网站提示页面设计,网站左侧分类菜单怎么做,网站建设开发html,营销推广型网站价格1.Pandas中的数据结构#xff1a;Series和DataFrame
Pandas 的主要数据结构是 Series #xff08;一维数据#xff09;与 DataFrame#xff08;二维数据#xff09;#xff0c;这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。
Series 是一…1.Pandas中的数据结构Series和DataFrame
Pandas 的主要数据结构是 Series 一维数据与 DataFrame二维数据这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。
Series 是一种类似于一维数组的对象它由一组数据各种Numpy数据类型以及一组与之相关的数据标签即索引组成。 DataFrame 是一个表格型的数据结构它含有一组有序的列每列可以是不同的值类型数值、字符串、布尔型值。 DataFrame 既有行索引也有列索引它可以被看做由 Series 组成的字典共同用一个索引
2.示例代码
import numpy as np
import pandas as pd# 用numpy数组创建Series
data pd.Series([0.25, 0.5, 0.75, 1.0])
n1 data.values # values是一个numpy数组
sub1data data[1]
sub2data data[1:3]data2 pd.Series([0.25, 0.5, 0.75, 1.0],index[a, b, c, d]) # 类似一个广义的numpy数组可以显式地指定index
sub1data2 data2[b]
data3 pd.Series([0.25, 0.5, 0.75, 1.0],index[2, 5, 3, 7]) # 索引可以不必是连续的# 用字典创建Series
population_dict {California: 38332521,Texas: 26448193,New York: 19651127,Florida: 19552860,Illinois: 12882135}
population pd.Series(population_dict)
population1 population[California]
population2 population[California:Illinois]# 直接创建Series
pd.Series([2, 4, 6])
pd.Series(5, index[100, 200, 300])
pd.Series({2: a, 1: b, 3: c})
pd.Series({2: a, 1: b, 3: c}, index[3, 2]) # 只返回指定索引的部分数据# 用多个Series创建DataFrame
area_dict {California: 423967,Texas: 695662,New York: 141297,Florida: 170312,Illinois: 149995}
area pd.Series(area_dict)
states pd.DataFrame({population: population,area: area})
print(states.index) # 索引名
print(states.columns) # 列名
print(states[area]) # 访问某一列# 用单个Series创建DataFrame
# DataFrame是Series的一个集合也可以由一个Series构成
states1 pd.DataFrame(population, columns[population])# 用字典创建DataFrame
data [{a: i, b: 2 * i} for i in range(3)]
dataset0 pd.DataFrame(data)# 创建含有NaN的DataFrame
dataset1 pd.DataFrame([{a: 1, b: 2}, {b: 3, c: 4}])# 用二维numpy数组创建DataFrame
dataset2 pd.DataFrame(np.random.rand(3, 2),columns[foo, bar],index[a, b, c])# 用结构化的numpy数组创建DataFrame
A np.zeros(3, dtype[(A, i8), (B, f8)])
dataset3 pd.DataFrame(A)# 在pandas种索引本身是一种结构用整数构造索引
ind pd.Index([2, 3, 5, 7, 11])
print(ind[1])
print(---------------------------------)
print(ind[::2]) # 隔2个序号取一个值
print(ind[::-1]) # 把列倒着排一遍
print(ind.size, ind.shape, ind.ndim, ind.dtype)# 索引是一种有序的集合可以求交集、并集、差集
indA pd.Index([1, 3, 5, 7, 9])
indB pd.Index([2, 3, 5, 7, 11])
print(indA indB) # intersection
print(indA | indB) # union
print(indA ^ indB) # symmetric difference
