pandas.dataframe 数据类型,python panda dataframe
Series Series一维标记数组，可以包含任何数据(整数、浮点数、字符串和python对象)。
创建函数s=PD.series(data，index=index)
其中index是用作数据标签的列表。数据可以是不同的数据类型、python字典类、ndarray对象或标量。(如果数据是标量，直接用广播原理扩展，不用复制。)
创建一个序列对象创建一个序列对象s=PD . series(NP . random . randn)5 in ndarray，index=[a ， b ， c ，]
s=PD.series(NP.random.randn ) (5))
创建系列对象d={a: 0。 b: 1。d: 3} s=pd.series (d，index=list) ABCD)}
没有数据的亮草位置会自动显示为NaN(天空)。
标量创造系列标量创造系列。值是相同的。
s=PD.series(5，index=list ) ABCD )
系列属性类n数组对象类字典对象标签对齐操作类ndarray对象
Series对象也是类似ndarray的对象，所以也支持numpy对array的操作。
s=PD . series(NP . random . randn)5))s[0]# aeries的对应值可以从ndarray的特性中找到。也就是说，一个区间的数列值s[0]#可以直接从亮下标的草s[:3]#中输出，数列也可以直接调用ndarray的函数进行计算，所以称为类ndarray对象。
类字典对象
您可以通过字典访问它，或者像字典一样更新数据。如果系列中没有字典对象，也可以根据字典添加对象。
S=PD.series(NP.random.randn) 5，index=[a ， b ， c ， d ， e]] s [a] # access s [a]对于get方法，默认值返回none。您可以将恢复默认值的数量设置为任意数量。标签对齐属性
当亮草序列的两个标量相加在一起时，将自动执行标记对齐操作。也就是说，s1中的A默认加到s2中的A，加到s1中的C和s2中的C。但是s2中没有C的亮草值，所以返回nan，表示为空。
S1=PD.series(NP.random.randn ) 3、index=[a 、 c 、 e ])S1=PD . series(NP . random . randn)3
DataFrame DataFrame是包含二维行标签和列标签的数组。Dataframe可以是excel表、SQL数据库表或系列字典对象。也就是说，每一行都是一个系列。DataFrame是熊猫最常用的数据结构从字典创建DataFrame。
d={ one : PD.series ([ 1，2，3 ]，index=[a ， b ， c])， two:PD.series)，[ 1，2，3
如果df=PD列的亮草。DataFrame(d，columns=[two ， three])被指定，亮草中的数据将被存储在DataFrame中；如本栏无数据，均为NAN。
您还可以基于列表结构的字典数据创建数据框。应当注意，当从串联配置的字典元素创建数据帧时，矩阵的数据号(元素的数量)可以不同，但是当从列表中配置的字典元素创建数据帧时，矩阵的数据号(元素的数量)必须匹配。熊猫不能对齐行标签。
d={ one : [ 1，2，3，4 ]， two : [ 21，22，23，24 ] } df=PD.data帧(
Ong从列表创建数据帧
在这个列表中，每个元素都是一个元组。创建一个2行3列的数据帧。默认情况下，行标签和列标签是由熊猫自动生成的。我们还可以指定行和列标签。
Data=[(1，2.2， holle )，(2，3， world )]df=PD . data frame(data)df=PD . data frame(data，index=[one ， two]，columns=list (ABC ))
1=[{a: 1， b: 2}，{a: 5， b: 10， c :20 }]df=PD . data frame(data1)df=PD . data frame(data1，index=[a ，)
Df=pd.dataframe (data1，index=[a ， b]，columns=[a ， b])如果指定不存在的列，将自动添加该列，但元素是nan。
Df=pd.dataframe (data1，index=[a ， b]，columns=[a ， b ， e])当一个dataframe被创建时，它总是试图找出行和列标签。如果找到了，它会直接使用这些标签。如果搜索到的标签不存在，将从0.010开始分配。
首先，原始数据中的元素是字典元素，字典的键是元组，字典的值是字典。在value中，字母是键，数字是值。
d1={(a ， b): {(A ， B): 1，( A ， C): 2}，( A ， a): {(A ， B): 4}，( A ， c): {(A ， B): 5，( A ， C): 6}，( B ，A ， b): {(a ， c): 7，( A ， b): 8}，( B ， B ):{( A ， d ):d)
S=pd.series (np.random.randn (5)，index=[a ， b ， c ， d ， e]) pd.dataframe (s)如果指定一行亮草，则只创建亮草下的值。
Pd.dataframe (s，columns=[a]，index=list (ACD ))如果指定返回两列数据会报错，因为series只能包含一列数据，如果有两列亮草会报错；dataframe在创建亮草时，会先选择搜索已有的亮草，没有找到会自动分配。对于自动分配的亮草，我们可以指定；如果有亮草，搜索时会进行对齐操作。
数据帧的特征列选择/添加/删除使用assign()方法插入新列。通过亮草可以进行多选。数据对齐可以用numpy函数DF1=PD . data frame(NP . random . randn(6，4)，columns=[one ， two ， three ，Four])df1[one]#直接选择一列数据输出df1.loc[1]#直接选择一行数据输出df1[ three ]=DF1[ one ]DF1[ two ]#可以直接赋值给del df1[three]#删除行DF1[添加列df1[five]=5值df1 . assign(ratio=df1[ one ]/df1[ two ])#，其值为一个二，可以插入到列中。assgin函数也可用于在末尾插入insert和assign之间的差异：
Insert被直接操作到数据帧中；赋值也将有一个复制操作。执行赋值后，将输出df，发现df中的值没有变化。assign的另一个特性是可以直接传入一个函数作为参数来计算。
1.df assign(ratio=lambda x:x . one-x . two)#直接传入一个函数作为参数计算ASSIGN中的函数参数也可以写成函数链的运算：
操作链的时候直接在后面加访问操作，因为前面的abratio已经生成，可以直接访问；
当一个链对一个值进行操作时，只能用lambda进行计算，因为assign中的复制操作是有值的，但还没有命名。
#函数链df1 . assign(ABR ratio=df 1 . one/df 1 . two)。赋值(条形值=x:x . ABR ratio * x . bar)DataFrame创建多维表
2=PD . data frame(NP . random . randint(1，10，(6，4))，index=list (abcdef )，columns=list( ABCD )#通过字典直接访问DF2[ a ]# Loc方法访问DF2 . Loc[iloc方法的亮草是亮数的草df2.iloc[1]#切片df2[1:4]#使用字典方法，效率更高。用孤独音乐变量访问时可以直接选择df2.iloc[1:4]。
2.df2。A=4 #输出为孤独音乐类型df2[df2。A=4]#获取大于4的元素从Series中创建一个DataFrame。
#创建两个dfdf _ 1=PD . data frames(NP . random . randn(10，4)，index=list (abcdefghij )，columns=[a ， b ， c ， d ])df _ 2=PD . data frames . Index=list( CDE fg hi )，columns=[a ， b ， c]) df _ 1df _ 2 # df1 df2会自动执行标签对齐操作df _ 1-df _ 1 . iloc[0]# df1-df1的第一行
NP中使用的函数。exp (df _ 2) NP。sin (df _ 2) df _ 2数值数据框是numpy中ndarray的函数。
这两种数据类型是等效的，可以直接转换。
Np.asarray(df_2)==df_2.values #结果是一个孤独的音乐类型。其实我们现在可以知道，在熊猫里面，series是一维的，dataframe是二维的，panel是三维的，这也是熊猫的由来。
Panel是一个带有标签的三维数组。其实熊猫名字的由来就是由Panel演变而来的，即pan(el)-da(ta)-s，Panel很少使用，但它仍然是熊猫的终极基础数据结构之一。
面板有三个选项卡：
Items:轴0，亮草对应的元素是DataFrame。
Major_axis:轴1，数据帧中的行标签
Or _ axis:轴2，数据帧中的列标签
但是，新的pandas库移除了数据结构面板，您可以选择使用MultiIndex的DataFrame结构。
计算基本鲜草，舍弃一些数据映射函数(apply/applymap)，排序和排名数据唯一性和隶属度。鲜草是重新分配数据的鲜草值来增加一些数据行。
S1=PD。Series ([1，3，5，6，8]，index=list (ACEFH)) S _ 1。Index #查看亮草#添加亮草行，可以赋s_1.reindex(list(abcdefgh )的默认值。Fill_value=0)设置Fill_value=，fill _ value= ffill ，用前面的值填充后面新添加的亮草的值。
使数据帧的草恢复活力。
df=pd。DataFrame(np.random.randn(4，6)，index=list(ABCD )，columns=[one ， two ， three ， four ， five ，Six ])df2=df . reindex(index=list( abcdefgh ))DF . loc[ a ][ one ]=100通过修改DF，发现df2没有变化，说明reindex实际上是DataFrame中亮草的副本。
对于dataframe，我们还可以重新亮列的草，并为亮草对象分配默认值。
Df。Reindex (columns=[一，三，五，七]，fill _ value=0)可以通过 ffill 根据前一个值赋值， bfill 表示向后填充。鲜艳的草丛和选择
Df.drop(A)#删除行A。drop ([two ， four]，axis=1)# drop two和four列是复制数据，但原始dataframe不变。标签对齐
Apply是按行或列计算二维数组。
df=pd。DataFrame(np.arange(12))。reshape(4，3)，index=[one ， two ， three ， four]，Columns=list( ABC ))df . apply(lambda x:x . max()-x . min())# Calculate Columns df . apply(lambda x:x . max()-x . min()，axis=1) # Calculate columns注意：在drop中，In apply，当axis=1时在行中传递，当axis=0时在列中传递；
自定义一个函数来返回最小值和最大值。默认情况下，您可以对列进行操作。通过修改axis=1，可以对行进行操作。
DEF _ MAX (x):返回PD。SERIES ([x.min()，x.max ()]，index=[min ， max]) DF。APPLY (min _ max) APPLY MAP是将数据帧中的每个元素作为参数传递给处理函数。
format=lambda x: % . 03f % x # x #表中每一位小数保留三位小数。格式=“{ 0: 03f }”。Format #两个表达式都可以是df.applymap (format)使用numpy的函数。
# sort df2=PD . data frame(NP . random . randint(1，10，(4，3))，index=list (ABCD )，columns=[one ， two ， three]) df2.sort _ values(默认为升序df2.sort _ values (by= two ，ascending=false)# descending sort # rank s=PD . series([3，6，2，6，4])s . rank()s . rank(method= first )#除此之外，还有其他的排名方法，比如min
二维数组的排序的写法和一维数组一样。
Df.rank(method=first )数据唯一性
S=PD。series(list( abbcdabacad ))s . Value _ Counties()# Count数据值的出现次数s.unique()#获取值的列表s.isin([a ， c ， d])#使用isin方法判断某个值是否全部包含在列表中，[
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。