这里得出的结果仍然是datafram结构。

行选取

我们可以使用逻辑语句来索引dataframe的行，例如我们需要选取gpa大于3的学生：

students[students['GPA'] > 3]

当然，我们可以用切片的方式选取特定的行，但要借助iloc函数（切片是依据index来的，如果index不是整数的话我们使用loc函数来取代iloc函数）：

students.iloc[0:2,:]

 

遍历DataFrame

我们可以试着直接遍历一个dataframe：

for student in students:
    print (student)

我们发现打印出来的是key的名字，这是因为dataframe本身就是Series的字典结构，而在python语言里打印dict时输出就是其key列表。

我们可以使用行索引循环的方来遍历：

插入行和插入列

插入列可以使用inster函数：

# 参数为位置，名字，数据（可以是Series,array-like格式的数据）
students.insert(4,'test',[1,2,3,4,5,6,7])
students

插入行可以使用append函数，但要是使用dict类的数据，dict，DataFrame都可以：

students.append({'GPA':1,'Name':'2','Year':'Fr','Deans List':'No','test':8}, ignore_index=True)

修改某个单元的值

可以使用loc来定位单元并直接赋值，如：

students.loc[0, 'GPA'] = 70

意为在第0行，'GPA'列的单元赋值70

参考文献：

[1] Data Analysis with Pandas

[2] pandas官方文档