色秘乱码一区二区三区男奴-百度,影音先锋在线观看资源男人网 ,800av在线播放,在线一区播放,久热免费视频在线观看,伊人婷婷色五月色婷婷区,99有精品,国内自拍观看

導(dǎo)讀：pandas是一款開放源碼的BSD許可的Python庫。它基于NumPy創(chuàng)建，為Python編程語言提供了高性能的、易于使用的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析工具。

pandas應(yīng)用領(lǐng)域廣泛，包括金融、經(jīng)濟(jì)、統(tǒng)計(jì)、分析等學(xué)術(shù)和商業(yè)領(lǐng)域。本文將介紹pandas中Series、DataFrame、Index等常用類的基本用法。

作者：李明江張良均周東平張尚佳

來源：大數(shù)據(jù)DT（ID：hzdashuju）

pandas提供了眾多類，可滿足不同的使用需求，其中常用的類如下所示。

Series：基本數(shù)據(jù)結(jié)構(gòu)，一維標(biāo)簽數(shù)組，能夠保存任何數(shù)據(jù)類型
DataFrame：基本數(shù)據(jù)結(jié)構(gòu)，一般為二維數(shù)組，是一組有序的列
Index：索引對(duì)象，負(fù)責(zé)管理軸標(biāo)簽和其他元數(shù)據(jù)（比如軸名稱）
groupby：分組對(duì)象，通過傳入需要分組的參數(shù)實(shí)現(xiàn)對(duì)數(shù)據(jù)分組
Timestamp：時(shí)間戳對(duì)象，表示時(shí)間軸上的一個(gè)時(shí)刻
Timedelta：時(shí)間差對(duì)象，用來計(jì)算兩個(gè)時(shí)間點(diǎn)的差值

在這6個(gè)類中，Series、DataFrame和Index是使用頻率最高的類。

01 Series

Series由一組數(shù)據(jù)以及一組與之對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽（即索引）組成。Series對(duì)象可以視作一個(gè)NumPy的ndarray，因此許多NumPy庫函數(shù)可以作用于Series。

1. 創(chuàng)建Series

創(chuàng)建Series對(duì)象的函數(shù)是Series，它的主要參數(shù)是data和index，其基本語法格式如下。

class?pandas.Series(data=None,?index=None,?dtype=None,?name=None,?copy=False,?fastpath=False)

Series函數(shù)常用的參數(shù)及其說明如下所示。

data：接收array或dict。表示接收的數(shù)據(jù)。默認(rèn)為None
index：接收array或list。表示索引，它必須與數(shù)據(jù)長(zhǎng)度相同。默認(rèn)為None
name：接收string或list。表示Series對(duì)象的名稱。默認(rèn)為None

Series本質(zhì)上是一個(gè)ndarray，通過ndarray創(chuàng)建Series對(duì)象，如代碼清單6-1所示。

代碼清單6-1 通過ndarray創(chuàng)建Series

import?pandas?as?pd
import?numpy?as?np
print('通過ndarray創(chuàng)建的Series為：\n',
??????pd.Series(np.arange(5),?index?=?['a',?'b',?'c',?'d',?'e'],?name?=?'ndarray'))

輸出：

通過ndarray創(chuàng)建的Series為：
a????0
b????1
c????2
d????3
e????4
Name:?ndarray,?dtype:?int32

若數(shù)據(jù)存放于一個(gè)dict中，則可以通過dict創(chuàng)建Series，此時(shí)dict的鍵名（key）作為Series的索引，其值會(huì)作為Series的值，因此無須傳入index參數(shù)。通過dict創(chuàng)建Series對(duì)象，如代碼清單6-2所示。

代碼清單6-2 通過dict創(chuàng)建Series

dit?=?{'a':?0,?'b':?1,?'c':?2,?'d':?3,?'e':?4}
print('通過dict創(chuàng)建的Series為：\n',?pd.Series(dit))

輸出：

通過dict創(chuàng)建的Series為：
a????0
b????1
c????2
d????3
e????4
dtype:?int64

通過list創(chuàng)建Series，類似于通過ndarray創(chuàng)建Series，如代碼清單6-3所示。

代碼清單6-3 通過list創(chuàng)建Series

list1?=?[0,?1,?2,?3,?4]
print('通過list創(chuàng)建的Series為：\n',?pd.Series(list1,?index?=?['a',?'b',?'c',?'d',?'e'],?name?=?'list'))

輸出：

通過list創(chuàng)建的Series為：
a????0
b????1
c????2
d????3
e????4
Name:?list,?dtype:?int64

Series擁有8個(gè)常用屬性，如下所示。

values：以ndarray的格式返回Series對(duì)象的所有元素
index：返回Series對(duì)象的索引
dtype：返回Series對(duì)象的數(shù)據(jù)類型
shape：返回Series對(duì)象的形狀
nbytes：返回Series對(duì)象的字節(jié)數(shù)
ndim：返回Series對(duì)象的維度
size：返回Series對(duì)象的個(gè)數(shù)
T：返回Series對(duì)象的轉(zhuǎn)置

訪問Series的屬性，如代碼清單6-4所示。

代碼清單6-4 訪問Series的屬性

series?=?pd.Series(list1,?index?=?['a',?'b',?'c',?'d',?'e'],?name?=?'list')
print('數(shù)組形式返回Series為：',?series.values)

#輸出：數(shù)組形式返回Series為：?[0 1 2 3 4]

print('Series的Index為：',?series.index)

#輸出：Series的Index為：Index(['a', 'b', 'c', 'd', 'e'], dtype='object')

print('Series的形狀為：',?series.shape)

#輸出：Series的形狀為：?(5,)

print('Series的維度為：',?series.ndim)

#輸出：Series的維度為：1

2. 訪問Series數(shù)據(jù)

索引與切片是Series最常用操作之一。通過索引位置訪問Series的數(shù)據(jù)與ndarray相同，如代碼清單6-5所示。

代碼清單6-5 通過索引位置訪問Series數(shù)據(jù)子集

print('Series位于第1位置的數(shù)據(jù)為：',?series[0])

輸出：

Series位于第1位置的數(shù)據(jù)為：?0

相比ndarray，通過索引名稱（標(biāo)簽）也可以訪問Series數(shù)據(jù)，如代碼清單6-6所示。

代碼清單6-6 通過索引名稱訪問Series數(shù)據(jù)

print('Series中Index為a的數(shù)據(jù)為：',?series['a'])

輸出：

Series中Index為a的數(shù)據(jù)為：?0

此外，也可通過bool類型的Series、list或array訪問Series數(shù)據(jù)，如代碼清單6-7所示。

代碼清單6-7 通過bool數(shù)組訪問Series數(shù)據(jù)

bool?=?(series?4)
print('bool類型的Series為：\n',?bool)

輸出：

bool類型的Series為：
a?????True
b?????True
c?????True
d?????True
e????False
Name:?list,?dtype:?bool

print('通過bool數(shù)據(jù)訪問Series結(jié)果為：\n',?series[bool])

輸出：

通過bool數(shù)據(jù)訪問Series結(jié)果為：
a????0
b????1
c????2
d????3
Name:?list,?dtype:?int64

3. 更新、插入和刪除

更新Series的方法十分簡(jiǎn)單，采用賦值的方式對(duì)指定索引標(biāo)簽（或位置）對(duì)應(yīng)的數(shù)據(jù)進(jìn)行修改即可，如代碼清單6-8所示。

代碼清單6-8 更新Series

#?更新元素
series['a']?=?3
print('更新后的Series為：\n',?series)

輸出：

更新后的Series為：
a????3
b????1
c????2
d????3
e????4
Name:?list,?dtype:?int64

類似list，通過append方法能夠在原Series上插入（追加）新的Series。若只在原Series上插入單個(gè)值，則采用賦值方式即可，如代碼清單6-9所示。

代碼清單6-9 追加Series和插入單個(gè)值

series1?=?pd.Series([4,?5],?index?=?['f',?'g'])
#?追加Series
print('在series插入series1后為：\n',?series.append(series1))

輸出：

在series插入series1后為：
a????3
b????1
c????2
d????3
e????4
f????4
g????5
dtype:?int64

#?新增單個(gè)數(shù)據(jù)
series1['h']?=?7
print('在series1插入單個(gè)數(shù)據(jù)后為：\n',?series1)

輸出：

在series1插入單個(gè)數(shù)據(jù)后為：
f????4
g????5
h????7
dtype:?int64

一般使用drop方法刪除Series元素，它接收被刪除元素對(duì)應(yīng)的索引，inplace=True表示對(duì)原Series起作用，如代碼清單6-10所示。

代碼清單6-10 刪除Series元素

#?刪除數(shù)據(jù)
series.drop('e',?inplace?=?True)
print('刪除索引e對(duì)應(yīng)數(shù)據(jù)后的series為：\n',?series)

輸出：

刪除索引e對(duì)應(yīng)數(shù)據(jù)后的series為：
a????3
b????1
c????2
d????3
Name:?list,?dtype:?int64

02 DataFrame

DataFrame是pandas基本數(shù)據(jù)結(jié)構(gòu)，類似數(shù)據(jù)庫中的表。DataFrame既有行索引，也有列索引，它可以看作Series組成的dict，每個(gè)Series看作DataFrame的一個(gè)列。

1. 創(chuàng)建DataFrame

DataFrame函數(shù)用于創(chuàng)建DataFrame對(duì)象，其基本語法格式如下。

class?pandas.DataFrame(data=None,?index=None,?columns=None,?dtype=None,?copy=False)

DataFrame函數(shù)常用的參數(shù)及其說明如下所示。

data：接收ndarray，dict，list或DataFrame。表示輸入數(shù)據(jù)。默認(rèn)為None
index：接收Index，ndarray。表示索引。默認(rèn)為None
columns：接收Index，ndarray。表示列標(biāo)簽（列名）。默認(rèn)為None

創(chuàng)建DataFrame的方法有很多，常見的一種是傳入一個(gè)由等長(zhǎng)list或ndarray組成的dict。若沒有傳入columns參數(shù)，則傳入的dict的鍵會(huì)被當(dāng)作列名，如代碼清單6-11所示。

代碼清單6-11 通過dict創(chuàng)建DataFrame

dict1?=?{'col1':?[0,?1,?2,?3,?4],?'col2':?[5,?6,?7,?8,?9]}
print('通過dict創(chuàng)建的DataFrame為：\n',?pd.DataFrame(dict1,?index?=?['a',?'b',?'c',?'d',?'e']))

輸出：

通過dict創(chuàng)建的DataFrame為：
????col1??col2
a?????0?????5
b?????1?????6
c?????2?????7
d?????3?????8
e?????4?????9

通過list或ndarray也可創(chuàng)建DataFrame，如代碼清單6-12所示。

代碼清單6-12 通過list創(chuàng)建DataFrame

list2?=?[[0,?5],?[1,?6],?[2,?7],?[3,?8],?[4,?9]]
print('通過list創(chuàng)建的DataFrame為：\n',
??????pd.DataFrame(list2,?index?=?['a',?'b',?'c',?'d',?'e'],?columns?=?['col1',?'col2']))

輸出：

通過list創(chuàng)建的DataFrame為：
????col1??col2
a?????0?????5
b?????1?????6
c?????2?????7
d?????3?????8
e?????4?????9

由于DataFrame是二維數(shù)據(jù)結(jié)構(gòu)，包含列索引（列名），因此較Series有更多的屬性。DataFrame常用的屬性及其說明如下所示。

values：以ndarray的格式返回DataFrame對(duì)象的所有元素
index：返回DataFrame對(duì)象的Index
columns：返回DataFrame對(duì)象的列標(biāo)簽
dtypes：返回DataFrame對(duì)象的數(shù)據(jù)類型
axes：返回DataFrame對(duì)象的軸標(biāo)簽
ndim：返回DataFrame對(duì)象的軸尺寸數(shù)
size：返回DataFrame對(duì)象的個(gè)數(shù)
shape：返回DataFrame對(duì)象的形狀

訪問創(chuàng)建的DataFrame的常用屬性，如代碼清單6-13所示。

代碼清單6-13 訪問DataFrame的屬性

df?=?pd.DataFrame({'col1':?[0,?1,?2,?3,?4],?'col2':?[5,?6,?7,?8,?9]},
???????????????????index?=?['a',?'b',?'c',?'d',?'e'])
print('DataFrame的Index為：',?df.index)

#輸出：DataFrame的Index為：Index(['a', 'b', 'c', 'd', 'e'], dtype='object')

print('DataFrame的列標(biāo)簽為：',?df.columns)

#輸出：DataFrame的列標(biāo)簽為：Index(['col1', 'col2'], dtype='object')

print('DataFrame的軸標(biāo)簽為：',?df.axes)

#輸出：DataFrame的軸標(biāo)簽為：?[Index(['a', 'b', 'c', 'd', 'e'], dtype='object'), Index(['col1', 'col2'], dtype='object')]

print('DataFrame的維度為：',?df.ndim)

#輸出：DataFrame的維度為：2

print('DataFrame的形狀為：',?df.shape)

#輸出：DataFrame的形狀為：?(5, 2)

2. 訪問DataFrame首尾數(shù)據(jù)

head和tail方法用于訪問DataFrame前n行和后n行數(shù)據(jù)，默認(rèn)返回5行數(shù)據(jù)，如代碼清單6-14所示。

代碼清單6-14 訪問DataFrame前后n行數(shù)據(jù)

print('默認(rèn)返回前5行數(shù)據(jù)為：\n',?df.head())????

輸出：

默認(rèn)返回前5行數(shù)據(jù)為：
????col1??col2
a?????0?????5
b?????1?????6
c?????2?????7
d?????3?????8
e?????4?????9????

print('返回后3行數(shù)據(jù)為：\n',?df.tail(3))

輸出：

返回后3行數(shù)據(jù)為：
????col1??col2
c?????2?????7
d?????3?????8
e?????4?????9

3. 更新、插入和刪除

類似Series，更新DataFrame列也采用賦值的方法，對(duì)指定列賦值即可，如代碼清單6-15所示。

代碼清單6-15 更新DataFrame

#?更新列
df['col1']?=?[10,?11,?12,?13,?14]
print('更新列后的DataFrame為：\n',?df)

輸出：

更新列后的DataFrame為：
????col1??col2
a????10?????5
b????11?????6
c????12?????7
d????13?????8
e????14?????9

插入列也可以采用賦值方法，如代碼清單6-16所示。

代碼清單6-16 采用賦值的方法插入列

#?插入列
df['col3']?=?[15,?16,?17,?18,?19]
print('插入列后的DataFrame為：\n',?df)

輸出：

插入列后的DataFrame為：
????col1??col2??col3
a????10?????5????15
b????11?????6????16
c????12?????7????17
d????13?????8????18
e????14?????9????19

刪除列的方法有多種，如del、pop、drop等。常用的是drop方法，它可以刪除行或者列，基本語法格式如下。

DataFrame.drop(labels,?axis=0,?level=None,?inplace=False,?errors='raise')

drop方法常用的參數(shù)及其說明如下所示。

labels：接收string或array。表示刪除的行或列的標(biāo)簽。無默認(rèn)值
axis：接收0或1。表示執(zhí)行操作的軸向，其中0表示刪除行，1表示刪除列。默認(rèn)為0
levels：接收int或者索引名。表示索引級(jí)別。默認(rèn)為None
inplace：接收bool。表示操作是否對(duì)原數(shù)據(jù)生效。默認(rèn)為False

使用drop方法刪除數(shù)據(jù)，如代碼清單6-17所示。

代碼清單6-17 使用drop方法刪除數(shù)據(jù)

#?刪除列
df.drop(['col3'],?axis?=?1,?inplace?=?True)
print('刪除col3列后的DataFrame為：\n',?df)

輸出：

刪除col3列后的DataFrame為：
????col1??col2
a????10?????5
b????11?????6
c????12?????7
d????13?????8
e????14?????9

#?刪除行
df.drop('a',?axis?=?0,?inplace?=?True)
print('刪除a行后的DataFrame為：\n',?df)

輸出：

刪除a行后的DataFrame為：
????col1??col2
b????11?????6
c????12?????7
d????13?????8
e????14?????9

03 Index

Index對(duì)象為其余pandas對(duì)象存儲(chǔ)軸標(biāo)簽、管理軸標(biāo)簽和其他元數(shù)據(jù)（如軸名稱）。創(chuàng)建Series或DataFrame等對(duì)象時(shí)，索引都會(huì)被轉(zhuǎn)換為Index對(duì)象。主要Index對(duì)象及其說明如下所示。

Index：一般的Index對(duì)象
MultiIndex：層次化Index對(duì)象
DatetimeIndex：Timestamp索引對(duì)象
PeriodIndex：Period索引對(duì)象

1. 創(chuàng)建Index

Index對(duì)象可以通過pandas.Index()函數(shù)創(chuàng)建，也可以通過創(chuàng)建數(shù)據(jù)對(duì)象Series、DataFrame時(shí)接收index（或column）參數(shù)創(chuàng)建，前者屬于顯式創(chuàng)建，后者屬于隱式創(chuàng)建。隱式創(chuàng)建中，通過訪問index（或針對(duì)DataFrame的column）屬性即得到Index。創(chuàng)建的Index對(duì)象不可修改，保證了Index對(duì)象在各個(gè)數(shù)據(jù)結(jié)構(gòu)之間的安全共享。Series的索引是一個(gè)Index對(duì)象。訪問Series索引，如代碼清單6-18所示。

代碼清單6-18 訪問Series索引

print('series的Index為?：\n',?series.index)

輸出：

series的Index為?：
?Index(['a',?'b',?'c',?'d'],?dtype='object')

Index對(duì)象常用的屬性及其說明如下所示。

is_monotonic：當(dāng)各元素均大于前一個(gè)元素時(shí)，返回True
is_unique：當(dāng)Index沒有重復(fù)值時(shí)，返回True

訪問Index屬性，如代碼清單6-19所示。

代碼清單6-19 訪問Index屬性

print('series中Index各元素是否大于前一個(gè)：',?series.index.is_monotonic)

#輸出：series中Index各元素是否大于前一個(gè)：True

print('series中Index各元素是否唯一：',?series.index.is_unique)

#輸出：series中Index各元素是否唯一：True

2. 常用方法

Index對(duì)象的常用方法及其說明如下所示。

append：連接另一個(gè)Index對(duì)象，產(chǎn)生一個(gè)新的Index
difference：計(jì)算兩個(gè)Index對(duì)象的差集，得到一個(gè)新的Index
intersection：計(jì)算兩個(gè)Index對(duì)象的交集
union：計(jì)算兩個(gè)Index對(duì)象的并集
isin：計(jì)算一個(gè)Index是否在另一個(gè)Index，返回bool數(shù)組
delete：刪除指定Index的元素，并得到新的Index
drop：刪除傳入的值，并得到新的Index
insert：將元素插入到指定Index處，并得到新的Index
unique：計(jì)算Index中唯一值的數(shù)組

應(yīng)用Index對(duì)象的常用方法如代碼清單6-20所示。

代碼清單6-20 應(yīng)用Index對(duì)象的常用方法

index1?=?series.index
index2?=?series1.index
print('index1連接index2后結(jié)果為：\n',?index1.append(index2))

#輸出：index1連接index2后結(jié)果為：
#?Index(['a',?'b',?'c',?'d',?'f',?'g',?'h'],?dtype='object')

print('index1與index2的差集為：',?index1.difference(index2))

#輸出：index1與index2的差集為：Index(['a', 'b', 'c', 'd'], dtype='object')

print('index1與index2的交集為：',?index1.intersection(index2))

#輸出：index1與index2的交集為：Index([], dtype='object')

print('index1與index2的并集為：\n',?index1.union(index2))

#輸出：index1與index2的并集為：
#?Index(['a',?'b',?'c',?'d',?'f',?'g',?'h'],?dtype='object')

print('index1中的元素是否在index2中：',?index1.isin(index2))

#輸出：index1中的元素是否在index2中：?[False False False False]

訂閱大師課，玩轉(zhuǎn)pandas?

關(guān)于作者：李明江，資深大數(shù)據(jù)專家，貴州省計(jì)算機(jī)學(xué)會(huì)常務(wù)理事，黔南州大數(shù)據(jù)專家委員會(huì)委員，黔南州計(jì)算機(jī)學(xué)會(huì)會(huì)長(zhǎng)，黔南州教育信息化建設(shè)專家?guī)鞂＜遥厦褡鍘煼秾W(xué)院計(jì)算機(jī)與信息學(xué)院院長(zhǎng)，全國(guó)高校大數(shù)據(jù)教育聯(lián)盟理事。

張良均，資深大數(shù)據(jù)挖掘與分析專家、模式識(shí)別專家、AI技術(shù)專家。有10余年大數(shù)據(jù)挖掘與分析經(jīng)驗(yàn)，擅長(zhǎng)Python、R、Hadoop、Matlab等技術(shù)實(shí)現(xiàn)的數(shù)據(jù)挖掘與分析，對(duì)機(jī)器學(xué)習(xí)等AI技術(shù)驅(qū)動(dòng)的數(shù)據(jù)分析也有深入研究。

本文摘編自《Python3智能數(shù)據(jù)分析快速入門》，經(jīng)出版方授權(quán)發(fā)布。

延伸閱讀《Python3智能數(shù)據(jù)分析快速入門》

點(diǎn)擊上圖了解及購買

轉(zhuǎn)載請(qǐng)聯(lián)系微信：DoctorData

推薦語：本書假設(shè)你有一定的數(shù)據(jù)分析基礎(chǔ)，但是沒有Python和AI基礎(chǔ)，為了幫助你快速掌握智能數(shù)據(jù)分析需要的技術(shù)和方法，書中有針對(duì)性地講解了Python和AI中必須要掌握的知識(shí)點(diǎn)，內(nèi)容由淺入深，循序漸進(jìn)。從環(huán)境配置、基本語法、基礎(chǔ)函數(shù)到第三方庫的安裝與使用，對(duì)各個(gè)操作步驟、函數(shù)、工具、代碼示例等的講解非常詳盡，確保所有滿足條件的讀者都能快速入門。

劃重點(diǎn)?

干貨直達(dá)?

吐血整理：24種可視化圖表優(yōu)缺點(diǎn)對(duì)比，一圖看懂！
硬核科普：什么是狹義相對(duì)論？它有哪些驚人結(jié)論？
為什么Spark能成為最火的大數(shù)據(jù)計(jì)算引擎？它是怎樣工作的？
吐血整理：盤點(diǎn)19種大數(shù)據(jù)處理的典型工具

更多精彩?

在公眾號(hào)對(duì)話框輸入以下關(guān)鍵詞

查看更多優(yōu)質(zhì)內(nèi)容！

PPT?|?讀書?|?書單?|?硬核?|?干貨?|?講明白?|?神操作

大數(shù)據(jù)?|?云計(jì)算?|?數(shù)據(jù)庫?|?Python?|?可視化

AI?|?人工智能?|?機(jī)器學(xué)習(xí)?|?深度學(xué)習(xí)?|?NLP

5G?|?中臺(tái)?|?用戶畫像?|?1024?|?數(shù)學(xué)?|?算法?|?數(shù)字孿生

據(jù)統(tǒng)計(jì)，99%的大咖都完成了這個(gè)神操作

pandas入門：Series、DataFrame、Index基本操作都有了！