做网站(信科网络)新闻摘抄四年级下册

---

前言

• 通过今天的学习，我掌握了Python的第三方库Pandas的基本操作，包括创建Pandas的Series对象，Dataframe对象以及增删改查操作

---

一、Pandas介绍

Pandas 在 ndarray 数组（NumPy 中的数组）的基础上构建出了两种不同的数据结构，分别是 Series（一维数据结构）、DataFrame（二维数据结构）：

• Series 是带标签的一维数组，这里的标签可以理解为索引，但这个索引并不局限于整数，它也可以是字符类型，比如 a、b、c 等
• DataFrame 是一种表格型数据结构，它既有行标签，又有列标签
• Dataframe的每一行或每一列都可以看作是一个Series
• 当从Dataframe中取某一列时，此时它的标签是Dataframe的行标签；取一行时同理
• Pandas属于Python的第三方库，使用时需要导包

二、创建Series对象

• pandas.Series(data,index,dtype)
• index:指定索引标签；dtype:指定数据类型

1.创建空Series对象

s = pd.Series()
print(s)

2.数据容器创建Series对象

arr = {"name":"xiaohu","age":20}
s = pd.Series(arr)
print(s)arr = [1,2,3]
s = pd.Series(arr)
print(s)

3.Numpy数组创建Series对象

arr = np.arange(3)
s = pd.Series(arr,index=["num 1","num 2","num 3"])
print(s)

三、访问Series对象元素

1.标签索引访问

arr = [1,2,3,4,5,6]
s = pd.Series(arr)
print(s[1]) #通过标签访问
print(s[:2]) #通过下标切片访问,不包含结尾索引arr = np.arange(3)
s = pd.Series(arr,index=["num 1","num 2","num 3"])
print(s["num 1":"num 2"]) #通过标签切片访问，包含结尾索引

tips：对于Series对象，如果对象创建时没有指定index，则访问时会下标而非标签进行访问，涉及到结尾索引对应的元素是否被包含的问题

2.遍历Series对象元素

• Pandas专门提供了items方法以及index，values属性来访问Series对象中的元素

for index,value in s.items(): #items方法print(index,value)for index in s.index: #index属性print(index)for value in s.values: #values属性print(value)

四、创建Dataframe对象

• Dataframe作为Pandas的基本数据结构，可以理解为一个二维的表格，每一行以及每一列都可以理解为一个Series对象
• pd.DataFrame( data, index, columns, dtype, copy)
• index：行标签；colums：列标签

1.创建Dataframe空对象

df = pd.DataFrame()
print(df)

2.使用嵌套创建Dataframe对象

#列表嵌套字典
data = [{'name': "张三", 'age': 18},{'name': "小红", 'gender': "男", 'age': 19}]
df = pd.DataFrame(data=data)#字典嵌套列表
#value数组的长度要求一致
data = {"name":['小米','小红','小紫'],"age":[18,19,20]}
df = pd.DataFrame(data=data)#Series创建Dataframe
#字典嵌套Series
#长度不一致使用NAN填充
data = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(data=data)

五、Dataframe对象的增删改查

• 直接添加数据

data = {"name":['小米','小红','小紫'],"age":[18,19,20]}
df = pd.DataFrame(data=data)
df["sex"] = None #添加空列
df["sex"] = ["M","FM","FM"] #赋值添加新列

• assign()
• 链式调用，添加列并返回新的Dataframe而不改变原来的Datafram

f1 = df.assign(sex1=["M","FM","FM"])
print(df1)

• insert()
• 在指定位置插入数据
• loc：插入位置的索引下标而非列标签；column：新列名；value：插入的值

df.insert(3,"sex3",["M","FM","FM"])
print(df)

• 直接修改数据

data = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(data=data)df['two'] = pd.Series([2,3,4,5],index=['a','b','c','d'])df['two'] = pd.Series([2,3,4,5])

tips：以上两个语句都修改df的"two"列，但一个指定了标签而另一个没有，没有指定标签会导致Pandas无法找到修改的位置而使得该列变为NAN

• df.colums()
• 在原对象的基础上修改列名

df.columns = ["1","2"]
print(df)

• df.rename()
• 改列名，返回新的Dataframe不影响原对象

df1 = df.rename(columns={"1":"fri","2":"sed"})
print(df1)

• 修改数据类型

df["1"] = df["1"].astype(np.float16)
print(df['1'][1]) #<class 'numpy.float16'>

---

THE END