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！

创新互联主要从事成都网站设计、做网站、成都外贸网站建设公司、网页设计、企业做网站、公司建网站等业务。立足成都服务静乐,十载网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:18980820575

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网站，小编会继续努力为大家带来更多实用的文章！

本文标题：Pandas的介绍及安装方法
本文链接：http://azwzsj.com/article/gcggoo.html