5.2 Pandas数据结构

学习目标

• 目标
  • 知道Pandas的Series结构
  • 掌握Pandas的Dataframe结构
  • 了解Pandas的MultiIndex与panel结构

---

Pandas中一共有三种数据结构，分别为：Series、DataFrame和MultiIndex（老版本中叫Panel ）。
其中Series是一维数据结构，DataFrame是二维的表格型数据结构，MultiIndex是三维的数据结构。

1. Series

Series是一个类似于一维数组的数据结构，它能够保存任何类型的数据，比如整数、字符串、浮点数等，主要由一组数据和与之相关的索引两部分构成。

1.1 Series的创建

# 导入pandas
import pandas as pd

pd.Series(data=None, index=None, dtype=None)

• 参数：
  • data：传入的数据，可以是ndarray、list等
  • index：索引，必须是唯一的，且与数据的长度相等。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。
  • dtype：数据的类型

通过已有数据创建

• 指定内容，默认索引

pd.Series(np.arange(10))

运行结果：

# 运行结果
0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
dtype: int64

• 指定索引

pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5])

运行结果：

# 运行结果
1 6.7
2 5.6
3 3.0
4 10.0
5 2.0
dtype: float64

• 通过字典数据创建

color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
color_count

运行结果：

# 运行结果
blue 200
green 500
red 100
yellow 1000
dtype: int64

1.2 Series的属性

为了更方便地操作Series对象中的索引和数据，Series中提供了两个属性index和values

• index

color_count.index
# 结果
Index(['blue', 'green', 'red', 'yellow'], dtype='object')

• values

color_count.values
# 结果
array([ 200, 500, 100, 1000])

也可以使用索引来获取数据：

color_count[2]
# 结果
100

2. DataFrame

DataFrame是一个类似于二维数组或表格(如excel)的对象，既有行索引，又有列索引

• 行索引，表明不同行，横向索引，叫index，0轴，axis=0
• 列索引，表名不同列，纵向索引，叫columns，1轴，axis=1

2.1 DataFrame的创建

# 导入pandas
import pandas as pd

pd.DataFrame(data=None, index=None, columns=None)

• 参数：
  • index：行标签。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。
  • columns：列标签。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。
• 通过已有数据创建

举例一：

pd.DataFrame(np.random.randn(2,3))

回忆咱们在前面直接使用np创建的数组显示方式，比较两者的区别。

举例二：创建学生成绩表

# 生成10名同学，5门功课的数据
score = np.random.randint(40, 100, (10, 5))

# 结果
array([[92, 55, 78, 50, 50],
		[71, 76, 50, 48, 96],
		[45, 84, 78, 51, 68],
		[81, 91, 56, 54, 76],
		[86, 66, 77, 67, 95],
		[46, 86, 56, 61, 99],
		[46, 95, 44, 46, 56],
		[80, 50, 45, 65, 57],
		[41, 93, 90, 41, 97],
		[65, 83, 57, 57, 40]])

但是这样的数据形式很难看到存储的是什么的样的数据，可读性比较差！！

问题：如何让数据更有意义的显示？

# 使用Pandas中的数据结构
score_df = pd.DataFrame(score)

给分数数据增加行列索引,显示效果更佳。效果：

• 增加行、列索引

# 构造行索引序列
subjects = ["语文", "数学", "英语", "政治", "体育"]

# 构造列索引序列
stu = ['同学' + str(i) for i in range(score_df.shape[0])]

# 添加行索引
data = pd.DataFrame(score, columns=subjects, index=stu)

2.2 DataFrame的属性

• shape

data.shape
# 结果
(10, 5)

• index

DataFrame的行索引列表

data.index

# 结果
Index(['同学0', '同学1', '同学2', '同学3', '同学4', '同学5', '同学6', '同学7', '同学8', '同学9'], dtype='object')

• columns

DataFrame的列索引列表

data.columns
# 结果
Index(['语文', '数学', '英语', '政治', '体育'], dtype='object')

• values

直接获取其中array的值

data.values
# 结果
array([[92, 55, 78, 50, 50],
		[71, 76, 50, 48, 96],
		[45, 84, 78, 51, 68],
		[81, 91, 56, 54, 76],
		[86, 66, 77, 67, 95],
		[46, 86, 56, 61, 99],
		[46, 95, 44, 46, 56],
		[80, 50, 45, 65, 57],
		[41, 93, 90, 41, 97],
		[65, 83, 57, 57, 40]])

• T

转置

data.T

结果：

• head(5)：显示前5行内容

如果不补充参数，默认5行。填入参数N则显示前N行

data.head(5)

• tail(5):显示后5行内容

如果不补充参数，默认5行。填入参数N则显示后N行

data.tail(5)

2.3 DataFrame索引的设置

需求：

2.3.1 修改行列索引值

stu = ["学生_" + str(i) for i in range(score_df.shape[0])]

# 必须整体全部修改
data.index = stu

注意：以下修改方式是错误的(不能修改单个索引)

# 错误修改方式
data.index[3] = '学生_3'

2.3.2 重设索引

• reset_index(drop=False)
  • 设置新的下标索引
  • drop：默认为False，不删除原来索引，如果为True，删除原来的索引值

# 重置索引,drop=False
data.reset_index()

# 重置索引,drop=True
data.reset_index(drop=True)

结果是上图中的index列没有了。

2.3.3 以某列值设置为新的索引

• set_index(keys, drop=True)
  • keys : 列索引名成或者列索引名称的列表
  • drop : boolean, default True.当做新的索引，删除原来的列

设置新索引案例

1. 创建

df = pd.DataFrame({'month': [1, 4, 7, 10],
					'year': [2012, 2014, 2013, 2014],
					'sale':[55, 40, 84, 31]})
	month sale  year
0 	  1    55   2012
1     4    40   2014
2     7    84   2013
3    10    31   2014

2. 以月份设置新的索引

df.set_index('month')
       sale  year
month
  1     55  2012
  4     40  2014
  7     84  2013
  10    31  2014

3. 设置多个索引，以年和月份

df = df.set_index(['year', 'month'])
df
			sale
year month
2012   1     55
2014   4     40
2013   7     84
2014   10    31

注：通过刚才的设置，这样DataFrame就变成了一个具有MultiIndex的DataFrame。

3. MultiIndex与Panel

3.1 MultiIndex

MultiIndex是三维的数据结构;
多级索引（也称层次化索引）是pandas的重要功能，可以在Series、DataFrame对象上拥有2个以及2个以上的索引。

3.1.1 multiIndex的特性

打印刚才的df的行索引结果

df.index

MultiIndex([(2012,  1),
            (2014,  4),
            (2013,  7),
            (2014, 10)],
           names=['year', 'month'])

多级或分层索引对象。

• index属性
  • names:levels的名称
  • levels：每个level的元组值

df.index.names

# 结果
FrozenList(['year', 'month'])

df.index.levels

# 结果
FrozenList([[2012, 2013, 2014], [1, 4, 7, 10]])

3.1.2 multiIndex的创建

arrays = [[1,1,2,2],['r','b','r','b']]
pd.MultiIndex.from_arrays(arrays, names=("num", "col"))

# 结果
MultiIndex([(1, 'r'),
            (1, 'b'),
            (2, 'r'),
            (2, 'b')],
           names=['num', 'col'])

3.2 Panel

注：Pandas从版本0.20.0开始弃用：推荐的用于表示3D数据的方法是通过DataFrame上的MultiIndex方法

4. 小结

• pandas的优势【了解】
  • 增强图表可读性
  • 便捷的数据处理能力
  • 读取文件方便
  • 封装了Matplotlib、Numpy的画图和计算
• series【知道】
  • 创建
    • pd.Series([], index=[])
    • pd.Series({})
  • 属性
    • 对象.index
    • 对象.values
• DataFrame【掌握】
  • 创建
    • pd.DataFrame(data=None, index=None, columns=None)
  • 属性
    • shape – 形状
    • index – 行索引
    • columns – 列索引
    • values – 查看值
    • T – 转置
    • head() – 查看头部内容
    • tail() – 查看尾部内容
  • DataFrame索引
    • 修改的时候,需要进行全局修改
    • 对象.reset_index()
    • 对象.set_index(keys)
• MultiIndex与Panel【了解】
  • multiIndex:
    • 类似ndarray中的三维数组
    • 创建：
      • pd.MultiIndex.from_arrays()
    • 属性：
      • 对象.index
  • panel（略）