今天小编给大家分享一下Python Pandas中的数据结构实例分析的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。
前言：
Pandas有三种数据结构：Series、DataFrame和Panel。Series类似于数组；DataFrame类似于表格；Panel可视为Excel的多表单Sheet
Series是一种一维数组对象，包含一个值序列，并且包含数据标签，称为索引(index)，通过索引来访问数组中的数据。
例1.通过列表创建
import pandas as pd obj = pd.Series([1,-2,3,4]) #仅由一个数组构成 print(obj)
输出：
0 1
1 -2
2 3
3 4
dtype: int64
输出的第一列为index，第二列为数据value。如果创建Series时没有指定index，Pandas会采用整型数据作为该Series的index。也可以使用Python里的索引index和切片slice技术
例2.创建Series时指定索引
import pandas as pd i = ["a","c","d","a"] v = [2,4,5,7] t = pd.Series(v,index=i,name="col") print(t)
out:
a 2
c 4
d 5
a 7
Name: col, dtype: int64
尽管创建Series指定了index，实际上Pandas还是有隐藏的index位置信息。所以Series有两套描述某条数据手段：位置和标签
例3.Series位置和标签的使用
import pandas as pd
val = [2,4,5,6]
idx1 = range(10,14)
idx2 = "hello the cruel world".split()
s0 = pd.Series(val)
s1 = pd.Series(val,index=idx1)
t = pd.Series(val,index=idx2)
print(s0.index)
print(s1.index)
print(t.index)
print(s0[0])
print(s1[10])
print('default:',t[0],'label:',t["hello"])如果数据被存放在一个Python字典中，也可以直接通过这个字典来创建Series
例4.通过字典创建Series
import pandas as pd
sdata = {'Ohio':35000,'Texass':71000,'Oregon':16000,'Utah':5000}
obj = pd.Series(sdata)
print(obj)Ohio 35000
Texass 71000
Oregon 16000
Utah 5000
dtype: int64
如果只传入一个字典，则结果Series中的索引就是原字典的键（有序排列）
例5.通过字典创建Series时的索引
import pandas as pd
sdata = {"a":100,"b":200,"e":300}
obj = pd.Series(sdata)
print(obj)a 100
b 200
e 300
dtype: int64
如果字典中的键值和指定的索引不匹配，则对应的值时NaN
例6.键值和指定索引不匹配
import pandas as pd
sdata = {"a":100,"b":200,"e":300}
letter = ["a","b","c","e"]
obj = pd.Series(sdata,index=letter)
print(obj)a 100.0
b 200.0
c NaN
e 300.0
dtype: float64
对于许多应用而言，Series重要的一个功能是：它在算术运算中会自动对齐不同索引的数据
例7.不同索引数据的自动对齐
import pandas as pd
sdata = {'Ohio':35000,'Texas':71000,'Oregon':16000,'Utah':5000}
obj1 = pd.Series(sdata)
states = ['California','Ohio','Oregon','Texas']
obj2 = pd.Series(sdata,index=states)
print(obj1+obj2)California NaN
Ohio 70000.0
Oregon 32000.0
Texas 142000.0
Utah NaN
dtype: float64
Series的索引可以通过赋值的方式就地修改
例8.Series索引的修改
import pandas as pd obj = pd.Series([4,7,-3,2]) obj.index = ['Bob','Steve','Jeff','Ryan'] print(obj)
Bob 4
Steve 7
Jeff -3
Ryan 2
dtype: int64
DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同类型的值(数值、字符串、布尔值等)。DataFrame既有行索引也有列索引，它可以被看作由Series组成的字典(共用同一个索引)。跟其他类型的数据结构相比，DataFrame中面向行和面向列的操作上基本上是平衡的
构建DataFrame的方式有很多，最常用的是直接传入一个由等长列表或NumPy数组组成的字典来形成DataFrame
例9.DataFrame的创建
import pandas as pd
data = {
'name':['张三','李四','王五','小明'],
'sex':['female','female','male','male'],
'year':[2001,2001,2003,2002],
'city':['北京','上海','广州','北京']
}
df = pd.DataFrame(data)
print(df)name sex year city
0 张三 female 2001 北京
1 李四 female 2001 上海
2 王五 male 2003 广州
3 小明 male 2002 北京
DataFrame会自动加上索引(跟Series一样)，且全部列会被有序排列。如果指定了列名序列，则DataFrame的列就会按照指定顺序进行排列
例10.DataFrame的索引
import pandas as pd
data = {
'name':['张三','李四','王五','小明'],
'sex':['female','female','male','male'],
'year':[2001,2001,2003,2002],
'city':['北京','上海','广州','北京']
}
df = pd.DataFrame(data,columns = ['name','year','sex','city'])
print(df)name year sex city
0 张三 2001 female 北京
1 李四 2001 female 上海
2 王五 2003 male 广州
3 小明 2002 male 北京
跟Series一样，如果传入的列在数据中找不到，就会产生NaN值。
例11.DataFrame创建时的空缺值
import pandas as pd
data = {
'name':['张三','李四','王五','小明'],
'sex':['female','female','male','male'],
'year':[2001,2001,2003,2002],
'city':['北京','上海','广州','北京']
}
df = pd.DataFrame(data,columns = ['name','year','sex','city','address'])
print(df)name year sex city address
0 张三 2001 female 北京 NaN
1 李四 2001 female 上海 NaN
2 王五 2003 male 广州 NaN
3 小明 2002 male 北京 NaN
DataFrame构造函数的columns函数给出列的名字，index给出label标签
例12.DataFrame构建时指定列名
import pandas as pd
data = {
'name':['张三','李四','王五','小明'],
'sex':['female','female','male','male'],
'year':[2001,2001,2003,2002],
'city':['北京','上海','广州','北京']
}
df = pd.DataFrame(data,columns = ['name','year','sex','city','address'],index = ['a','b','c','d'])
print(df)name year sex city address
a 张三 2001 female 北京 NaN
b 李四 2001 female 上海 NaN
c 王五 2003 male 广州 NaN
d 小明 2002 male 北京 NaN
Pandas的索引对象负责管理轴标签和其他元数据(例如轴名称等).构建Series或DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一个Index
例13.显示DataFrame的索引和列
import pandas as pd
data = {
'name':['张三','李四','王五','小明'],
'sex':['female','female','male','male'],
'year':[2001,2001,2003,2002],
'city':['北京','上海','广州','北京']
}
df = pd.DataFrame(data,columns = ['name','year','sex','city','address'],index = ['a','b','c','d'])
print(df)
print(df.index)
print(df.columns)name year sex city address
a 张三 2001 female 北京 NaN
b 李四 2001 female 上海 NaN
c 王五 2003 male 广州 NaN
d 小明 2002 male 北京 NaN
Index(['a', 'b', 'c', 'd'], dtype='object')
Index(['name', 'year', 'sex', 'city', 'address'], dtype='object')
索引对象不能进行修改，否则会报错。不可修改性非常重要，因为这样才能使Index对象在多个数据结构之间安全共享
除了长的像数组，Index的功能也类似于一个固定大小的集合
例14.DataFrame的Index
import pandas as pd
data = {
'name':['张三','李四','王五','小明'],
'sex':['female','female','male','male'],
'year':[2001,2001,2003,2002],
'city':['北京','上海','广州','北京']
}
df = pd.DataFrame(data,columns = ['name','year','sex','city','address'],index = ['a','b','c','d'])
print('name'in df.columns)
print('a'in df.index)True
True
每个索引都有一些方法和属性，他们可用于设置逻辑并回答有关该索引所包含的数据的常见的问题。
例15.插入索引值
import pandas as pd
data = {
'name':['张三','李四','王五','小明'],
'sex':['female','female','male','male'],
'year':[2001,2001,2003,2002],
'city':['北京','上海','广州','北京']
}
df = pd.DataFrame(data,columns = ['name','year','sex','city','address'],index = ['a','b','c','d'])
df.index.insert(1,'w')
Index(['a', 'w', 'b', 'c', 'd'], dtype='object')DataFrame的基础属性有value、index、columns、dtypes、ndim和shape，分别可以获取DataFrame的元素、索引、列名、类型、维度和形状。
例16.显示DataFrame的属性
import pandas as pd
data = {
'name':['张三','李四','王五','小明'],
'sex':['female','female','male','male'],
'year':[2001,2001,2003,2002],
'city':['北京','上海','广州','北京']
}
df = pd.DataFrame(data,columns = ['name','year','sex','city','address'],index = ['a','b','c','d'])
print(df)
print('信息表的所有值为：\n',df.values)
print('信息表的所有列为：\n',df.columns)
print('信息表的元素个数：\n',df.size)
print('信息表的维度：\n',df.ndim)
print('信息表的形状：\n',df.shape)
#//输出
name year sex city address
a 张三 2001 female 北京 NaN
b 李四 2001 female 上海 NaN
c 王五 2003 male 广州 NaN
d 小明 2002 male 北京 NaN
信息表的所有值为：
[['张三' 2001 'female' '北京' nan]
['李四' 2001 'female' '上海' nan]
['王五' 2003 'male' '广州' nan]
['小明' 2002 'male' '北京' nan]]
信息表的所有列为：
Index(['name', 'year', 'sex', 'city', 'address'], dtype='object')
信息表的元素个数：
20
信息表的维度：
2
信息表的形状：
(4, 5)以上就是“Python Pandas中的数据结构实例分析”这篇文章的所有内容，感谢各位的阅读！相信大家阅读完这篇文章都有很大的收获，小编每天都会为大家更新不同的知识，如果还想学习更多的知识，请关注亿速云行业资讯频道。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
