当前位置：首页 > news >正文

Pandas核心数据结构详解

news 2025/7/23 10:42:36

在数据分析的世界里，有一个工具几乎是绕不开的 —— 那就是 Pandas。无论是数据清洗、转换，还是统计分析、可视化前的数据准备，Pandas 都以其强大的功能和简洁的语法，成为了数据从业者的 “瑞士军刀”。而 Pandas 的强大，很大程度上源于其设计精妙的核心数据结构。今天，我们就来深入剖析 Pandas 中最核心的两种数据结构 ——Series与DataFrame。

一、Pandas 是什么？

Pandas 是基于 NumPy 的一个开源 Python 库，诞生于 2008 年，由 Wes McKinney 开发。它专为解决数据分析任务而设计，提供了高效、灵活且易于使用的数据结构，让我们能够轻松处理结构化数据（如表格数据、时间序列数据等）。

Pandas 的名字来源于 “Panel Data”（面板数据），这是经济学中用于描述多维结构化数据的术语，也暗示了它在处理复杂数据方面的能力。

二、核心数据结构：Series 与 DataFrame

Pandas 的强大之处，首先体现在它的两个核心数据结构上 ——Series和DataFrame。这两种结构为数据处理提供了坚实的基础，能够应对从简单到复杂的各种数据场景。

1. Series：一维带标签数组

Series 是 Pandas 中最基本的数据结构之一，它本质上是一个一维数组，但与普通 NumPy 数组的最大区别在于，它自带一个标签索引。这个索引可以是整数、字符串、时间戳等，极大地增强了数据访问和操作的灵活性。

（1）Series 的构成

一个 Series 由两部分组成：

values：存储实际的数据，通常是一个 NumPy 数组。

index：存储数据的标签，是一个 Index 对象。

我们可以通过values和index属性来访问这两部分：

import pandas as pdimport numpy as nps = pd.Series([10, 20, 30, 40, 50])print("数据值：", s.values) # 输出：[10 20 30 40 50]print("索引：", s.index) # 输出：RangeIndex(start=0, stop=5, step=1)

（2）创建 Series 的多种方式

除了从列表创建，Series 还支持多种创建方式：

指定索引创建：

s = pd.Series([10, 20, 30], index=['a', 'b', 'c'])# 输出：# a 10# b 20# c 30# dtype: int64

从字典创建：字典的键会自动成为索引，值成为数据：

data = {'苹果': 5, '香蕉': 3, '橙子': 4}s = pd.Series(data)# 输出：# 苹果 5# 香蕉 3# 橙子 4# dtype: int64

从标量值创建：需要指定索引长度，所有索引对应的值都为该标量：

s = pd.Series(10, index=['x', 'y', 'z'])# 输出：# x 10# y 10# z 10# dtype: int64

（3）Series 的索引与切片

Series 的索引操作非常灵活，既可以通过位置索引（类似列表），也可以通过标签索引：

标签索引：使用[]或loc[]

s = pd.Series([10, 20, 30], index=['a', 'b', 'c'])print(s['b']) # 输出：20print(s.loc['b']) # 输出：20（推荐使用loc，更清晰）

位置索引：使用iloc[]

print(s.iloc[1]) # 输出：20（第2个元素，从0开始）

切片操作：

# 标签切片（包含终点）print(s.loc['a':'c']) # 输出a、b、c对应的值# 位置切片（不包含终点）print(s.iloc[0:2]) # 输出第0、1个元素

（4）Series 的运算与缺失值处理

Series 支持向量运算，无需循环即可对每个元素进行操作：

s = pd.Series([1, 2, 3, 4])print(s + 10) # 每个元素加10print(s * 2) # 每个元素乘2print(s > 2) # 布尔判断，返回布尔型Series

对于缺失值（NaN），Pandas 提供了便捷的处理方法：

s = pd.Series([1, np.nan, 3, np.nan])print(s.dropna()) # 删除缺失值print(s.fillna(0)) # 用0填充缺失值print(s.isna()) # 判断是否为缺失值（返回布尔型Series）

2. DataFrame：二维表格型数据结构

DataFrame 是 Pandas 中最核心、最常用的数据结构，它类似于 Excel 表格、SQL 表或 R 中的 data.frame，是一个二维标签数据结构，由行和列组成，每列可以是不同的数据类型（数值、字符串、布尔值等）。

（1）DataFrame 的构成

DataFrame 可以理解为 “Series 的字典”，即每个列是一个 Series，所有列共享同一个行索引。其结构包括：

index：行标签（索引）

columns：列标签（列名）

values：二维数据数组（NumPy 数组或类似结构）

data = {'姓名': ['张三', '李四', '王五'],'年龄': [25, 30, 35],'城市': ['北京', '上海', '广州']}df = pd.DataFrame(data)print("行索引：", df.index)print("列索引：", df.columns)print("数据值：\n", df.values)

（2）创建 DataFrame 的多种方式

从字典创建：最常用的方式，字典的键为列名，值为列表或 Series：

data = {'A': [1, 2, 3],'B': ['a', 'b', 'c'],'C': [True, False, True]}df = pd.DataFrame(data)

从列表嵌套列表创建：需要指定列名：

data = [[1, 'a', True],[2, 'b', False],[3, 'c', True]]df = pd.DataFrame(data, columns=['A', 'B', 'C'])

从 CSV/Excel 文件创建：实际工作中最常用的方式：

df = pd.read_csv('data.csv') # 从CSV文件读取df = pd.read_excel('data.xlsx') # 从Excel文件读取

- 从 Series 创建：多个 Series 组成 DataFrame（共享索引）：

s1 = pd.Series([1, 2, 3], name='A')s2 = pd.Series(['a', 'b', 'c'], name='B')df = pd.DataFrame({s1.name: s1, s2.name: s2})

（3）DataFrame 的索引与数据访问

DataFrame 的索引操作比 Series 更复杂，因为涉及行和列两个维度：

选择列：通过列名（类似字典）或[]

# 选择单列（返回Series）print(df['姓名'])print(df.姓名) # 简写形式，列名无空格时可用# 选择多列（返回DataFrame）print(df[['姓名', '年龄']])

选择行：使用loc（标签索引）或iloc（位置索引）

# 标签索引行print(df.loc[0]) # 选择第0行（返回Series）print(df.loc[0:1]) # 选择第0-1行（返回DataFrame）# 位置索引行print(df.iloc[0]) # 选择第0行print(df.iloc[0:2, 0:2]) # 选择前2行、前2列（行切片:列切片）

选择单元格：

# 标签定位（行标签, 列标签）print(df.loc[0, '姓名']) # 输出：张三# 位置定位（行位置, 列位置）print(df.iloc[0, 0]) # 输出：张三

（4）DataFrame 的基本操作

添加 / 删除列：

# 添加新列df['年龄加5'] = df['年龄'] + 5# 删除列df = df.drop('年龄加5', axis=1) # axis=1表示操作列

修改索引与列名：

# 修改列名，将冒号左边的数据改成右边的数据df = df.rename(columns={'姓名': '名字', '城市': '所在城市'})# 重置行索引df = df.reset_index(drop=True) # drop=True表示删除原索引

数据排序：

# 按列值排序（升序）df_sorted = df.sort_values(by='年龄')# 按列值排序（降序）df_sorted = df.sort_values(by='年龄', ascending=False)# 按索引排序df_sorted = df.sort_index()

缺失值处理：

# 检测缺失值（每列的缺失值数量）print(df.isna().sum())# 填充缺失值（用列的均值填充数值列）df['年龄'] = df['年龄'].fillna(df['年龄'].mean())# 删除含有缺失值的行（如果仍有缺失值）df = df.dropna(axis=0) # axis=0表示操作行

（5）DataFrame 的聚合与分组

分组聚合是数据分析中非常重要的操作，Pandas 通过groupby实现：

# 按“城市”分组，计算每个城市的平均年龄# 假设我们有一个包含人员信息的DataFrameimport pandas as pddata = {'城市': ['北京', '北京', '上海', '上海', '广州'],'年龄': [25, 30, 28, 32, 27]df = pd.DataFrame(data)city_age_mean = df.groupby('城市')['年龄'].mean()print(city_age_mean)# 分组后应用多个聚合函数city_age_stats = df.groupby('城市')['年龄'].agg(['mean', 'max', 'min'])print(city_age_stats)