python的 pandas.Dataframe 和 pandas.Series基础内容

目录

0 有一个比较麻烦琐碎的地方

1 python  pandas.Dataframe

2 pd.concat() 可以合并 pd.Dataframe

2.1 pd.concat() 合并规则

3  pd.Dataframe.drop() 删除行列的操作

4 pd.Dataframe 列操作

5 pd.Dataframe 行操作

5.1 sample_dataframe2.head(n=2) 取前面的n行，不能任意

5.2 sample_dataframe2.query("查询条件")取前面的n行，不能任意

6 可以用pd.Dataframe().query() 方法 同时进行行和列筛选！

7  序列 pandas.Series(）

7.1 什么是序列

7.2 将pd.Dataframe取出1列会变成pd.Series

7.3 序列 pd.series 和数组array() 的转化

---

0 有一个比较麻烦琐碎的地方

• 所有的方法里，下面方法的参数，基本都是加一个""括起来基本就够了
• 有些地方需要多层的中括号，[] ， 比如 [ [ ] ]

1 python  pandas.Dataframe

• 本质是一个二维表
• 特殊点，在于多了一个默认的序号列
• 语法
• pd.Dataframe({key1:value1,key2:value2})

2 pd.concat() 可以合并 pd.Dataframe

2.1 pd.concat() 合并规则

• pd.concat() 语法
• pd.concat([pd.Dataframe1,pd.Dataframe1],axis=0/1) 
• pd.concat() 可以指定合并的方向，默认是axis=0，也就是按行的方向合并
• pd.concat() 可以指定合并的方向，如果是axis=1，就是按列的方向进行合并

import numpy as np
import pandas as pd
import scipy as sp# 可以用list 生成np.array()
sample_array1=np.array([1,2,3])
sample_array2=np.array([10,20,30])
sample_array3=np.array([100,200,300])# 进一步，可以用np.array()生成pd.Series
# 注意pd.Series 首字母一定大写
sample_series1=pd.Series(sample_array1)
print(sample_series1)
print()# 进一步，也可以用np.array()生成pd.DataFrame
# 注意pd.DataFrame 首字母一定大写
sample_dataframe1=pd.DataFrame({"col1":sample_array1,"col2":sample_array2,"col3":sample_array3,})
print(sample_dataframe1)
print()sample_dataframe2=pd.DataFrame({"col1":sample_array1,"col2":sample_array2+1,"col3":sample_array3+1,})
print(sample_dataframe2)
print()print(pd.concat([sample_dataframe1,sample_dataframe2]))  # pd.concat()默认合并是axis=0, 按行合并
print()print(pd.concat([sample_dataframe1,sample_dataframe2],axis=1))
print()

3  pd.Dataframe.drop() 删除行列的操作

• pd.Dataframe.drop()
• pd.Dataframe.drop("行名/列名",axis=0/1)
• axis=0 是行
• 注意：列名一般是字符串，如 "col1"
• 注意：行名一般是数字，如 1

4 pd.Dataframe 列操作

• pd.Dataframe 数据帧
• 操作列的办法有两种

1. 直接引用 pd.Dataframe 对象的属性，pd.Dataframe.列名（不加字符串引号）
2. 类切片的列操作方法
3. pd.Dataframe["列名1"]
4. pd.Dataframe[["列名1","列名2","列名3"]]  #注意是双层中括号

5 pd.Dataframe 行操作

• 行操作有两种方法
• sample_dataframe2.head() 方法
• sample_dataframe2.query()方法

5.1 sample_dataframe2.head(n=2) 取前面的n行，不能任意

• n 只能是前面的连续列

print(sample_dataframe2)
print()
print(sample_dataframe2.head(n=2))

5.2 sample_dataframe2.query("查询条件")取前面的n行，不能任意

• sample_dataframe2.query("查询条件")
• sample_dataframe2.query("可以是任意的一个行条件，不要求非是index的值！")
• sample_dataframe2.query("条件1 | 条件2")      # or  关系
• sample_dataframe2.query("条件1& 条件2")      # and关系

6 可以用pd.Dataframe().query() 方法 同时进行行和列筛选！

print(sample_dataframe2.query("col3==301")[["col2","col3"]])

7  序列 pandas.Series(）

7.1 什么是序列

• 特殊之处：默认带一个序号列
• 可以认为是带 序号的 数组/列表
• pandas.Series( data, index, dtype, copy)

data：输入的数据，可以是列表、常量、ndarray 数组等。
index：索引值必须是唯一的，与data的长度相同，默认为np.arange(n)
dtype：数据类型
copy：是否复制数据，默认为false

7.2 将pd.Dataframe取出1列会变成pd.Series

• 将pd.Dataframe取出1列会变成pd.Series
• 也就是说 pd.Series 是  pd.Dataframe 的其中1列！
• 注意方法不同有差别
• 如果是单取出1列，生成pd.Series
• 如果是单取出多列，生成的只是更小的pd.Dataframe，并不是pd.Series，很好理解，不要搞错。

print(sample_dataframe2)
print()
print(sample_dataframe2.col2)
print()
print(sample_dataframe2["col2"])
print()
print(sample_dataframe2[["col2"]])
print()print(type(sample_dataframe2))
print()
print(type(sample_dataframe2.col2))
print()
print(type(sample_dataframe2["col2"]))
print()
print(type(sample_dataframe2[["col2"]]))

7.3 序列 pd.series 和数组array() 的转化

• pd.series.values 即可以生成对应的 np.array() 数组！

print(sample_dataframe2)
print()
print(sample_dataframe2.col2)
print()
print(sample_dataframe2.col2.values)
print()print(type(sample_dataframe2))
print()
print(type(sample_dataframe2.col2))
print()
print(type(sample_dataframe2.col2.values))
print()