pandas为什么学习pandas
- numpy已经可以帮助我们进行数据的处理了,那么学习pandas的目的是什么呢?
- numpy能够帮助我们处理的是数值型的数据,当然在数据分析中除了数值型的数据还有好多其他类型的数据(字符串,时间序列),那么pandas就可以帮我们很好的处理除了数值型的其他数据!
什么是pandas?
- 首先先来认识pandas中的两个常用的类
- Series
- DataFrame
Series
Series是一种类似与一维数组的对象,由下面两个部分组成:
- values:一组数据(ndarray类型)
- index:相关的数据索引标签
Series的创建
- 由列表或numpy数组创建
- 由字典创建
from pandas import Seriess = Series(data=[127,2,3,'regina'])
为什么需要有显示索引?
答:显示索引可以增强Series 的可读性
还可以直接引入字典:
Series的索引和切片
s[0] --> reginas.姓名 --> reginas[0:2] --> 姓名 regina年龄 23dtype: object
- Series的常用属性
- shape
- size
- index 返回索引
- values 返回值
s.shapes.sizes.index #返回索引s.values #返回值s.dtype #元素的类型
Series的常用方法
head(),tail()
这里的head和tail默认是5,tail显示最后n个数据
unique() 去重
isnull(),notnull()
add() sub() mul() div()
只有索引一致的数据才可以相加
同时也只有数据类型一样的才能相加
DataFrame
DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引,也有列索引。
- 行索引:index
- 列索引:columns
- 值:values
DataFrame的创建
ndarray创建
字典创建
DataFrame的属性
- values、columns、index、shape
============================================
练习:
根据以下考试成绩表,创建一个DataFrame,命名为df:
regina ivanlee 语文 150 0数学 150 0英语 150 0理综 300 0
============================================
DataFrame索引操作
df = DataFrame(data=np.random.randint(60,100,size=(5,5)),columns=['A','B','C','D','E'],index=[1,2,3,4,5])
对行进行索引
iloc: 通过隐式索引取行 (不根据所定义的index取值)
取单个元素:
df.iloc[,]
loc: 通过显示索引取行
队列进行索引
df['A']
#取单列,如果df有显示的索引,通过索引机制去行或者列的时候只可以使用显示索引对元素进行索引
取多个元素:
DataFrame的切片操作
- 对行进行切片
- 对列进行切片
df索引和切片操作
索引:
- df[col]:取列
- df.loc[index]:取行
- df.iloc[index,col]:取元素
切片:
df[index1:index3]:切行
df.iloc[:,col1:col3]:切列
DataFrame的计算与Series一致
时间数据类型的转换
pd.to_datetime(col)
dic = { 'time':['2010-10-10','2011-11-20','2020-01-10'], 'temp':[33,31,30]}df = DataFrame(data=dic) df['time'].dtype = 'O'import pandas as pd#将time列的数据类型转换成时间序列类型df['time'] = pd.to_datetime(df['time'])df['time']
将某一列设置为行索引
df.set_index()
上图中的索引是隐式索引的012,如果要将time列作为行索引
#将time列作为源数据的行索引df.set_index('time',inplace=True)
本文来自博客园,作者:ivanlee717,转载请注明原文链接:https://www.cnblogs.com/ivanlee717/p/16987592.html