2017网站开发前景,wordpress为什么很卡,网页的基本布局包括什么,学校网站建设的意义与途径 Pandas 是非常著名的开源数据处理库#xff0c;我们可以通过它完成对数据集进行快速读取、转换、过滤、分析等一系列操作。除此之外#xff0c;Pandas 拥有强大的缺失数据处理与数据透视功能#xff0c;可谓是数据预处理中的必备利器。
Pandas 是非常著名的开源数据处… Pandas 是非常著名的开源数据处理库我们可以通过它完成对数据集进行快速读取、转换、过滤、分析等一系列操作。除此之外Pandas 拥有强大的缺失数据处理与数据透视功能可谓是数据预处理中的必备利器。
Pandas 是非常著名的开源数据处理库其基于 NumPy 开发该工具是 Scipy 生态中为了解决数据分析任务而设计。Pandas 纳入了大量库和一些标准的数据模型提供了高效地操作大型数据集所需的函数和方法。
数据类型
Pandas 的数据类型主要有以下几种它们分别是Series一维数组DataFrame二维数组Panel三维数组Panel4D四维数组PanelND更多维数组。其中 Series 和 DataFrame 应用的最为广泛几乎占据了使用频率 90% 以上。
我们按照维度来介绍对应的操作
在 Pandas 中Series 是一个一维数组结构用于存储任何类型的数据整数、字符串、浮点数、Python对象等。Series 的每个元素都有一个索引标签使得它类似于一个字典。
关键特性
可变性可以更改其元素。异构性可以包含不同类型的数据。自动索引如果没有指定索引则自动创建从 0 开始的索引。
序列类型即一位数组
来看看有什么数据类型
Pandas 的 Series 对象可以包含多种不同的数据类型例如
整数类型例如 pd.Series([1, 2, 3, 4])。浮点类型例如 pd.Series([1.0, 2.5, 3.3, 4.8])。字符串类型例如 pd.Series([apple, banana, cherry])。布尔类型例如 pd.Series([True, False, True])。时间类型例如 pd.Series(pd.date_range(20200101, periods3))。混合类型可以在一个 Series 中包含不同类型的数据例如 pd.Series([1, apple, 3.14, True])。
以下是一些常见的 Series 操作的示例代码
import pandas as pd# 创建 Series
data pd.Series([1, 2, 3, 4], index[a, b, c, d])# 访问数据
print(data[b]) # 输出: 2# 修改数据
data[b] 5
print(data[b]) # 输出: 5# 切片操作
print(data[1:3])# 条件筛选
print(data[data 2])# 常用函数
print(data.mean()) # 计算平均值这些操作展示了 Series 的基本使用包括创建、访问、修改数据、切片以及使用简单的统计函数。
# 创建 Series
data pd.Series([1, 2, 3, 4], index[a, b, c, d])这个比较直观我们可以看到四个数字如果直接打印data[0],就会输出位置为0的数字1如果打印data[‘a’]也是输出数字a对应位置的数字
在 Pandas 中Series 是一个一维数组结构用于存储任何类型的数据整数、字符串、浮点数、Python对象等。Series 的每个元素都有一个索引标签使得它类似于一个字典。
import pandas as pd
pfpd.Series({a:10,b:20,c:30},index{1,2,3})
pf在上面提供的代码中有一个错误。当创建一个 Series 对象时如果**同时提供了一个字典和一个索引列表Pandas 将使用提供的索引来查找字典中的值。如果在字典中找不到索引对应的键将会返回 NaN表示“不是数字”**作为那个索引的值。在你的例子中由于索引是 {1, 2, 3} 而字典的键是 {a, b, c}因此无法找到匹配的键最终得到的 Series 将只包含 NaN 值。
正确的代码可以是这样的
import pandas as pd
pf pd.Series({a: 10, b: 20, c: 30})
print(pf)这样就会使用字典键作为索引创建一个包含指定值的 Series 对象。如果你想自定义索引可以这样做
pf pd.Series({a: 10, b: 20, c: 30}, index[a, b, c])
print(pf)这样将使用 a, b, c 作为索引。
DataFrame
DataFrame 是 Pandas 中最为常见、最重要且使用频率最高的数据结构。DataFrame 和平常的电子表格或 SQL 表结构相似。你可以把 DataFrame 看成是 Series 的扩展类型它仿佛是由多个 Series 拼合而成。它和 Series 的直观区别在于数据不但具有行索引且具有列索引。
dataframe的基本结构
pandas.DataFrame(dataNone, indexNone, columnsNone)df pd.DataFrame({one: pd.Series([1, 2, 3]),two: pd.Series([4, 5, 6]),three:[1,2,3]},)输出结果如下
onetwothree014112522363
先介绍到这里
