1. Series
在Pandas中,Series是一种一维标签化的数组结构。它可以存储各种数据类型,包括整数、浮点数、字符串等。使用Series可以轻松处理和操作一维数据。
1.1 创建Series
我们可以使用不同的方法创建Series。以下是常见的几种方法:
1. 使用列表创建Series
import pandas as pd
data = [1, 2, 3, 4, 5]
series = pd.Series(data)
print(series)
输出:
0 1
1 2
2 3
3 4
4 5
dtype: int64
2. 使用字典创建Series
data = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}
series = pd.Series(data)
print(series)
输出:
a 1
b 2
c 3
d 4
e 5
dtype: int64
3. 使用NumPy数组创建Series
import numpy as np
data = np.array([1, 2, 3, 4, 5])
series = pd.Series(data)
print(series)
输出:
0 1
1 2
2 3
3 4
4 5
dtype: int64
1.2 访问Series元素
我们可以使用索引来访问Series中的元素。以下是一些常见的访问方法:
1. 使用索引位置访问元素
import pandas as pd
data = [1, 2, 3, 4, 5]
series = pd.Series(data)
print(series[0])
输出:
1
2. 使用标签访问元素
data = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}
series = pd.Series(data)
print(series['a'])
输出:
1
1.3 Series的操作
Series支持多种操作,包括算术运算、聚合函数等。
1. 算术运算
import pandas as pd
data1 = [1, 2, 3, 4, 5]
data2 = [6, 7, 8, 9, 10]
series1 = pd.Series(data1)
series2 = pd.Series(data2)
# 加法
sum_series = series1 + series2
print(sum_series)
# 减法
diff_series = series1 - series2
print(diff_series)
# 乘法
mul_series = series1 * series2
print(mul_series)
# 除法
div_series = series1 / series2
print(div_series)
2. 聚合函数
data = [1, 2, 3, 4, 5]
series = pd.Series(data)
# 求和
sum_series = series.sum()
print(sum_series)
# 平均值
mean_series = series.mean()
print(mean_series)
# 最大值
max_series = series.max()
print(max_series)
# 最小值
min_series = series.min()
print(min_series)
2. DataFrame
DataFrame是Pandas中最重要和最常用的数据结构之一。它是一个表格化的二维数据结构,类似于Excel中的表格。DataFrame由行和列组成,可以表示结构化的、异质的数据。
2.1 创建DataFrame
我们可以使用不同的方法创建DataFrame。以下是常见的几种方法:
1. 使用字典创建DataFrame
import pandas as pd
data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'],
'Age': [28, 34, 29, 42]}
df = pd.DataFrame(data)
print(df)
输出:
Name Age
0 Tom 28
1 Jack 34
2 Steve 29
3 Ricky 42
2. 使用列表创建DataFrame
data = [['Tom', 28], ['Jack', 34], ['Steve', 29], ['Ricky', 42]]
df = pd.DataFrame(data, columns=['Name', 'Age'])
print(df)
输出:
Name Age
0 Tom 28
1 Jack 34
2 Steve 29
3 Ricky 42
2.2 访问DataFrame元素
我们可以使用索引和标签来访问DataFrame中的元素。以下是一些常见的访问方法:
1. 使用索引位置访问元素
import pandas as pd
data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'],
'Age': [28, 34, 29, 42]}
df = pd.DataFrame(data)
# 根据索引位置访问元素
print(df.iloc[0, 0])
输出:
Tom
2. 使用标签访问元素
# 根据列名访问元素
print(df['Name'][0])
输出:
Tom
2.3 DataFrame的操作
DataFrame支持多种操作,包括筛选、排序、合并等。
1. 筛选数据
import pandas as pd
data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'],
'Age': [28, 34, 29, 42]}
df = pd.DataFrame(data)
# 根据条件筛选数据
filtered_df = df[df['Age'] > 30]
print(filtered_df)
2. 排序数据
# 按照某一列排序数据
sorted_df = df.sort_values(by='Age')
print(sorted_df)
3. 合并数据
data1 = {'Name': ['Tom', 'Jack'],
'Age': [28, 34]}
data2 = {'Name': ['Steve', 'Ricky'],
'Age': [29, 42]}
df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)
# 将两个DataFrame按行合并
merged_df = pd.concat([df1, df2])
print(merged_df)
以上是关于Pandas中Series和DataFrame的介绍和示例。Series和DataFrame是Pandas强大的数据处理和分析工具,在数据分析和机器学习中有广泛的应用。希望通过本教程能够帮助你更好地理解和使用Pandas。
本文来自极简博客,作者:技术趋势洞察,转载请注明原文链接:Pandas教程:Series和DataFrame