本文的文字及圖片來源于網(wǎng)絡,僅供學習、交流使用,不具有任何商業(yè)用途,版權歸原作者所有,如有問題請及時聯(lián)系我們以作處理

以下文章來源于騰訊云，作者：統(tǒng)計學家

目錄

1引言

2 Series數(shù)組

2.1 Series數(shù)組構成

2.2 創(chuàng)建Series數(shù)組

2.3 Series數(shù)組常用屬性

3 DataFrame數(shù)組

3.1 DataFrame數(shù)組構成

3.2 創(chuàng)建DataFrame數(shù)組

3.3 DataFrame數(shù)組的常用屬性

4 總結

1引言

本文總結Pandas中兩種常用的數(shù)據(jù)類型：

（1）Series是一種一維的帶標簽數(shù)組對象。

（2）DataFrame，二維，Series容器

2 Series數(shù)組

2.1 Series數(shù)組構成

Series數(shù)組對象由兩部分構成：

值（value）：一維數(shù)組的各元素值，是一個ndarray類型數(shù)據(jù)。索引（index）：與一維數(shù)組值一一對應的標簽。利用索引，我們可非常方便得在Series數(shù)組中進行取值。如下所示，我們通過字典創(chuàng)建了一個Series數(shù)組，輸出結果的第一列就是索引，第二列就是數(shù)組的具體值。

>>> import pandas as pd

>>> a =pd.Series([102, 212, 332, 434])

>>> a

0 102

1 212

2 332

3 434

dtype: int64

也可以在創(chuàng)建時手動指定索引：

>>> a = pd.Series([102, 212, 332, 434], index=['第一列', '第二列', '第三列', '第四列'])

>>> a

第一列 102

第二列 212

第三列 332

第四列 434

dtype: int64

利用索引，我們可以更加方便得在數(shù)組中進行取值：

>>> a['第一列']

102

>>> a[['第一列', '第二列']]

第一列 102

第二列 212

dtype: int64

當然，你也可以使用以往的數(shù)字下標從數(shù)組中取值：

>>> a[0]

102

>>> a[[0,1]]

第一列 102

第二列 212

dtype: int64

2.2 創(chuàng)建Series數(shù)組

（1）通過list、tuple創(chuàng)建

>>> pd.Series([123, 321, 345,543]) # 傳入一個list

0 123

1 321

2 345

3 543

dtype: int64

>>> pd.Series((123, 321, 345,543)) # 傳入一個元組

0 123

1 321

2 345

3 543

dtype: int64

（2）通過傳入一維numpy數(shù)組對象創(chuàng)建

>>> import numpy as np

>>> n = np.arange(3) # 創(chuàng)建一個一維的numpy數(shù)組

>>> pd.Series(n)

0 0

1 1

2 2

dtype: int32

注意：傳入的numpy必須是一維的數(shù)組，否則會報錯。

>>> n = np.arange(6).reshape((2,3))

>>> pd.Series(n)

Traceback (most recent call last):

File "", line 1, in

……

packages\pandas\core\internals\construction.py", line 729, in sanitize_array

raise Exception("Data must be 1-dimensional")

Exception: Data must be 1-dimensional

（3）通過傳入字典創(chuàng)建

通過字典創(chuàng)建Series數(shù)組時，字典的key會自動被設置成Series數(shù)組的索引：

>>> pd.Series({'name':'張三', 'age':40, 'weight':140})

name 張三

age 40

weight 140

dtype: object

4）通過傳入一個標量值創(chuàng)建

當傳入一個標量值時，必須傳入index索引，Series會根據(jù)傳入的index參數(shù)來確定數(shù)組對象的長度：

>>> a = pd.Series(10, index=['a', 'b', 'c', 'd'])

>>> a

a 10

b 10

c 10

d 10

dtype: int64

2.3 Series數(shù)組常用屬性

Series數(shù)組的屬性與numpy數(shù)組屬性很是類似，如下表所示：

3 DataFrame數(shù)組

3.1 DataFrame數(shù)組構成

DataFrame數(shù)組是Pandas中另一種數(shù)據(jù)結構，其數(shù)據(jù)的呈現(xiàn)方式類似于Excel這種二維表結構。相比于Series數(shù)組，DataFrame可以存放多維數(shù)據(jù)，所以DataFrame不僅僅有索引，還有列名，如下所示：

>>> d = {'one': [1, 2, 3, 4], 'two':['一', '二', '三', '四']}

>>> pd.DataFrame(d)

one two

0 1 一

1 2 二

2 3 三

3 4 四

>>> df.index

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

>>> df.columns

Index(['one', 'two'], dtype='object')

可以看到，DataFrame數(shù)組可以包含多維數(shù)據(jù)，類似于一張二維表。與Series類似，DataFrame數(shù)組也有一個index索引，在不指定索引時，通常會自動生成從零開始步長為1的索引。此外DataFrame數(shù)組還有一個列名，索引和列名是從數(shù)組中挑選數(shù)據(jù)的重要依據(jù)。

3.2 創(chuàng)建DataFrame數(shù)組

（1）通過字典創(chuàng)建

通過字典來創(chuàng)建DataFrame數(shù)組時，字典的鍵將會自動成DataFrame數(shù)組的列名，字典的值必須是可迭代對象，例如Series、numpy數(shù)組、list、tuple等，不同Series數(shù)組中對應的缺失值pandas將自動填充NaN：

以list列表為值的字典：

>>> d = {'one': [1, 2, 3, 4], 'two':['一', '二', '三', '四']}

>>> pd.DataFrame(d)

one two

0 1 一

1 2 二

2 3 三

3 4 四

以numpy數(shù)組為值得字典：

>>> d = {'zero': np.zeros((3,)), 'ones': np.ones((3,)), 'twos':np.full((3,),2)}

>>> pd.DataFrame(d)

zero ones twos

0 0.0 1.0 2

1 0.0 1.0 2

2 0.0 1.0 2

以Series為值的字典：

>>> d = {'one': pd.Series([1., 2., 3.], index=['a', 'b', 'c']), 'two': pd.Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}

>>> df = pd.DataFrame(d) # 創(chuàng)建DataFrame數(shù)組

>>> df

one two

a 1.0 1.0

b 2.0 2.0

c 3.0 3.0

d NaN 4.0

無論是上面那種類型對象為值的字典，都可以通過下面的方式重新指定列索引：

>>> pd.DataFrame(d, index=['d', 'b', 'a'])

one two

d NaN 4.0

b 2.0 2.0

a 1.0 1.0

當然，也可以在手動指定列名，不過行索引對應的鍵數(shù)據(jù)才會傳入新建的數(shù)組中：

>>> pd.DataFrame(d, index=['d', 'b', 'a'], columns=['two', 'three'])

two three

d 4.0 NaN

b 2.0 NaN

a 1.0 NaN

（2）通過列表創(chuàng)建

通過列表創(chuàng)建DataFrame數(shù)組時，列表的每一個元素必須是字典，這樣，字典的鍵將作為列名。

>>> d = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]

>>> pd.DataFrame(d)

a b c

0 1 2 NaN

1 5 10 20.0

>>> pd.DataFrame(d, index=['第一行', '第二行']) # 重新指定索引

a b c

第一行 1 2 NaN

第二行 5 10 20.0

（3）通過功能函數(shù)創(chuàng)建

我們還可以通過諸如from_dict()、from_records()這類的功能函數(shù)來創(chuàng)建DataFrame數(shù)組，以from_dict()為例：

>>> d = {'A': [1, 2, 3], 'B': [4, 5, 6]}

>>> pd.DataFrame.from_dict(d)

A B

0 1 4

1 2 5

2 3 6

如果需要讓字典的鍵作為索引，重新指定列名，可以傳入orient='index’參數(shù)，然后重新傳入列名：

>>> pd.DataFrame.from_dict(d,orient='index', columns=['one', 'two', 'three'])

one two three

A 1 2 3

B 4 5 6

3.3 DataFrame數(shù)組的常用屬性

DataFrame數(shù)組的屬性與Series數(shù)據(jù)幾乎一樣，只是多了一個保存列名信息的columns屬性，參看上面表格中的Series屬性就行了。

4 總結

本文大致介紹了Pandas中的兩種重要數(shù)據(jù)結構Series數(shù)組對象和DataFrame數(shù)組對象的特點、主要創(chuàng)建方法、屬性。

想要學習Python？Python學習交流群：1039649593，滿足你的需求，資料都已經(jīng)上傳群文件流，可以自行下載！還有海量最新2020python學習資料。

標簽：index,pd,Python,Series,DataFrame,索引,數(shù)組,數(shù)據(jù)結構,pandas

來源： https://www.cnblogs.com/aa1273935919/p/13950959.html

總結

以上是生活随笔為你收集整理的python组成结构_Python数据分析丨pandas基本数据结构组成的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。