Pandas数据结构

---

1. Series数据结构

Series是Pandas的基础数据结构，代表着一列数据，其底层是由Numpy实现的。

Series的特点：

1. 所有的元素类型都是一致的；
2. 如果创建Series时，传入整数列表，默认每个元素的类型都是np.int64；
3. 如果创建Series时，传入的是小数和整数混合列表，默认每个元素的类型都是np.float64
4. 如果创建Series时，传入的是其他类型的混合，默认每个元素的类型都是object；
5. 如果创建Series时，传入的是字符串类型列表，默认每个元素的类型也是object。

1.1 Series数据类型创建

利用pd.Series创建一个Series对象，传入的列表作为Series中的数据。

import pandas as pd
s = pd.Series(['Banana', 42])
print(s)'''
代码输出：
0    Banana
1        42
dtype: object
'''

从代码的执行结果中可以发现，当前的Series的数据类型是object。

使用·s.values·属性，可以获去Series中的数据，数据的类型是一个Ndarray。

print(s.values)
print(type(s.values))
'''
代码输出：
['Banana' 42]
<class 'numpy.ndarray'>
'''

如果使用整数和浮点数的混合列表作为参数，Series的默认类型是np.float64类型。

print(pd.Series([1,1.2])
'''
代码输出：
0    1.0
1    1.2
dtype: float64
'''

在创建Series对象时，可以指定行索引index（Series代表一列数据）。

print(pd.Series(['Bill Gates', 'Male'], index=['Name', 'Gender']))
'''
代码输出：
Name      Bill Gates
Gender          Male
dtype: object
'''

注意：
Series代表Pandas数据结构中的列，在Pandas中没有表示行的数据结构。

1.2 Series的常用属性

使用pd.read_csv从CSV文件中加载数据，同时指定数据中的id列作为行索引。

data = pd.read_csv('data/nobel_prizes.csv',index_col='id')

使用loc获取数据中的第941行，此时的row就是一个Series对象。

row = data.loc[941]

loc对应的是行索引，如果行索引是从0开始的数字（和行编号一致），此时loc和iloc作用相同。

注意：
由于Pandas中没有对应行的数据结构，所以获得第941行之后，数据行被转换成了列，也就是一个Series

使用Print查看数据值：

print(row)
'''
代码输出：
year                                                              2017
category                                                       physics
overallMotivation                                                  NaN
firstname                                                       Rainer
surname                                                          Weiss
motivation           "for decisive contributions to the LIGO detect...
share                                                                2
Name: 941, dtype: object
'''

values

values属性表示当前Series对象的值，类型是Ndarray：

print(row.values)
print(type(row.values))
'''
代码输出：
[2017 'physics' nan 'Rainer' 'Weiss''"for decisive contributions to the LIGO detector and the observation of gravitational waves"'2]
<class 'numpy.ndarray'>
'''

index/keys()

index属性表示当前Series的行索引：

print(row.index)
'''
代码输出：
Index(['year', 'category', 'overallMotivation', 'firstname', 'surname','motivation', 'share'],dtype='object')
'''

keys()方法可以达到同样的效果：

print(row.keys())
# 代码结果和row.index完全相同

shape

shape属性表示当前Series的行数和列数，是一个元组，由于Series表示一列数据，所以没有列数值：

print(row.shape)
'''
代码输出：
(7,)
'''

T

T属性表示当前Series的转置，由于Pandas没有行数据结构，所以转置之后和没有转置没什么区别：

print(row.T)
'''
代码输出：
year                                                              2017
category                                                       physics
overallMotivation                                                  NaN
firstname                                                       Rainer
surname                                                          Weiss
motivation           "for decisive contributions to the LIGO detect...
share                                                                2
Name: 941, dtype: object
'''

loc/iloc

loc可以通过行列索引获取对应的行列，iloc通过行列序号获取对应的行列：

print(row.loc['year'])
print(row.iloc[0])
'''
代码输出：
2017
2017
'''

注意：
loc和iloc的完整使用方法是：

• loc[行索引,列索引]
• iloc[行序号,列序号]

1.3 Series的常用方法

首先，使用数据.列名的方式获取一列数据，形成一个Series对象：

share = data.share
print(share)
'''
代码输出：
id
941    2
942    4
943    4
944    3
945    3..
160    1
293    1
569    1
462    2
463    2
Name: share, Length: 923, dtype: int64
'''

mean()

求平均：

print(share.mean())
'''
代码输出：
1.982665222101842
'''

max()/min()

求最大/小值：

print(share.max())
print(share.min())
'''
代码输出：
4
1
'''

var()/std()

方差和标准差：

print(share.var())
print(share.std())
'''
代码输出：
0.8695473357414776
0.9324952202244672
'''

value_counts()

获取每个值在当前Series对象中的个数：

print(share.value_counts())
'''
代码输出：
1    347
2    307
3    207
4     62
Name: share, dtype: int64
'''

以上输出的含义是，单个人获得诺贝尔奖项的有347次，两个人获得诺贝尔奖项的有307次，三个人获得诺贝尔奖项的有207次…

describe()

计算当前Series对象的各种特征值：

print(share.describe())
'''
代码输出：
count    923.000000
mean       1.982665
std        0.932495
min        1.000000
25%        1.000000
50%        2.000000
75%        3.000000
max        4.000000
Name: share, dtype: float64
'''

1.4 Series运算

创建两个Series对象：

s1 = pd.Series([1,2,3])
s2 = pd.Series([4,5,6])

加/减法

Series执行加法运算时，采用对位相加的方式。

print(s1 + s2)
print(s1 - s2)
'''
代码输出：
0    5
1    7
2    9
dtype: int64
0   -3
1   -3
2   -3
dtype: int64
'''

注意：
对位相加减是基于index值的，也就是说在加减运算执行时，两个index相同的值才算对位。

如果加减运算时，存在index不对位的情况，就会返回NaN值：

print(s1 + pd.Series([0,1]))
'''
代码输出：
0    1.0
1    3.0
2    NaN
dtype: float64
'''

注意！如果我们把其中一个Series对象的index倒序排列，依然不影响最终的结果：

# 倒序排列s2的行索引，再次执行加法，结果不变
print(s1 + s2.sort_index(ascending=False)

乘法

乘法也是对位相乘的：

print(s1 * s2)
'''
代码输出：
0     4
1    10
2    18
dtype: int64
'''

2. DataFrame数据结构

DataFrame是Pandas最重要的数据结构，由一个个的Series组成，可以视为一个二维表：

2.1 DataFrame数据类型创建

pd.DataFrame()方法接收一个字典对象作为参数，每个字典的键值对代表一列数据：

name_list = pd.DataFrame({'Name':['Tom','Bob'],'Job':['Java','Python'],'Age':[28,46]
})
print(name_list)
'''
代码输出：Name     Job  Age
0  Tom    Java   28
1  Bob  Python   46
'''

我们也可以在创建DataFrame的时候，直接指定索引：

• 通过index参数指定行索引
• 通过column参数指定列索引

print(pd.DataFrame(data={'Job': ['Java', 'Python'],'Age': [28, 46]},index=['Tom', 'Bob'],columns=['Job', 'Age'])
)
'''
代码输出：Job  Age
Tom    Java   28
Bob  Python   46
'''

2.2 布尔索引 ★

首先，加载数据：

sci = pd.read_csv('data/scientists.csv')
print(sci)
'''
代码输出：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       Mathematician
'''

取出数据的前5条，head()方法默认取前五条：

sci_5 = sci.head()

布尔索引的使用方法：

bool_index = [True, False, False, False, True]
print(sci_5[bool_index])
'''
代码输出：Name        Born        Died  Age Occupation
0  Rosaline Franklin  1920-07-25  1958-04-16   37    Chemist
4      Rachel Carson  1907-05-27  1964-04-14   56  Biologist
'''

布尔索引中，对应行的值为True就返回，否则就过滤掉。
布尔索引列表必须和数据长度一致，否则会报错。

在实际使用过程中，不可能手动的构造一个布尔索引，通常情况下会通过计算直接生成一个布尔列表。
比如，针对当前数据，我们可以筛选所有年龄大于平均年龄的科学家数据行：

print(sci[sci.Age > sci.Age.mean()]
)
'''
代码输出：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
3           Marie Curie  1867-11-07  1934-07-04   66        Chemist
7          Johann Gauss  1777-04-30  1855-02-23   77  Mathematician
'''

2.3 DataFrame的常用属性和方法

movie = pd.read_csv('data/movie.csv')
movie.shape 	# 行列数
movie.ndim		# 维度
movie.values	# 值
movie.size		# 元素个数
len(movie)		# 行数
movie.count()	# 计算行数，过滤空行（空行不算行数）
movie.describe()# 对数值列进行特征计算movie + movie	# 数值直接对位相加，字符串直接拼接

2.4 DataFrame更改操作

改行索引

将行索引由数字索引更改为movie_title列：

movie.set_index('movie_title',inplace=True)

解除行索引

解除当前的行索引，并使用数字索引：

movie.reset_index()

改行列名

movie.rename(index={'Avatar':'阿凡达','Star Wars: Episode VII - The Force Awakens':'星期大战7'},columns={'director_name':'导演','color':'颜色'},inplace=True
)

修改所有的行列

index = movie.index.to_list()
index[0] = '阿凡达'
movie.index = index

增加、删除列

movie['has_seen'] = 0
movie['社交媒体点赞数量'] = movie.actor_1_facebook_likes+movie.actor_2_facebook_likes+movie.actor_3_facebook_likes+movie.director_facebook_likes# 在指定位置插入指定列
movie.insert(loc=0,column='利润',value=movie.gross - movie.budget
)

删除行列

movie.drop('社交媒体点赞数量',axis=1)
# axis=1表示删除列
movie.drop('阿凡达')
# 删除行

3. Pandas数据导入导出

# movie.to_pickle('data/movie.pickle')
# movie.to_csv('data/movie2.csv')
# movie.to_csv('data/movie2.tsv',sep='\t')
# movie.to_excel('data/movie.xlsx')
# movie.read_csv()
# movie.read_pickle()
# movie.read_csv(sep='\t')
# movie.read_excel()