Pandas数据结构 - Series

Pandas Series 类似表格中的一个列（column），类似于带标签一维数组，可以保存任何数据类型

Series的创建实例

import pandas as pd
a = [1,2,3]
arr=pd.Series(a)
print(arr)

输出结果为：

由上图可知，如果不指定索引，索引值默认从零开始，我们可以根据索引值来查找数据，例如：

import pandas as pd
import numpy as np
a=pd.Series(np.arange(10))
print(a[2])

结果为：2

我们也可以指定索引值：

import pandas as pd
a=['a','b','c','d']
s=pd.Series(a,index=['w','x','y','z'])
print(s)

输出结果如下：

我们同时也可以通过字典来创建

import pandas as pd
a={"name":"xiaohong","age":10,"tel":123456}
s=pd.Series(a)
print(s)

输出结果如下：

此时，key就为索引值

Pandas数据结构 - DataFrame

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）。类似一个二维数组

DataFrame的基本信息

DataFrame创建实例：

通过字典创建

import pandas as pd
data=[{'a':1,'b':2},{'a':5,'b':10,'c':20}]
df=pd.DataFrame(data)
print(df)

输出结果如下：

注意：没有对应的部分数据为 NaN。

通过ndarrays创建：

import pandas as pd
data={'name':['xiaohong','xiaoming'],'age':[13,12]}
df=pd.DataFrame(data)
print(df)

输出结果如下：

索引

pandas取行或者列的注意点
方括号写数组，表示取行，对行进行操作
方括号写字符串，表示取列，对列进行操作

如：

print(df[:20])
print(df["Row_Labels"])

如：

t3=pd.DataFrame(np.arange(12).reshape(3,4),index=list("abc"),columns=list("wxyz"))
print(t3.loc["a","z"])
print(t3.loc["a"])
print(t3.loc[:,"y"])
#取多行
print(t3.loc[["a","c"]])
#pandas.iloc
print(t3.iloc[:,2])
print(t3.iloc[[0,2],[2,1]])
t3.iloc[1:,:2] = None
print(t3)

输出结果如下：

常用统计方法

读取外部数据

语法：

import pandas as pd
df=pd.read_csv(".csv类型文件名")

缺失数据的处理

删除数据所在行列

import pandas as pd
import numpy as np
t=pd.DataFrame(np.arange(12).reshape(3,4),index=list("abc"),columns=list("wxyz"))  #创建数据
t.iloc[1:,:2] = None #给一些数据赋空值
print(t)
print(t.dropna(axis=0))
print(t.dropna(axis=0,how="all"))
print(t.dropna(axis=0,how="any"))

输出结果如下：

其中：参数- how：默认为  'any'  如果一行（或一列）里任何一个数据有出现 NA 就去掉整行，如果设置 how='all'  一行（或列）都是 NA 才去掉这整行。

注意：以上方式并没有改变t

若想改变t，方式如下：

t.dropna(axis=0,how="any",inplace=True)

填充数据

d2=[{"name":"xiaohong","age":32,"tel":10010},{"name":"xiaogang","tel":10000},{"name":"xiaowang","age":22}]
t2=pd.DataFrame(d2)
print(t2)
print(t2.fillna(100))

结果为：