Pandas 基本方法实例

到目前为止，我们了解了三个Pandas DataStructures以及如何创建它们。由于它在实时数据处理中的重要性，因此我们将主要关注DataFrame对象，并讨论其他一些DataStructures。

方法 描述
axes 返回行轴标签的列表
dtype 返回对象的dtype。
empty 如果Series为空，则返回True。
ndim 根据定义返回基础数据的维数。
size 返回基础数据中的元素数。
values 将Series返回为ndarray。
head() 返回前n行。
tail() 返回最后n行。
接下来我们创建一个Series，并看看上所有列表的属性操作
 import pandas as pd

 import numpy as np

 # 用100随机数创建一个Series

 s = pd.Series(np.random.randn(4))

 print(s)

运行结果：

0   0.967853

1  -0.148368

2  -1.395906

3  -1.758394

dtype: float64

axes

返回Series标签的列表

 import pandas as pd

 import numpy as np

 # 用100随机数创建一个Series

 s = pd.Series(np.random.randn(4))

 print ("The axes are:")

 print(s.axes)

运行结果：

 The axes are:

 [RangeIndex(start=0, stop=4, step=1)]

以上结果是0到5（即[0,1,2,3,4]）。

empty

返回布尔值，说明对象是否为空。True表示对象为空

 import pandas as pd

 import numpy as np

 # 用100随机数创建一个Series

 s = pd.Series(np.random.randn(4))

 print ("Is the Object empty?")

 print(s.empty)

运行结果：

Is the Object empty?

False

ndim

返回对象的维数。根据定义，Series 是一个1D 数据结构，所以它返回

 import pandas as pd

 import numpy as np

 # 用4个随机数创建一个Series

 s = pd.Series(np.random.randn(4))

 print s

 print ("The dimensions of the object:")

 print(s.ndim)

运行结果：

     0   0.175898

1   0.166197

2  -0.609712

3  -1.377000

dtype: float64

The dimensions of the object:

1

size

返回Series的大小（长度）.

import pandas as pd

 import numpy as np

 # 用4个随机数创建一个Series

 s = pd.Series(np.random.randn(2))

 print s

 print ("The size of the object:")

 print(s.size)

运行结果：

0   3.078058

1  -1.207803

dtype: float64

The size of the object:

2

values

以数组形式返回Series数据

 import pandas as pd

 import numpy as np

 # 用4个随机数创建一个Series

 s = pd.Series(np.random.randn(4))

 print s

 print ("The actual data series is:")

 print(s.values)

运行结果：

0   1.787373

1  -0.605159

2   0.180477

3  -0.140922

dtype: float64

The actual data series is:

[ 1.78737302 -0.60515881 0.18047664 -0.1409218 ]

Head 和 Tail

要查看Series或DataFrame对象的头尾数据，请使用head() 和tail() 方法。

head() 返回前n行（观察索引值）。默认显示的元素数是5，但是您可以传递自定义数字。

 import pandas as pd

 import numpy as np

 # 用4个随机数创建一个Series

 s = pd.Series(np.random.randn(4))

 print ("最初的系列是:")

 print s

 print ("数据系列的前两行:")

 print(s.head(2))

运行结果：

最初的系列是:

0   0.720876

1  -0.765898

2   0.479221

3  -0.139547

dtype: float64

数据系列的前两行:

0   0.720876

1  -0.765898

dtype: float64

tail() 返回最后n行（观察索引值）。默认显示的元素数是5，但是您可以传递自定义数字。

 import pandas as pd

 import numpy as np

 # 用4个随机数创建一个Series

 s = pd.Series(np.random.randn(4))

 print("最初的系列是:")

 print(s)

 print("数据序列的最后两行:")

 print(s)tail(2)

运行结果：

最初的系列是:

0 -0.655091

1 -0.881407

2 -0.608592

3 -2.341413

dtype: float64

数据序列的最后两行:

2 -0.608592

3 -2.341413

dtype: float64

DataFrame 基本功能

现在让我们了解什么是DataFrame基本功能。下表列出了有助于DataFrame基本功能的重要属性或方法。

属性/方法 描述
T 行和列互相转换
axes 返回以行轴标签和列轴标签为唯一成员的列表。
dtypes 返回此对象中的dtypes。
empty 如果NDFrame完全为空[没有项目]，则为true；否则为false。如果任何轴的长度为0。
ndim 轴数/数组尺寸。
shape 返回表示DataFrame维度的元组。
size NDFrame中的元素数。
values NDFrame的数字表示。
head() 返回前n行。
tail() 返回最后n行。

下面我们下创建一个DataFrame并查看上述属性的所有操作方式。

Example

import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("Our data series is:")

 print(df)

运行结果：

Our data series is:

    Age   Name    Rating

0   25    Tom     4.23

1   26    James   3.24

2   25    Ricky   3.98

3   23    Vin     2.56

4   30    Steve   3.20

5   29    Smith   4.60

6   23    Jack    3.80

T (Transpose)

返回DataFrame的转置。行和列将互换。

 import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("数据序列的转置是:")

 print(df.T)

运行结果：

数据序列的转置是:

         0     1       2      3      4      5       6

Age      25    26      25     23     30     29      23

Name     Tom   James   Ricky  Vin    Steve  Smith   Jack

Rating   4.23  3.24    3.98   2.56   3.2    4.6     3.8

axes

返回行轴标签和列轴标签的列表。

 import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("行轴标签和列轴标签是:")

 print(df.axes)

运行结果：

  行轴标签和列轴标签是:

 [RangeIndex(start=0, stop=7, step=1), Index([u'Age', u'Name', u'Rating'],

 dtype='object')]

dtypes

返回每一列的数据类型。

 

 import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("每列的数据类型如下:")

 print(df.dtypes)

运行结果：

每列的数据类型如下:

Age     int64

Name    object

Rating  float64

dtype: object

empty

返回布尔值，说明对象是否为空；True表示对象为空。

 import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("Is the object empty?")

 print(df.empty)

运行结果：

 Is the object empty?

 False

ndim

返回对象的数量。根据定义，DataFrame是2D对象。

import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("Our object is:")

 print df

 print ("The dimension of the object is:")

 print(df.ndim)

运行结果：

     Our object is:

      Age    Name     Rating

0     25     Tom      4.23

1     26     James    3.24

2     25     Ricky    3.98

3     23     Vin      2.56

4     30     Steve    3.20

5     29     Smith    4.60

6     23     Jack     3.80

The dimension of the object is:

2

shape

返回表示DataFrame维度的元组。元组(a,b)，其中a表示行数，b表示列数。

 import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("Our object is:")

 print df

 print ("The shape of the object is:")

 print(df.shape)

运行结果：

     Our object is:

   Age   Name    Rating

0  25    Tom     4.23

1  26    James   3.24

2  25    Ricky   3.98

3  23    Vin     2.56

4  30    Steve   3.20

5  29    Smith   4.60

6  23    Jack    3.80

The shape of the object is:

(7, 3)

size

返回DataFrame中的元素数。

import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("Our object is:")

 print df

 print ("The total number of elements in our object is:")

 print(df.size)

运行结果：

     Our object is:

    Age   Name    Rating

0   25    Tom     4.23

1   26    James   3.24

2   25    Ricky   3.98

3   23    Vin     2.56

4   30    Steve   3.20

5   29    Smith   4.60

6   23    Jack    3.80

The total number of elements in our object is:

21

values

以NDarray的形式返回DataFrame中的实际数据。

import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("Our object is:")

 print df

 print ("The actual data in our data frame is:")

 print(df.values)

运行结果：

     Our object is:

    Age   Name    Rating

0   25    Tom     4.23

1   26    James   3.24

2   25    Ricky   3.98

3   23    Vin     2.56

4   30    Steve   3.20

5   29    Smith   4.60

6   23    Jack    3.80

The actual data in our data frame is:

[[25 'Tom' 4.23]

[26 'James' 3.24]

[25 'Ricky' 3.98]

[23 'Vin' 2.56]

[30 'Steve' 3.2]

[29 'Smith' 4.6]

[23 'Jack' 3.8]]

Head & Tail

要查看DataFrame对象的头尾数据，请使用head()和tail()方法。head() 返回前n行（观察索引值）。默认显示的元素数是5，但是您可以传递自定义数字。

 import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("Our data frame is:")

 print df

 print ("The first two rows of the data frame is:")

 print(df.head(2))

运行结果：

     Our data frame is:

    Age   Name    Rating

0   25    Tom     4.23

1   26    James   3.24

2   25    Ricky   3.98

3   23    Vin     2.56

4   30    Steve   3.20

5   29    Smith   4.60

6   23    Jack    3.80

The first two rows of the data frame is:

   Age   Name   Rating

0  25    Tom    4.23

1  26    James  3.24

tail() 返回最后n行（观察索引值）。默认显示的元素数是5，但是您可以传递自定义数字。

import pandas as pd

 import numpy as np

 # 创建Series字典

 d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Smith','Jack']),

    'Age':pd.Series([25,26,25,23,30,29,23]),

    'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}

 # 创建一个 DataFrame

 df = pd.DataFrame(d)

 print ("我们的数据帧是:")

 print df

 print ("数据帧的最后两行是:")

 print(df.tail(2))

运行结果：

我们的数据帧是：

    Age   Name    Rating

0   25    Tom     4.23

1   26    James   3.24

2   25    Ricky   3.98

3   23    Vin     2.56

4   30    Steve   3.20

5   29    Smith   4.60

6   23    Jack    3.80

数据帧的最后两行是:

    Age   Name    Rating

5   29    Smith    4.6

6   23    Jack     3.8
 
 

Pandas库学习笔记（6） -- Pandas 基本方法的更多相关文章

  1. pandas库学习笔记（二）DataFrame入门学习

    Pandas基本介绍——DataFrame入门学习 前篇文章中,小生初步介绍pandas库中的Series结构的创建与运算,今天小生继续“死磕自己”为大家介绍pandas库的另一种最为常见的数据结构D ...

  2. pandas库学习笔记（一）Series入门学习

    Pandas基本介绍: pandas is an open source, BSD-licensed (permissive free software licenses) library provi ...

  3. python的pandas库学习笔记

    导入: import pandas as pd from pandas import Series,DataFrame 1.两个主要数据结构:Series和DataFrame (1)Series是一种 ...

  4. 学习笔记之pandas

    Python Data Analysis Library — pandas: Python Data Analysis Library https://pandas.pydata.org/ panda ...

  5. python之pandas学习笔记-初识pandas

    初识pandas python最擅长的就是数据处理,而pandas则是python用于数据分析的最常用工具之一,所以学python一定要学pandas库的使用. pandas为python提供了高性能 ...

  6. 【python学习笔记】9.魔法方法、属性和迭代器

    [python学习笔记]9.魔法方法.属性和迭代器 魔法方法:xx, 收尾各有两个下划线的方法 __init__(self): 构造方法,创建对象时候自动执行,可以为其增加参数, 父类构造方法不会被自 ...

  7. numpy, matplotlib库学习笔记

    Numpy库学习笔记: 1.array()   创建数组或者转化数组 例如,把列表转化为数组 >>>Np.array([1,2,3,4,5]) Array([1,2,3,4,5]) ...

  8. Java8学习笔记（八）--方法引入的补充

    在Java8学习笔记(三)--方法引入中,简要总结了方法引入时的使用规则,但不够完善.这里补充下几种情况: 从形参到实例方法的实参 示例 public class Example { static L ...

  9. muduo网络库学习笔记(五) 链接器Connector与监听器Acceptor

    目录 muduo网络库学习笔记(五) 链接器Connector与监听器Acceptor Connector 系统函数connect 处理非阻塞connect的步骤: Connetor时序图 Accep ...

  10. muduo网络库学习笔记(四) 通过eventfd实现的事件通知机制

    目录 muduo网络库学习笔记(四) 通过eventfd实现的事件通知机制 eventfd的使用 eventfd系统函数 使用示例 EventLoop对eventfd的封装 工作时序 runInLoo ...

随机推荐

  1. u8二次开发再遇问题再总结

    在调用api生成采购入库单时,报错:该操作会造成订单到货和入库同时存在,请重新检查操作!普通采购必有订单,存货[0501-0304-0075]不能手工录入 这是因为:采购入库单单据必须要录入上游单据, ...

  2. tkinter时钟（实时更新显示）

    from tkinter import * import time root = Tk() root.geometry('300x200') var = StringVar() def show(): ...

  3. ubuntu 虚拟机安装完docker 以后 出现tls时遇到的坑

    网上很多都是更改镜像源,发现更改以后还是不行.请更改网路模式为桥接模式就ok了.

  4. exe应用程序安装为windows服务

    1.使用instsrv.exe和srvany.exe 当你获取到srvany后并决定将某程序作为服务启动后,请先将srvany安装为系统服务,具体的安装方法有很多,这里使用instsrv,语法如下:安 ...

  5. Swift 模式下面LLDB 输出对象

    (lldb) expr -l Swift -- import UIKit (lldb) expr -l Swift -- let $pin = unsafeBitCast(0x7f81c8d459f0 ...

  6. 未来5年，只有这种产品团队才能开启上帝视角【玩转IPD】

    一家企业如何在波涛汹涌的市场浪潮中站稳脚跟?一个团队如何快速识别风险发现机遇,成为行业的标杆?市场瞬息万变,如何准确地响应市场动向,紧跟用户需求?这些问题,已成为企业发展乃至生存的重要保障.尽管市场和 ...

  7. react 属性绑定动态值

    <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8&quo ...

  8. 你唯一需要的是“Wide Events”，而非“Metrics、Logs、Traces”

    Charity Majors 的这句话可能是对科技行业当前可观察性状态的最好总结--完全的.大规模的混乱.大家都很困惑.什么是 trace?什么是 span?一行日志就是一个 span 吗?如果我有日 ...

  9. python根据文件目录批量过滤空行

    import shutil import os path = "E:\\in\\" #文件夹操作目录 path2 = "E:\\out\\" #文件夹输出目录 ...

  10. MySQL入门到实战详细教程

    MySQL介绍 MySQL是一个开源的关系型数据库管理系统(RDBMS),由瑞典 MySQL AB 公司开发,属于 Oracle 旗下产品,它广泛应用于各种Web应用程序和网站,MySQL使用结构化查 ...