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！
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-成都网站建设公司网站，小编会继续努力为大家带来更多实用的文章！
