Skip to main content
基础函数 - Featured image

基础函数

• 130 words • 1 min
Pandas

学习Pandas的第一步，了解其基本的函数与定义

Series

Series 是 Pandas 中的一个核心数据结构，类似于一个一维的数组，具有数据和索引。

pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)

Series特点：

  • 一维数组：Series中的每个元素都有一个对应的索引值。

  • 索引： 每个数据元素都可以通过标签（索引）来访问，默认情况下索引是从 0 开始的整数，但你也可以自定义索引。

  • 数据类型：Series 可以容纳不同数据类型的元素，包括整数、浮点数、字符串、Python 对象等。

  • 大小不变性：Series的大小在创建后是不变的，但可以通过某些操作（如 append 或 delete）来改变。

  • 操作：Series支持各种操作，如数学运算、统计分析、字符串处理等。

  • 缺失数据：Series可以包含缺失数据，Pandas 使用NaN（Not a Number）来表示缺失或无值。

  • 自动对齐：当对多个 Series 进行运算时，Pandas 会自动根据索引对齐数据，这使得数据处理更加高效。

  • 一个Series 对象，可以为其指定索引（Index）、名称（Name）以及值（Values）：

Series方法

DataFrame

pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)

参数说明：

  • data：DataFrame 的数据部分，可以是字典、二维数组、Series、DataFrame 或其他可转换为 DataFrame 的对象。如果不提供此参数，则创建一个空的 DataFrame。

  • index：DataFrame 的行索引，用于标识每行数据。可以是列表、数组、索引对象等。如果不提供此参数，则创建一个默认的整数索引。

  • columns：DataFrame 的列索引，用于标识每列数据。可以是列表、数组、索引对象等。如果不提供此参数，则创建一个默认的整数索引。

  • dtype：指定 DataFrame 的数据类型。可以是 NumPy 的数据类型，例如 np.int64、np.float64 等。如果不提供此参数，则根据数据自动推断数据类型。

  • copy：是否复制数据。默认为 False，表示不复制数据。如果设置为 True，则复制输入的数据。

DataFrame由index，key，value组成

DataFrame 特点：

  • 二维结构： DataFrame 是一个二维表格，可以被看作是一个 Excel 电子表格或 SQL 表，具有行和列。可以将其视为多个 Series 对象组成的字典。

  • 列的数据类型： 不同的列可以包含不同的数据类型，例如整数、浮点数、字符串或 Python 对象等。

  • 索引：DataFrame 可以拥有行索引和列索引，类似于 Excel 中的行号和列标。

  • 大小可变：可以添加和删除列，类似于 Python 中的字典。

  • 自动对齐：在进行算术运算或数据对齐操作时，DataFrame 会自动对齐索引。

  • 处理缺失数据：DataFrame 可以包含缺失数据，Pandas 使用 NaN（Not a Number）来表示。

  • 数据操作：支持数据切片、索引、子集分割等操作。

  • 时间序列支持：DataFrame 对时间序列数据有特别的支持，可以轻松地进行时间数据的切片、索引和操作。

  • 丰富的数据访问功能：通过 .loc、.iloc 和 .query(使用sql风格的语法查询) 方法，可以灵活地访问和筛选数据。

  • 灵活的数据处理功能：包括数据合并、重塑、透视、分组和聚合等。

  • 数据可视化：虽然DataFrame 本身不是可视化工具，但它可以与Matplotlib 或 Seaborn 等可视化库结合使用，进行数据可视化。

  • 高效的数据输入输出：可以方便地读取和写入数据，支持多种格式，如 CSV、Excel、SQL 数据库和 HDF5 格式。

  • 描述性统计：提供了一系列方法来计算描述性统计数据，如 .describe()、.mean()、.sum() 等。

  • 灵活的数据对齐和集成：可以轻松地与其他 DataFrame 或 Series 对象进行合并、连接或更新操作。

  • 转换功能：可以对数据集中的值进行转换，例如使用 .apply() 方法应用自定义函数。

  • 滚动窗口和时间序列分析：支持对数据集进行滚动窗口统计和时间序列分析。

DataFrame方法

pd.set_option
('display.unicode.east_asian_width',True)#
设置输出对齐