1.什么是pandas
2.查看pandas版本信息
输出：
3.常见数据类型
常见的数据类型:
- 一维: Series
- 二维: DataFrame
- 三维: Panel …
- 四维: Panel4D …
- N维: PanelND …
4.pandas创建Series数据类型对象
1). 通过列表创建Series对象
array = ["粉条", "粉丝", "粉带"]
# 如果不指定索引， 默认从0开始;
s1 = pd.Series(data=array)
print(s1)
# 如果不指定索引， 默认从0开始;
ss1 = pd.Series(data=array, index=['A', 'B', 'C'])
print(ss1)
输出：
0 粉条
1 粉丝
2 粉带
dtype: object
A 粉条
B 粉丝
C 粉带
dtype: object
2). 通过numpy的对象Ndarray创建Series；
n = np.random.randn(5) # 随机创建一个ndarray对象;
s2 = pd.Series(data=n)
print(s2)
# 修改元素的数据类型;
ss2 = s2.astype(np.int)
print(ss2)
输出：
0 -1.649755
1 0.607479
2 0.943136
3 -1.794060
4 1.569035
dtype: float64
0 -1
1 0
2 0
3 -1
4 1
dtype: int64
3). 通过字典创建Series对象;
dict = {string.ascii_lowercase[i]:i for i in range(10)}
s3 = pd.Series(dict)
print(s3)
输出：
a 0
b 1
c 2
d 3
e 4
f 5
g 6
h 7
i 8
j 9
dtype: int64
5.Series基本操作
共同部分：
import pandas as pd
import numpy as np
import string
array = ["粉条", "粉丝", "粉带"]
s1 = pd.Series(data=array)
print(s1)
输出：
0 粉条
1 粉丝
2 粉带
dtype: object
1). 修改Series索引.index
print(s1.index) #输出：RangeIndex(start=0, stop=3, step=1)
s1.index = ['A', 'B', 'C']
print(s1)
输出：
A 粉条
B 粉丝
C 粉带
dtype: object
2). Series纵向拼接.append
s1.index = ['A', 'B', 'C']
array = ["粉条", "粉丝", "粉带"]
# 如果不指定索引， 默认从0开始;
s2 = pd.Series(data=array)
s3 = s1.append(s2)
print(s3)
输出：
A 粉条
B 粉丝
C 粉带
0 粉条
1 粉丝
2 粉带
dtype: object
3). 删除指定索引对应的元素.drop(‘index')
s3 = s3.drop('C') # 删除索引为‘C'对应的值;
print(s3)
输出：
A 粉条
B 粉丝
0 粉条
1 粉丝
2 粉带
dtype: object
4). 根据指定的索引查找元素
print(s3['B']) #粉丝
s3['B'] = np.nan #索引B处的值替换为缺失值
print(s3)
输出：
A 粉条
B NaN
0 粉条
1 粉丝
2 粉带
dtype: object
5). 切片操作 — 同列表
print(s3[:2]) #显示前两个元素
print(s3[::-1]) #逆序
print(s3[-2:]) # 显示最后两个元素
输出：
A 粉条
B NaN
dtype: object
-------------------------
2 粉带
1 粉丝
0 粉条
B NaN
A 粉条
dtype: object
-------------------------
1 粉丝
2 粉带
dtype: object
6.Series运算
先设置两个Series对象：
import pandas as pd
import numpy as np
import string
s1 = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))
s2 = pd.Series(np.arange(2, 8), index=list(string.ascii_lowercase[2:8]))
print(s1)
print(s2)
按照对应的索引进行计算， 如果索引不同，则填充为Nan;
1).加法add
print(s1 + s2)
print(s1.add(s2))
输出：
a NaN
b NaN
c 4.0
d 6.0
e 8.0
f NaN
g NaN
h NaN
dtype: float64
2).减法sub
print(s1 - s2)
print(s1.sub(s2))
输出：
a NaN
b NaN
c 0.0
d 0.0
e 0.0
f NaN
g NaN
h NaN
dtype: float64
3).乘法mul
print(s1 * s2)
print(s1.mul(s2))
输出：
a NaN
b NaN
c 4.0
d 9.0
e 16.0
f NaN
g NaN
h NaN
dtype: float64
4).除法div
print(s1 / s2)
print(s1.div(s2))
输出：
a NaN
b NaN
c 1.0
d 1.0
e 1.0
f NaN
g NaN
h NaN
dtype: float64
5).求中位数median
输出：
6).求和sum
输出：
7).最大值max
输出：
8).最小值min
输出：
7.特殊的where方法
series中的where方法运行结果和numpy中完全不同
import pandas as pd
import numpy as np
import string
s1 = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))
print(s1)
输出：
a 0
b 1
c 2
d 3
e 4
dtype: int64
大于3的显示，不大于3的为NaN
# 对象中小于3的元素赋值为10；
print(s1.where(s1 > 3, 10))
# 对象中大于3的元素赋值为10；
print(s1.mask(s1 > 3, 10))
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。如有错误或未考虑完全的地方，望不吝赐教。
您可能感兴趣的文章:- 详细介绍在pandas中创建category类型数据的几种方法
- 对pandas中两种数据类型Series和DataFrame的区别详解
- Pandas实现数据类型转换的一些小技巧汇总
- Pandas数据类型之category的用法
