pandas數(shù)據(jù)分析模塊怎么在Python中使用

這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)?lái)有關(guān)pandas數(shù)據(jù)分析模塊怎么在Python中使用，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

創(chuàng)建對(duì)象

常規(guī)導(dǎo)入方式：

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

Series

• Series 可以看做一個(gè)定長(zhǎng)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(diǎn)數(shù)，Python對(duì)象等）的一維標(biāo)記數(shù)組。

• Series對(duì)象包含兩個(gè)主要的屬性：index 和 values。

• 數(shù)據(jù)可以是Python字典、 ndarray、scalar value標(biāo)量值（如5）等

• 創(chuàng)建時(shí)有沒(méi)有index都會(huì)設(shè)置默認(rèn)下標(biāo)，但是索引用的是數(shù)組時(shí)會(huì)默認(rèn)使用創(chuàng)建時(shí)的索引

• 創(chuàng)建時(shí)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(biāo)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(gè)數(shù)據(jù)時(shí)，下標(biāo)取值不包含結(jié)束位置，索引切片包括結(jié)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(gè)數(shù)據(jù)、條件篩選（布爾索引）

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

DataFrame

DataFrame是二維標(biāo)記數(shù)據(jù)結(jié)構(gòu)。 您可以將其視為電子表格或SQL表，或Series對(duì)象。 它通常是最常用的pandans對(duì)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(shí)，鍵名就是列索引，而且鍵值可以為列表，會(huì)自動(dòng)補(bǔ)齊

取單行或單列數(shù)據(jù)，取單個(gè)數(shù)據(jù)

# 列取值，取出的是一個(gè)series對(duì)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(gè)數(shù)據(jù)
print(df1['a']['B']) # 這兩個(gè)一樣
print(df1['a'][1])

取不連續(xù)多列，取連續(xù)多列（默認(rèn)不支持連續(xù)，需要高級(jí)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(rèn)不能不連續(xù)多行取值，下標(biāo)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(jí)索引(花式索引)

一般情況用于DataFrame，這里直接略過(guò)Series

loc標(biāo)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(méi)有index索引就用下標(biāo)，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(biāo)和lo用法一樣，但是下標(biāo)索引左閉右開(kāi)，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(biāo)簽與位置混合索引

博主使用的pandas 0.24.2版本已經(jīng)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(hào)，又可以使用自定義索引，要視情況不同來(lái)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(dǎo)致定位的混亂。

增加數(shù)據(jù)

上述就是小編為大家分享的pandas數(shù)據(jù)分析模塊怎么在Python中使用了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道。