1、Series Series是一种类似与一维数组的对象,由下面两个部分组成: values:一组数据(ndarray类型) 1)Series的创建 两种创建方式:
(1) 由列表或numpy数组创建 默认索引为0到N-1的整数型索引 2)Series的索引和切片 可以使用中括号取单个索引(此时返回的是元素类型),或者中括号里一个列表取多个索引(此时返回的仍然是一个Series类型)。分为显示索引和隐式索引: (1) 显式索引: - 使用index中的元素作为索引值 #进行切片 #隐式索引 注意,此时是闭区间 3)Series的基本概念 可以把Series看成一个定长的有序字典 可以通过shape,size,index,values等得到series的属性 可以通过head(),tail()快速查看Series对象的样式 当索引没有对应的值时,可能出现缺失数据显示NaN(not a number)的情况 可以使用pd.isnull(),pd.notnull(),或自带isnull(),notnull()函数检测缺失数据 4)Series的运算 (1) 适用于numpy的数组运算也适用于Series (2) Series之间的运算 在运算中自动对齐不同索引的数据 DataFrame是一个【表格型】的数据结构,可以看做是【由Series组成的字典】(共用同一个索引)。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 最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一【列】的名称,以字典的值(一个数组)作为每一列。 此外,DataFrame会自动加上每一行的索引(和Series一样)。 同Series一样,若传入的列与字典的键不匹配,则相应的值为NaN。 DataFrame属性:values、columns、index、shape 2)DataFrame的索引 (1) 对列进行索引 - 通过类似字典的方式 (2) 对行进行索引 - 使用.ix[]来进行行索引 #对于行的检索,返回值,也是Series (3) 对元素索引的方法 - 使用列索引
(1) DataFrame之间的运算 同Series一样: 在运算中自动对齐不同索引的数据 【重要】 使用Python操作符:以行为单位操作(参数必须是行),对所有行都有效。(类似于numpy中二维数组与一维数组的运算,但可能出现NaN) 使用pandas操作函数: axis=0:以列为单位操作(参数必须是列),对所有列都有效。 |
|