本文實例講述了Python數(shù)據(jù)分析pandas模塊用法。分享給大家供大家參考，具體如下：

pandas

pandas10分鐘入門，可以查看官網：10 minutes to pandas

也可以查看更復雜的cookbook

• pandas是非常強大的數(shù)據(jù)分析包，pandas 是基于 Numpy 構建的含有更高級數(shù)據(jù)結構和工具的數(shù)據(jù)分析包。就好比 Numpy的核心是 ndarray，pandas 圍繞著 Series 和 DataFrame 兩個核心數(shù)據(jù)結構展開 。Series和DataFrame 分別對應于一維的序列和二維表結構。

創(chuàng)建對象

常規(guī)導入方式：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

Series

• Series 可以看做一個定長的有序字典，它是能夠保存任何數(shù)據(jù)類型（整數(shù)，字符串，浮點數(shù)，Python對象等）的一維標記數(shù)組。
• Series對象包含兩個主要的屬性：index 和 values。
• 數(shù)據(jù)可以是Python字典、 ndarray、scalar value標量值（如5）等
• 創(chuàng)建時有沒有index都會設置默認下標，但是索引用的是數(shù)組時會默認使用創(chuàng)建時的索引
• 創(chuàng)建時還可以指定name名字屬性，之后可以修改 rename

ser1 = pd.Series(range(10,15),index=list('ABCDE'))
print(ser1)
# 下標和索引等同
print(ser1['A'])
print(ser1[0])

輸出：

A    10
B    11
C    12
D    13
E    14
dtype: int64
10
10

取連續(xù)多個數(shù)據(jù)時，下標取值不包含結束位置，索引切片包括結束位置

print(ser1['A':'D'])
print(ser1[0:3])

輸出：

A    10
B    11
C    12
D    13
dtype: int64
A    10
B    11
C    12
dtype: int64

取多個數(shù)據(jù)、條件篩選（布爾索引）

# 注意里面是一個列表
print(ser1[[0,1,3]])
# 布爾索引
print(ser1[(ser1>12)&(ser1<15)])

DataFrame

DataFrame是二維標記數(shù)據(jù)結構。 您可以將其視為電子表格或SQL表，或Series對象。 它通常是最常用的pandans對象。 像Series一樣，DataFrame接受許多不同種類的輸入：

• Dict of 1D ndarrays, lists, dicts, or Series
• 2-D numpy.ndarray
• Structured or record ndarray
• A Series
• Another DataFrame

df1 = pd.DataFrame(np.random.randint(10,50,(3,4)), - index=list('ABC'),columns=list('abcd'))

• index是行索引，colums是列索引
• 用字典創(chuàng)建時，鍵名就是列索引，而且鍵值可以為列表，會自動補齊

取單行或單列數(shù)據(jù)，取單個數(shù)據(jù)

# 列取值，取出的是一個series對象
print(df1['a'])
print(df1['a'].values)
# 取出一行數(shù)據(jù)的某一行數(shù)據(jù)，也就是單個數(shù)據(jù)
print(df1['a']['B']) # 這兩個一樣
print(df1['a'][1])

取不連續(xù)多列，取連續(xù)多列（默認不支持連續(xù)，需要高級索引）

# 取不連續(xù)多列
print(df1[['a','c']])

行索引，可以直接切片,但是默認不能不連續(xù)多行取值，下標同理

print('行索引取值##############')
print(df1['A':'A'])
# 取連續(xù)多行就是df1['A':'C']

高級索引(花式索引)

一般情況用于DataFrame，這里直接略過Series

loc標簽索引

df1 = pd.DataFrame(np.random.randint(10,50,(5,4)), index=list('ABCDE'),columns=list('abcd'))
# 取單行，類型是series
print(df1.loc['A'])
print(type(df1.loc['A']))
# 取連續(xù)多行，類型是DataFrame
print(df1.loc['A':'C'])
# 如果沒有index索引就用下標，可以取連續(xù)多行連續(xù)多列
print(df1.loc['A':'D','a':'c'])
# 取不連續(xù)多行不連續(xù)多列
print(df1.loc[['A','C'],['a','c']])

iloc 位置索引

iloc是下標和lo用法一樣，但是下標索引左閉右開，loc是包括最后一位

# DataFrame
print(df1.iloc[0:2, 0]) # 注意和df1.loc['A':'C', 'a']的區(qū)別
print(df1.loc['A':'C', 'a'])

ix 標簽與位置混合索引

博主使用的pandas 0.24.2版本已經棄用.ix了(warning但還能使用)，所以也就不寫了

• ix是以上二者的綜合，既可以使用索引編號，又可以使用自定義索引，要視情況不同來使用，
• 如果索引既有數(shù)字又有英文，那么這種方式是不建議使用的，容易導致定位的混亂。

增加數(shù)據(jù)

更多關于Python相關內容感興趣的讀者可查看本站專題：《Python數(shù)學運算技巧總結》、《Python數(shù)據(jù)結構與算法教程》、《Python函數(shù)使用技巧總結》、《Python字符串操作技巧匯總》、《Python入門與進階經典教程》及《Python文件與目錄操作技巧匯總》

希望本文所述對大家Python程序設計有所幫助。

最新評論