Pandas的介绍及安装方法-创新互联

这篇文章主要介绍“Pandas的介绍及安装方法”，在日常操作中，相信很多人在Pandas的介绍及安装方法问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Pandas的介绍及安装方法”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

　　Pandas介绍与安装

　　为什么会有Pandas

　　 Pandas支持大部分Numpy语言风格，尤其是数组函数与广播机制的各种数据处理。单是Numpy更适合处理同质型的数据。而Pandas的设计就是用来处理表格型或异性数据的，高效的清洗、处理数据。

　　Pandas是什么?

　　 Pandas是基于Numpy的一种工具，提供高性能矩阵的运算，该工具是为了解决数据分析任何而创建的。也是贯穿整个Python数据分析非常核心的工具

　　安装Pandas

　　pip install Pandas

　　Pandas涉及内容

　　 Pandas基础 、数据清洗与准备、数据聚合与分组、时间序列

　　Pandas数据结构介绍

　　Series介绍

　　 Series是一种一维数组对象，它包含了一个值序列(value) ,并且包含了数据标签，称之为索引 (index)

　　Series创建

　　pd.Series(data=None,index=None,dtype=None,name=None,copy=False)

　　data : 创建数组的数据，可为array、like、dict、or scalar value

　　index : 指定索引

　　dtype : 数组数据类型

　　name : 数组名称

　　copy : 是否拷贝

　　Pandas数组函数

　　语法　　基本使用

　　dtype　　查看数据类型

　　astype　　修改数据类型

　　head()　　预览前几条数据

　　tail()　　预览后几条数据

　　In [15]: # 指定索引序列

　　In [16]: series = pd.Series(np.arange(4),index=['a','b','c','d'])

　　In [17]: series

　　Out[17]:

　　a 0

　　b 1

　　c 2

　　d 3

　　dtype: int32

　　In [18]: # 指定索引的名字

　　In [19]: series = pd.Series(np.arange(4),index=['a','b','c','d'],name='SmallJ')

　　In [20]: series

　　Out[20]:

　　a 0

　　b 1

　　c 2

　　d 3

　　Name: SmallJ, dtype: int32

　　In [21]: # 默认返回int32,可指定其他类型

　　In [23]: series = pd.Series(np.arange(4),index=['a','b','c','d'],name='SmallJ',dtype='int64')

　　In [24]: series

　　Out[24]:

　　a 0

　　b 1

　　c 2

　　d 3

　　Name: SmallJ, dtype: int64

　　In [29]: import numpy as np

　　In [30]: import pandas as pd

　　In [31]: series = pd.Series(np.arange(10),name='SmallJ')

　　In [32]: series

　　Out[32]:

　　0 0

　　1 1

　　2 2

　　3 3

　　4 4

　　5 5

　　6 6

　　7 7

　　8 8

　　9 9

　　Name: SmallJ, dtype: int32

　　In [33]: # 前面为索引后面为值

　　In [34]: series.dtype

　　Out[34]: dtype('int32')

　　In [35]: # 查看数据类型

　　In [36]: series.dtype

　　Out[36]: dtype('int32')

　　In [37]: # 修改数据类型

　　In [38]: series.astype('float64')

　　Out[38]:

　　0 0.0

　　1 1.0

　　2 2.0

　　3 3.0

　　4 4.0

　　5 5.0

　　6 6.0

　　7 7.0

　　8 8.0

　　9 9.0

　　Name: SmallJ, dtype: float64

　　In [39]: # 预览从头开始的数据 (括号内填指定的数据)

　　In [40]: series.head(5)

　　Out[40]:

　　0 0

　　1 1

　　2 2

　　3 3

　　4 4

　　Name: SmallJ, dtype: int32

　　In [41]: series.head(6)

　　Out[41]:

　　0 0

　　1 1

　　2 2

　　3 3

　　4 4

　　5 5

　　Name: SmallJ, dtype: int32

　　In [42]: # 预览最后的数据 (括号填指定的数据)

　　In [43]: series.tail(5)

　　Out[43]:

　　5 5

　　6 6

　　7 7

　　8 8

　　9 9

　　Name: SmallJ, dtype: int32

　　Series的索引与值

　　series.index

　　查看索引

　　series.values

　　查看值序列

　　series.reset_index(drop=False)

　　重置索引

　　drop 是否删除原索引 默认为否

　　In [89]: import pandas as pd

　　In [90]: import numpy as np

　　In [91]: series = pd.Series(data=np.arange(5),index=['a','b','c','d','e'])

　　In [92]: series

　　Out[92]:

　　a 0

　　b 1

　　c 2

　　d 3

　　e 4

　　dtype: int32

　　In [93]: # 查看索引

　　In [94]: series.index

　　Out[94]: Index(['a', 'b', 'c', 'd', 'e'], dtype='object')

　　In [95]: series.values

　　Out[95]: array([0, 1, 2, 3, 4])

　　In [96]: series.reset_index()

　　Out[96]:

　　index 0

　　0 a 0

　　1 b 1

　　2 c 2

　　3 d 3

　　4 e 4

　　In [98]: series

　　Out[98]:

　　a 0

　　b 1

　　c 2

　　d 3

　　e 4

　　dtype: int32

　　In [99]: # 查看值序列

　　In [100]: series.values

　　Out[100]: array([0, 1, 2, 3, 4])

　　In [101]: # 当drop中的值为True的时候将采用删除原索引,并不会对原数据进行修改，需要复制

　　In [102]: series = series.reset_index(drop=True)

　　In [103]: series

　　Out[103]:

　　0 0

　　1 1

　　2 2

　　3 3

　　4 4

　　dtype: int32

　　Series索引与切片

　　series.[‘标签索引’]

　　通过标签索引来取值

　　series[‘索引’]

　　通过下标索引来取值

　　series.loc(标签索引)

　　通过标签索引来取值

　　series.iloc(索引)

　　通过索引

　　In [115]: # 通过标签来取值

　　In [116]: series.loc['b']

　　Out[116]: 1

　　In [117]: # 通过索引下标来取值

　　In [118]: series.iloc[1]

　　Out[118]: 1

　　采用神奇索引

　　In [139]: series

　　Out[139]:

　　a 0

　　b 1

　　c 10

　　d 3

　　e 22

　　dtype: int32

　　In [141]: # 采用标签来取值

　　In [142]: series[['a','e']]

　　Out[142]:

　　a 0

　　e 22

　　dtype: int32

　　In [143]: # 采用索引取值

　　In [144]: series[[0,-1]]

　　Out[144]:

　　a 0

　　e 22

　　dtype: int32

　　Series修改值

　　In [122]: series

　　Out[122]:

　　a 0

　　b 1

　　c 2

　　d 3

　　e 4

　　dtype: int32

　　通过索引来修改值

　　series.iloc[2] = 10

　　通过标签来修改值

　　series.loc['e'] = 22

　　In [139]: series

　　Out[139]:

　　a 0

　　b 1

　　c 10

　　d 3

　　e 22

　　dtype: int32

　　判断值是否存在

　　in 并不是判断值，而是根据标签索引来判断

　　Series运算

　　共同索引对应运算，其他值填充为NaN

　　Pandas会自动帮我们进行数据转换，当我们的数据类型为None时，会把数据替换为NaN

　　当没用通过索引的时候，将全部变为NaN

　　NaN与任何值计算都是NaN

　　In [148]: data = pd.Series(data=[1,2,3,4,None],index=['a','b','c','d','e'])

　　In [149]: data

　　Out[149]:

　　a 1.0

　　b 2.0

　　c 3.0

　　d 4.0

　　e NaN

　　dtype: float64

　　当进行对应标签索引进行相加的时候

　　In [148]: data = pd.Series(data=[1,2,3,4,None],index=['a','b','c','d','e'])

　　In [149]: data

　　Out[149]:

　　a 1.0

　　b 2.0

　　c 3.0

　　d 4.0

　　e NaN

　　dtype: float64

　　In [150]: data1 = pd.Series(data=[1,2,3,4,None],index=['a','b','c','d','e'])

　　In [151]: data1

　　Out[151]:

　　a 1.0

　　b 2.0

　　c 3.0

　　d 4.0

　　e NaN

　　dtype: float64

　　In [152]: data + data1

　　Out[152]:

　　a 2.0

　　b 4.0

　　c 6.0

　　d 8.0

　　e NaN

　　dtype: float64

　　当对应的标签索引位置进行相加时

　　当对应是索引的位置没有数值时，显示的数值为NaN

　　In [148]: data = pd.Series(data=[1,2,3,4,None],index=['a','b','c','d','e'])

　　In [153]: data2 = pd.Series(data=[1,2,3],index=['a','b','c'])

　　In [156]: data

　　Out[156]:

　　a 1.0

　　b 2.0

　　c 3.0

　　d 4.0

　　e NaN

　　dtype: float64

　　In [157]: data2

　　Out[157]:

　　a 1

　　b 2

　　c 3

　　dtype: int64

　　In [158]: data + data2

　　Out[158]:

　　a 2.0

　　b 4.0

　　c 6.0

　　d NaN

　　e NaN

　　dtype: float64

　　当不对应的索引标签进行相加的时候

　　当对应的索引标签不相同的时，显示的全部结果为NaN

　　In [161]: data2 = pd.Series(data=[1,2,3],index=['a','b','c'])

　　In [162]: data3 = pd.Series(data=[1,2,3,4],index=['d','e','f','g'])

　　In [163]: data2

　　Out[163]:

　　a 1

　　b 2

　　c 3

　　dtype: int64

　　In [164]: data3

　　Out[164]:

　　d 1

　　e 2

　　f 3

　　g 4

　　dtype: int64

　　In [165]: data2 + data3

　　Out[165]:

　　a NaN

　　b NaN

　　c NaN

　　d NaN

　　e NaN

　　f NaN

　　g NaN

　　dtype: float64

到此，关于“Pandas的介绍及安装方法”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联-成都网站建设公司网站，小编会继续努力为大家带来更多实用的文章！