Pandas的数据结构
1. 认识Pandas中的数据结构和数据类型
import pandas as pd
# 我的数据文件放置在当前项目下jupyterdata下
df = pd.read_csv('./juyperdata/1960-2019全球GDP数据.csv', encoding='gbk', )
df # 显示全部数据
在 Pandas 库中，Series 和 DataFrame 是两个最核心的数据结构。它们的关系可以简单理解为：DataFrame 是由多个 Series 组成的。
让我用一个形象的比喻来解释：
Series → 就像 Excel 中的一列数据
DataFrame → 就像整个 Excel 表格，包含多列数据
具体解释可查阅
Pandas初体验
为上一节中读取并展示出来的数据，以此为例我们来讲解Pandas的核心概念，以及这些概念的层级关系：
- DataFrame
- Series
- 索引列
- 索引名、索引值
- 索引下标、行号
- 数据列
- 列名
- 列值，具体的数据
其中最核心的就是Pandas中的两个数据结构：DataFrame和Series
2. Series对象
2.1 定义
Series也是Pandas中的最基本的数据结构对象，下文中简称s对象；是DataFrame的列对象，series本身也具有索引。
Series是一种类似于一维数组的对象，由下面两个部分组成：
values：一组数据（numpy.ndarray类型）
index：相关的数据索引标签；如果没有为数据指定索引，于是会自动创建一个0到N-1(N为数据的长度)的整数型索引。
2.2 创建Series对象
2.1.1 通过numpy.ndarray数组来创建
导入pandas和numpy包，自动生成索引
import numpy as np
import pandas as pd
# 创建numpy.ndarray对象
# array([1, 2, 3])
# print打印输出 [1 2 3]
# type()为<class 'numpy.ndarray'>
n1 = np.array([1, 2, 3])
# 创建Series对象
# type()为<class 'pandas.core.series.Series'>
s1 = pd.Series(n1)
s1
结果如下：
也可以，指定索引
n1 = np.array([1, 2, 3])
# 创建Series对象，同时指定索引
s1 = pd.Series(n1, index=['A', 'B', 'C'])
s1
2.1.2 通过pandas.series来创建
# 使用默认自增索引
s2 = pd.Series([1, 2, 3])
print(s2)
# 自定义索引
s3 = pd.Series([1, 2, 3], index=['A', 'B', 'C'])
s3
2.1.3 使用字典或元组创建对象
#使用元组
tst = (1,2,3,4,5,6)
pd.Series(tst)
#使用字典：
dst = {'A':1,'B':2,'C':3,'D':4,'E':5,'F':6}
pd.Series(dst)
我们发现我们想要打出两个结果，但是只显示了一个
这是因为：
在JupyterNotebook中，默认只会打印输出最后出现的变量名；许多时候我们要写大量的print；通过下面的2行代码即可解决这个问题
#在notebook执行代码之前首先需要先执行下面代码以设置InteractiveShell.ast_node_interactivity参数
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = 'all'
#这个方法的作用范围仅限当前kernel(一个.ipynb文件对应一个kernel)
可以让我们在jupyternotebook中不用写print
2.3 series对象常用api
- 构造一个Series对象
s4 = pd.Series([i for i in range(6)], index=[i for i in 'ABCDEF'])
s4
# 返回结果如下
A 0
B 1
C 2
D 3
E 4
F 5
dtype: int64
- Series对象常用属性和方法
# s对象有多少个值，int
len(s4)
s4.size
# s对象有多少个值，单一元素构成的元组 (6,)
s4.shape
# 查看s对象中数据的类型
s4.dtypes
# s对象转换为list列表
s4.to_list()
# s对象的值 array([0, 1, 2, 3, 4, 5], dtype=int64)
s4.values
# s对象的值转换为列表
s4.values.tolist()
# s对象可以遍历，返回每一个值
for i in s4:
print(i)
# 下标获取具体值
s4[1]
# 返回前2个值，默认返回前5个
s4.head(2)
# 返回最后1个值，默认返回后5个
s4.tail(1)
# 获取s对象的索引 Index(['A', 'B', 'C', 'D', 'E', 'F'], dtype='object')
s4.index
# s对象的索引转换为列表
s4.index.to_list()
# s对象中数据的基础统计信息
s4.describe()
# 返回结果及说明如下
#count 6.000000 # s对象一共有多少个值
#mean 2.500000 # s对象所有值的算术平均值
#std 1.870829 # s对象所有值的标准偏差
#min 0.000000 # s对象所有值的最小值
#25% 1.250000 # 四分位 1/4位点值
#50% 2.500000 # 四分位 1/2位点值
#75% 3.750000 # 四分位 3/4位点值
#max 5.000000 # s对象所有值的最大值
#dtype: float64
# 标准偏差是一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。
# 四分位数（Quartile）也称四分位点，是指在统计学中把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值。
- seriest对象转换为df对象
s4.to_frame()
3. DataFrame对象
3.1 创建df对象
- 使用字典加列表创建df，使默认自增索引
df1_data = {
'日期': ['2021-08-21', '2021-08-22', '2021-08-23'],
'温度': [25, 26, 50],
'湿度': [81, 50, 56]
}
df1 = pd.DataFrame(data=df1_data)
df1
# 返回结果如下
日期 温度 湿度
0 2021-08-21 25 81
1 2021-08-22 26 50
2 2021-08-23 50 56
- 使用列表加元组创建df，并自定义索引
df2_data = [
('2021-08-21', 25, 81),
('2021-08-22', 26, 50),
('2021-08-23', 27, 56)
]
df2 = pd.DataFrame(
data=df2_data,
columns=['日期', '温度', '湿度'],
index = ['row_1','row_2','row_3'] # 手动指定索引
)
df2
# 返回结果如下
日期 温度 湿度
row_1 2021-08-21 25 81
row_2 2021-08-22 26 50
row_3 2021-08-23 27 56
3.2 DataFrame对象常用API
# 返回df的行数
len(df2)
# df中数据的个数
df2.size
# df中的行数和列数，元组 (行数, 列数)
df2.shape
# 返回列名和该列数据的类型
df2.dtypes
# 返回nparray类型的2维数组，每一行数据作为一维数组，所有行数据的数组再构成一个二维数组
df2.values
# 返回df的所有列名
df2.columns
# df遍历返回的只是列名
for col_name in df2:
print(col_name)
# 返回df的索引对象
df2.index
# 返回第一行数据，默认前5行
df2.head(1)
# 返回倒数第1行数据，默认倒数5行
df2.tail(1)
# 返回df的基本信息：索引情况，以及各列的名称、数据数量、数据类型
df2.info() # series对象没有info()方法
# 返回df对象中所有数字类型数据的基础统计信息
# 返回对象的内容和Series.describe()相同
df2.describe()
# 返回df对象中全部列数据的基础统计信息
df2.describe(include='all')
如果有帮助到你，请点赞收藏