dataframe两个表合并_Part25:Pandas基础(Series,DataFrame类的创建、索引、切片、算术方法)...

一、为什么学习pandas

• numpy已经可以帮助我们进行数据的处理了，那么学习pandas的目的是什么呢？
  • numpy能够帮助我们处理的是数值型的数据，当然在数据分析中除了数值型的数据还有好多其他类型的数据（字符串，时间序列），那么pandas就可以帮我们很好的处理除了数值型的其他数据！

二、什么是pandas？

• 首先先来认识pandas中的两个常用的类
  • Series
  • DataFrame

1.Series的创建

• 由列表或numpy数组创建
• 由字典创建

#series只能创建一维数组 import numpy as np import pandas as pd from pandas import Series,DataFrame#使用列表创建数组 s=Series(data=[1,2,3,4,5]) s

#numpy数组创建 s1=Series(data=np.random.randint(1,100,size=(2,))) s1

Series(data=[1,2,3],index=['a','b','c'])#index是用来指定显示索引,显示索引不会覆盖隐示索引

1.2.Series的索引和切片

s = Series(data=[1,2,3,4,5],index=['a','b','c','d','e']) s

#索引操作 s = Series(data=[1,2,3,4,5],index=['a','b','c','d','e']) print(s[0])#查找索引为0的元素 print(s['a'])#查找索引为0的元素 print(s.a) print(s[[1,2]])#查找索引为0的元素

#切片 s[0:3] s['a':'c']

1.3.Series的常用属性

• shape
• size
• index
• values

print(s.shape) print(s.size) print(s.index) print(s.values)

1.4.Series的常用方法

• head(),tail()
• unique()
• isnull(),notnull()
• add() sub() mul() div()

s.head(2)#显示前n个元素 s.tail(2)#后n个元素

s = Series(data=[1,1,2,2,3,4,5]) s.unique()#去重

s.nunique() #返回去重之后元素的个数

s.isnull() #isnull使用来检测元素是否为空

s.notnull()#用来检测元素是否为非空

#add()为例 a = pd.Series([1, 1, 1, np.nan], index=['a', 'b', 'c', 'd']) b = pd.Series([1, np.nan, 1, np.nan], index=['a', 'b', 'd', 'e']) a.add(b, fill_value=0) print(a) print(b) print(a.add(b,fill_value=0))

1.5.Series的算术运算

• 法则：索引一致的元素进行算数运算否则补空

s1 = Series(data=[1,2,3],index=['a','b','c']) s2 = Series(data=[1,2,3],index=['a','d','c']) s = s1+s2 s

s.isnull()

s.notnull()

2.DataFrame

• DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引，也有列索引。
  • 行索引：index
  • 列索引：columns
  • 值：values

2.1DataFrame的创建

• • ndarray创建
  • 字典创建

#ndarray创建 import numpy as np import pandas as pd from pandas import Series,DataFrame df=DataFrame(np.array([[1,2,33],[6,4,8]])) df#或者DataFrame(data=[[1,2,33],[6,4,8]])

#使用元祖创建 dic = {'name':['tom','jay','salay'],'salary':[10000,2000,15000] } DataFrame(dic)

df =DataFrame(data=np.random.randint(0,100,size=(3,2)),index=['a','b','c'],columns=['A','B']) df

2.2DataFrame的属性

• values、columns、index、shape

print(df.values) print(df.columns) print(df.index) print(df.shape)

练习1：

根据以下考试成绩表，创建一个DataFrame，命名为df：

张三 李四 语文 150 0 数学 150 0 英语 150 0 理综 300 0

代码

import numpy as np import pandas as pd from pandas import Series,DataFrame df=DataFrame(data=[[150,0],[150,0],[150,0],[300,0]],columns=['张三','李四'],index=['语文','数学','英语','理综']) df

2.3DataFrame索引操作(*重点)

• 对行进行索引
• 队列进行索引
• 对元素进行索引

df = DataFrame(data=np.random.randint(0,100,size=(5,4)),columns=['a','b','c','d'],index=['A','B','C','D','E']) df

#索引取列 df['a']#显示索引取列 df.iloc[:,0] #隐式索引取列 df.a

#取行 df.iloc[0] #隐式索引取行 df.loc['A'] #显示索引取行

• iloc:
  • 通过隐式索引取行
• loc:
  • 通过显示索引取行

#取元素 df.loc['B','b'] df.iloc[1,1] df.iloc[[0,1],2]

2.4DataFrame的切片操作

• 对行进行切片
• 对列进行切片

#切行 df[0:2]

#切列 df.iloc[:,0:2]

总结：

• df索引和切片操作
  • 索引：
    • df[col]:取列
    • df.loc[index]:取行
    • df.iloc[index,col]:取元素
  • 切片：
    • df[index1:index3]:切行
    • df.iloc[:,col1:col3]:切列

2.5DataFrame的运算

• 同Series

练习2：

假设ddd是期中考试成绩，ddd2是期末考试成绩，请自由创建ddd2，并将其与ddd相加，求期中期末平均值。

假设张三期中考试数学被发现作弊，要记为0分，如何实现？

李四因为举报张三作弊立功，期中考试所有科目加100分，如何实现？

后来老师发现有一道题出错了，为了安抚学生情绪，给每位学生每个科目都加10分，如何实现？

#先建表，期中ddd和期末ddd2两张表 import pandas from pandas import Series,DataFrame dic={'张三':[150,150,150,300],'李四':[0,0,0,0],'王五':[120,97,114,130] } df=DataFrame(data=dic,index=['语文','数学','英语','理综']) ddd=df ddd2=df print(ddd) print(ddd2)

#1.假设ddd是期中考试成绩，ddd2是期末考试成绩，请自由创建ddd2，并将其与ddd相加，求期中期末平均值。

#2.假设张三期中考试数学被发现作弊，要记为0分，如何实现？ #先找到ddd中数学-张三成绩，然后再赋值为0 ddd.loc['数学','张三']=0 ddd.loc['数学','张三']

#3.李四因为举报张三作弊立功，期中考试所有科目加100分，如何实现？ #找到ddd表中李四的所有成绩（列），然后+100 ddd['李四']+=100 ddd['李四']

#4.来老师发现有一道题出错了，为了安抚学生情绪，给每位学生每个科目都加10分，如何实现？ ddd+=10 ddd

总结

以上是生活随笔为你收集整理的dataframe两个表合并_Part25:Pandas基础(Series,DataFrame类的创建、索引、切片、算术方法)...的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。