自学内容网 自学内容网

Pandas_数据结构详解

1.创建DataFrame对象

  • 概述

    • DataFrame是一个表格型的==结构化==数据结构,它含有一组或多组有序的列(Series),每列可以是不同的值类型(数值、字符串、布尔值等)。

    • DataFrame是Pandas中的最基本的数据结构对象,简称df;可以认为df就是一个二维数据表,这个表有行有列有索引

    • DataFrame是Pandas中最基本的数据结构,Series的许多属性和方法在DataFrame中也一样适用.

  • 创建方式

    • 字典方式创建

      import pandas as pd
      ​
      dict_data = {
          'id': [1, 2, 3],
          'name': ['张三', '李四', '王五'],
          'age': [18, 20, 22]
      }
      # 使用默认自增索引
      # 字典中的key值是df对象的列名,value值是对应列的数据值
      df1 = pd.DataFrame(data=dict_data)
      print(df1)
      print(type(df1))
      ​
      # 通过index参数指定索引, columns参数指定列的位置
      df2 = pd.DataFrame(data=dict_data, index=['A', 'B', 'C'], columns=['id', 'age', 'name'])
      print(df2)
    • 列表+元组方式创建

      list_data = [(1, '张三', 18),
                   (2, '李四', 20),
                   (3, '王五', 22)]
      df3 = pd.DataFrame(data=list_data,
                         index=['A', 'B', 'C'],  # 手动指定索引
                         columns=['id', 'name', 'age'])  # 手动指定列名
      print(df3)
      ​
      # 输出结果如下
         id  name  age
      A   1  张三   18
      B   2  李四   20
      C   3  王五   22
2.Series的常用属性
  • 常见属性

    属性说明
    loc使用索引值取子集
    iloc使用索引位置取子集
    dtype或dtypesSeries内容的类型
    TSeries的转置矩阵
    shape数据的维数
    sizeSeries中元素的数量
    valuesSeries的值
    indexSeries的索引值
  • 代码演示

    # 加载数据
    import pandas as pd
    ​
    # 读取csv文件, 设置 id列为: 索引列
    data = pd.read_csv('data/nobel_prizes.csv', index_col='id')
    data.head() # 默认值只展示前5行数据
  • loc属性

    first_row = data.loc[941]
    print(first_row)        # 获取第一行数据, 但是是以列的方式展示的
    print(type(first_row))  # <class 'pandas.core.series.Series'>

  • iloc属性

    first_row = data.iloc[0] # 使用索引位置获取自己
    print(first_row)        # 获取第一行数据, 但是是以列的方式展示的
    print(type(first_row))  # <class 'pandas.core.series.Series'>
  • dtype 或者 dtypes

    print(first_row.dtype)          # 打印Series的元素类型, object表示字符串
    print(first_row['year'].dtype)  # 打印Series的year列的元素类型, int64
    ​
    # 打印Series的year列的元素类型, 该列值为字符串, 字符串没有dtype属性, 所以报错.
    print(first_row['firstname'].dtype)  
    ​
  • shape 和 size属性

    print(first_row.shape)      # 维度
    ​
    # 结果为: (7,)     因为有7列元素
    ​
    ​
    print(first_row.size)       # 元素个数: 7

  • values 属性

    print(first_row.values) # 获取Series的元素值
  • index属性

    print(first_row.index)  # 获取Series的索引
    ​
    print(first_row.keys()) # Series对象的keys()方法, 效果同上.

3.Series的常用方法
  • 常见方法

    方法说明
    append连接两个或多个Series
    corr计算与另一个Series的相关系数
    cov计算与另一个Series的协方差
    describe计算常见统计量
    drop_duplicates返回去重之后的Series
    equals判断两个Series是否相同
    get_values获取Series的值,作用与values属性相同
    hist绘制直方图
    isinSeries中是否包含某些值
    min返回最小值
    max返回最大值
    mean返回算术平均值
    median返回中位数
    mode返回众数
    quantile返回指定位置的分位数
    replace用指定值代替Series中的值
    sample返回Series的随机采样值
    sort_values对值进行排序
    to_frame把Series转换为DataFrame
    unique去重返回数组
    value_counts统计不同值数量
    keys获取索引值
    head查看前5个值
    tail查看后5个值
  • 代码演示

    import pandas as pd
    ​
    # 创建s对象
    s1 = pd.Series(data=[1, 2, 3, 4, 2, 3], index=['A', 'B', 'C', 'D', 'E', 'F'])
    # 查看s对象值数量
    print(len(s1))
    # 查看s对象前5个值, n默认等于5
    print(s1.head())
    print(s1.head(n=2))
    # 查看s对象后5个值, n默认等于5
    print(s1.tail())
    print(s1.tail(n=2))
    # 获取s对象的索引
    print(s1.keys())
    # s对象转换成python列表
    print(s1.tolist())
    print(s1.to_list())
    # s对象转换成df对象
    print(s1.to_frame())
    # s对象中数据的基础统计信息
    print(s1.describe())
    # s对象最大值、最小值、平均值、求和值...
    print(s1.max())
    print(s1.min())
    print(s1.mean())
    print(s1.sum())
    # s对象数据值去重, 返回s对象
    print(s1.drop_duplicates())
    # s对象数据值去重, 返回数组
    print(s1.unique())
    # s对象数据值排序, 默认升序
    print(s1.sort_values(ascending=True))
    # s对象索引值排序, 默认升序
    print(s1.sort_index(ascending=False))
    # s对象不同值的数量, 类似于分组计数操作
    print(s1.value_counts())

  • 小案例: 电影数据

    # 加载电影数据
    movie = pd.read_csv('data/movie.csv')   
    movie.head()
    ​
    # 获取 导演名(列)
    director = movie.director_name      # 导演名
    director = movie['director_name']   # 导演名, 效果同上
    director
    ​
    # 获取 主演在脸书的点赞数(列)
    actor_1_fb_likes = movie.actor_1_facebook_likes # 主演在脸书的点赞数
    actor_1_fb_likes.head()
    ​
    # 统计相关
    director.value_counts() # 不同导演的 电影数
    director.count()        # 统计非空值(即: 有导演名的电影, 共有多少),  4814 
    director.shape          # 总数(包括null值), (4916,)
    ​
    # 查看详情
    actor_1_fb_likes.describe() # 显示主演在脸书点击量的详细信息: 总数,平均值,方差等...
    director.describe()         # 因为是字符串, 只显示部分统计信息

4.Series的布尔索引

scientists.csv数据集中,列出大于Age列的平均值的具体值,具体步骤如下:

  • 加载并观察数据集

    import pandas as pd
    ​
    df = pd.read_csv('data/scientists.csv')
    print(df)
    # print(df.head())
    # 输出结果如下
                       Name        Born        Died  Age          Occupation
    0     Rosaline Franklin  1920-07-25  1958-04-16   37             Chemist
    1        William Gosset  1876-06-13  1937-10-16   61        Statistician
    2  Florence Nightingale  1820-05-12  1910-08-13   90               Nurse
    3           Marie Curie  1867-11-07  1934-07-04   66             Chemist
    4         Rachel Carson  1907-05-27  1964-04-14   56           Biologist
    5             John Snow  1813-03-15  1858-06-16   45           Physician
    6           Alan Turing  1912-06-23  1954-06-07   41  Computer Scientist
    7          Johann Gauss  1777-04-30  1855-02-23   77       Mathematicia
    ​
    # 演示下, 如何通过布尔值获取元素.
    bool_values = [False, True, True, False, False, False, True, False]
    df[bool_values]
    ​
    # 输出结果如下
                       Name        Born        Died  Age          Occupation
    1        William Gosset  1876-06-13  1937-10-16   61        Statistician
    2  Florence Nightingale  1820-05-12  1910-08-13   90               Nurse
    6           Alan Turing  1912-06-23  1954-06-07   41  Computer Scientist
    ​

  • 计算Age列的平均值

    # 获取一列数据 df[列名]
    ages = df['Age']
    print(ages)
    print(type(ages))
    print(ages.mean())
    ​
    # 输出结果如下
    0    37
    1    61
    2    90
    3    66
    4    56
    5    45
    6    41
    7    77
    Name: Age, dtype: int64
    <class 'pandas.core.series.Series'>
    59.125

  • 输出大于Age列的平均值的具体值

    print(ages[ages > ages.mean()])
    ​
    # 输出结果如下
    1    61
    2    90
    3    66
    7    77
    Name: Age, dtype: int64

  • 总结

    # 上述格式, 可以用一行代码搞定, 具体如下
    df[ages > avg_age]                  # 筛选(活的)年龄 大于 平均年龄的科学家信息
    df[df['Age'] > df.Age.mean()]       # 合并版写法.

5.Series的运算

Series和数值型变量计算时,变量会与Series中的每个元素逐一进行计算;

两个Series之间计算时,索引值相同的元素之间会进行计算;索引值不同的元素的计算结果会用NaN值(缺失值)填充。

  • Series和数值型变量计算

    # 加法
    print(ages + 10)
    # 乘法
    print(ages * 2)
    ​
    # 输出结果如下
    0     47
    1     71
    2    100
    3     76
    4     66
    5     55
    6     51
    7     87
    Name: Age, dtype: int64
    0     74
    1    122
    2    180
    3    132
    4    112
    5     90
    6     82
    7    154
    Name: Age, dtype: int64

  • 两个Series之间计算时,索引值相同的元素之间会进行计算;索引值不同的元素的计算结果会用NaN值(缺失值)填充

    print(ages + ages)
    print('=' * 20)
    print(pd.Series([1, 100]))
    print('=' * 20)
    print(ages + pd.Series([1, 100]))
    ​
    # 输出结果如下
    0     74
    1    122
    2    180
    3    132
    4    112
    5     90
    6     82
    7    154
    Name: Age, dtype: int64
    ====================
    0      1
    1    100
    dtype: int64
    ====================
    0     38.0
    1    161.0
    2      NaN
    3      NaN
    4      NaN
    5      NaN
    6      NaN
    7      NaN
    dtype: float64

6.DataFrame常用属性和方法
  • 基础演示

    import pandas as pd
    ​
    # 加载数据集, 得到df对象
    df = pd.read_csv('data/scientists.csv')
    ​
    print('=============== 常用属性 ===============')
    # 查看维度, 返回元组类型 -> (行数, 列数), 元素个数代表维度数
    print(df.shape)
    # 查看数据值个数, 行数*列数, NaN值也算
    print(df.size)
    # 查看数据值, 返回numpy的ndarray类型
    print(df.values)
    # 查看维度数
    print(df.ndim)
    # 返回列名和列数据类型
    print(df.dtypes)
    # 查看索引值, 返回索引值对象
    print(df.index)
    # 查看列名, 返回列名对象
    print(df.columns)
    print('=============== 常用方法 ===============')
    # 查看前5行数据
    print(df.head())
    # 查看后5行数据
    print(df.tail())
    # 查看df的基本信息
    df.info()
    # 查看df对象中所有数值列的描述统计信息
    print(df.describe())
    # 查看df对象中所有非数值列的描述统计信息
    # exclude:不包含指定类型列
    print(df.describe(exclude=['int', 'float']))
    # 查看df对象中所有列的描述统计信息
    # include:包含指定类型列, all代表所有类型
    print(df.describe(include='all'))
    # 查看df的行数
    print(len(df))
    # 查看df各列的最小值
    print(df.min())
    # 查看df各列的非空值个数
    print(df.count())
    # 查看df数值列的平均值
    print(df.mean())

  • DataFrame的布尔索引

    # 小案例, 同上, 主演脸书点赞量 > 主演脸书平均点赞量的
    movie[movie['actor_1_facebook_likes'] > movie['actor_1_facebook_likes'].mean()]
    ​
    # df也支持索引操作
    movie.head()[[True, True, False, True, False]]
  • DataFrame的计算

    scientists * 2                  # 每个元素, 分别和数值运算
    scientists + scientists         # 根据索引进行对应运算
    scientists + scientists[:4]     # 根据索引进行对应运算, 索引不匹配, 返回NAN

7. DataFrame-索引操作

Pandas中99%关于DF和Series调整的API, 都会默认在副本上进行修改, 调用修改的方法后, 会把这个副本返回

这类API都有一个共同的参数: inplace, 默认值是False

如果把inplace的值改为True, 就会直接修改原来的数据, 此时这个方法就没有返回值了

  • 通过 set_index()函数 设置行索引名字

    # 读取文件, 不指定索引, Pandas会自动加上从0开始的索引
    movie = pd.read_csv('data/movie.csv')  
    movie.head()
    ​
    # 设置 电影名 为索引列.   
    movie1 = movie.set_index('movie_title')
    movie1.head()
    ​
    # 如果加上 inplace=True, 则会修改原始的df对象
    movie.set_index('movie_title', inplace=True)  
    movie.head()    # 原始的数据并没有发生改变. 
  • 加载数据的时候, 直接指定索引列

  • 通过reset_index()函数, 可以重置索引

    # 加上inplace, 就是直接修改 源数据.
    movie.reset_index(inplace=True) 
    movie.head()

8.DataFrame-修改行列索引
  • 方式1: rename()函数, 可以对原有的行索引名 和 列名进行修改

    movie = pd.read_csv('data/movie.csv', index_col='movie_title')
    movie.index[:5]  # 前5个行索引名
    ​
    movie.columns[:5]  # 前5个列名
    ​
    # 手动修改下 行索引名 和 列名
    idx_rename = {'Avatar': '阿凡达', "Pirates of the Caribbean: At World's End": '加勒比海盗'}
    col_rename = {'color': '颜色', 'director_name': '导演名'}
    ​
    # 通过rename()函数, 对原有的行索引名 和 列名进行修改
    movie.rename(index=idx_rename, columns=col_rename).head()
  • 方式2:把 index 和 columns属性提取出来, 修改之后, 再赋值回去

    index类型不能直接修改,需要先将其转成列表, 修改列表元素, 再整体替换

    movie = pd.read_csv('data/movie.csv', index_col='movie_title')
    ​
    # 提取出 行索引名 和 列名, 并转成列表.
    index_list = movie.index.tolist()
    columns_list = movie.columns.tolist()
    ​
    # 修改列表元素值
    index_list[0] = '阿凡达'
    index_list[1] = '加勒比海盗'
    ​
    columns_list[0] = '颜色'
    columns_list[1] = '导演名'
    ​
    # 重新把修改后的值, 设置成 行索引 和 列名
    movie.index = index_list
    movie.columns = columns_list
    ​
    # 查看数据
    movie.head(5)

9.添加-删除-插入列
  • 添加列

    movie = pd.read_csv('data/movie.csv')
    ​
    # 通过 df[列名] = 值  的方式, 可以给df对象新增一列, 默认: 在df对象的最后添加一列.
    movie['has_seen'] = 0   # 新增一列, 表示: 是否看过(该电影)   
    ​
    # 新增一列, 表示: 导演和演员 脸书总点赞数
    movie['actor_director_facebook_likes'] = (
        movie['actor_1_facebook_likes'] +
        movie['actor_2_facebook_likes'] +
        movie['actor_3_facebook_likes'] +
        movie['director_facebook_likes']
    )
    ​
    movie.head()    # 查看内容
  • 删除列 或者 行

    # movie.drop('has_seen')  # 报错, 需要指定方式, 按行删, 还是按列删.
    # movie.drop('has_seen', axis='columns')    # 按列删
    # movie.drop('has_seen', axis=1)            # 按列删, 这里的1表示: 列
    ​
    movie.head().drop([0, 1])                # 按行索引删, 即: 删除索引为0和1的行
  • 插入列

    有点特殊, 没有inplace参数, 默认就是在原始df对象上做插入的.

    # insert() 表示插入列.   参数解释: loc:插入位置(从索引0开始计数), column=列名, value=值
    # 总利润 = 总收入 - 总预算
    movie.insert(loc=1, column='profit', value=movie['gross'] - movie['budget'])
    movie.head()


原文地址:https://blog.csdn.net/2201_75415080/article/details/142369165

免责声明:本站文章内容转载自网络资源,如本站内容侵犯了原著者的合法权益,可联系本站删除。更多内容请关注自学内容网(zxcms.com)!