2 Series&Pandas

为什么学习pandas

• numpy已经可以帮助我们进行数据的处理了，那么学习pandas的目的是什么呢？
  • numpy能够帮助我们处理的是数值型的数据，当然在数据分析中除了数值型的数据还有好多其他类型的数据（字符串，时间序列），那么pandas就可以帮我们很好的处理除了数值型的其他数据！

什么是pandas？

• 首先先来认识pandas中的两个常用的类
  • Series
  • DataFrame

Series

• Series是一种类似与一维数组的对象，由下面两个部分组成：

  • values：一组数据（ndarray类型）
  • index：相关的数据索引标签

• Series的创建

  • 由列表或numpy数组创建
  • 由字典创建

from pandas import Series
s = Series(data=[1,2,3,'four'])
s

0       1
1       2
2       3
3    four
dtype: object

import numpy as np
s = Series(data=np.random.randint(0,100,size=(3,)))
s

0    53
1    24
2    35
dtype: int32

#index用来指定显示索引
s = Series(data=[1,2,3,'four'],index=['a','b','c','d'])
s

a       1
b       2
c       3
d    four
dtype: object

#为什么需要有显示索引
# 显示索引可以增强Series的可读性

dic = {
    '语文':100,
    '数学':99,
    '理综':250
}
s = Series(data=dic)
s

语文    100
数学     99
理综    250
dtype: int64

• Series的索引和切片

s[0]
s.语文
s[0:2]

语文    100
数学     99
dtype: int64

• Series的常用属性
  • shape
  • size
  • index
  • values

s.shape
s.size
s.index #返回索引
s.values #返回值
s.dtype #元素的类型

dtype('int64')

s = Series(data=[1,2,3,'four'],index=['a','b','c','d'])
s.dtype #数据类型O表示的是Object（字符串类型）

dtype('O')

• Series的常用方法
  • head(),tail()
  • unique()
  • isnull(),notnull()
  • add() sub() mul() div()

s = Series(data=np.random.randint(60,100,size=(10,)))
s.head(3) #显示前n个数据

0    99
1    99
2    88
dtype: int64

s.tail(3) #显示后n个元素

7    85
8    70
9    76
dtype: int64

s.unique() #去重

array([99, 88, 74, 72, 80, 63, 85, 70, 76])

s.isnull() #用于判断每一个元素是否为空，为空返回True，否则返回False

0    False
1    False
2    False
3    False
4    False
5    False
6    False
7    False
8    False
9    False
dtype: bool

s.notnull()

0    True
1    True
2    True
3    True
4    True
5    True
6    True
7    True
8    True
9    True
dtype: bool

• Series的算术运算
  • 法则：索引一致的元素进行算数运算否则补空

s1 = Series(data=[1,2,3],index=['a','b','c'])
s2 = Series(data=[1,2,3],index=['a','d','c'])
s = s1 + s2
s

a    2.0
b    NaN
c    6.0
d    NaN
dtype: float64

s.isnull()

a    False
b     True
c    False
d     True
dtype: bool

DataFrame

• DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引，也有列索引。

  • 行索引：index
  • 列索引：columns
  • 值：values

• DataFrame的创建

  • ndarray创建
  • 字典创建

from pandas import DataFrame

df = DataFrame(data=[[1,2,3],[4,5,6]])
df

	0	1	2
0	1	2	3
1	4	5	6

df = DataFrame(data=np.random.randint(0,100,size=(6,4)))
df

	0	1	2	3
0	93	61	7	1
1	89	41	29	16
2	21	66	97	24
3	56	96	13	87
4	86	21	20	54
5	19	18	96	7

dic = {
    'name':['zhangsan','lisi','wanglaowu'],
    'salary':[1000,2000,3000]
}
df = DataFrame(data=dic,index=['a','b','c'])
df

	name	salary
a	zhangsan	1000
b	lisi	2000
c	wanglaowu	3000

• DataFrame的属性
  • values、columns、index、shape

df.values
df.columns
df.index
df.shape

(3, 2)

============================================

练习4：

根据以下考试成绩表，创建一个DataFrame，命名为df：

    张三  李四  
语文 150  0
数学 150  0
英语 150  0
理综 300  0

============================================

dic = {
    '张三':[150,150,150,150],
    '李四':[0,0,0,0]
}
df = DataFrame(data=dic,index=['语文','数学','英语','理综'])
df

	张三	李四
语文	150	0
数学	150	0
英语	150	0
理综	150	0

• DataFrame索引操作
  • 对行进行索引
  • 队列进行索引
  • 对元素进行索引

df = DataFrame(data=np.random.randint(60,100,size=(8,4)),columns=['a','b','c','d'])
df

	a	b	c	d
0	75	69	79	67
1	98	65	96	79
2	71	82	91	92
3	73	60	89	69
4	70	74	64	79
5	85	76	65	68
6	81	62	89	76
7	69	94	95	92

df['a'] #取单列，如果df有显示的索引，通过索引机制去行或者列的时候只可以使用显示索引

0    75
1    98
2    71
3    73
4    70
5    85
6    81
7    69
Name: a, dtype: int32

df[['a','c']] #取多列

	a	c
0	95	83
1	76	78
2	69	89
3	74	93
4	75	93
5	67	66
6	95	71
7	72	79

• iloc:
  • 通过隐式索引取行
• loc:
  • 通过显示索引取行

#取单行
df.loc[0]

a    95
b    87
c    83
d    68
Name: 0, dtype: int64

#取多行
df.iloc[[0,3,5]]

	a	b	c	d
0	95	87	83	68
3	74	77	93	82
5	67	98	66	85

#取单个元素
df.iloc[0,2]
df.loc[0,'a']

95

#取多个元素
df.iloc[[1,3,5],2]

1    78
3    93
5    66
Name: c, dtype: int64

• DataFrame的切片操作
  • 对行进行切片
  • 对列进行切片

#切行
df[0:2]

	a	b	c	d
0	95	87	83	68
1	76	82	78	95

#切列
df.iloc[:,0:2]

	a	b
0	95	87
1	76	82
2	69	94
3	74	77
4	75	88
5	67	98
6	95	83
7	72	74

• df索引和切片操作

  • 索引：
    • df[col]:取列
    • df.loc[index]:取行
    • df.iloc[index,col]:取元素
  • 切片：
    • df[index1:index3]:切行
    • df.iloc[:,col1:col3]:切列

• DataFrame的运算

  • 同Series

============================================

练习：

1. 假设ddd是期中考试成绩，ddd2是期末考试成绩，请自由创建ddd2，并将其与ddd相加，求期中期末平均值。

2. 假设张三期中考试数学被发现作弊，要记为0分，如何实现？

3. 李四因为举报张三作弊立功，期中考试所有科目加100分，如何实现？

4. 后来老师发现有一道题出错了，为了安抚学生情绪，给每位学生每个科目都加10分，如何实现？

============================================

dic = {
    '张三':[150,150,150,150],
    '李四':[0,0,0,0]
}
df = DataFrame(data=dic,index=['语文','数学','英语','理综'])
qizhong = df
qimo = df

(qizhong + qizhong) / 2 #期中期末的平均值

	张三	李四
语文	150	0
数学	150	0
英语	150	0
理综	150	0

qizhong.loc['数学','张三'] = 0
qizhong #将张三的数学成绩修改为0

	张三	李四
语文	150	0
数学	0	0
英语	150	0
理综	150	0

#将李四的所有成绩+100
qizhong['李四']+=100
qizhong

	张三	李四
语文	150	100
数学	0	100
英语	150	100
理综	150	100

qizhong += 10
qizhong #将所有学生的成绩+10

	张三	李四
语文	160	110
数学	10	110
英语	160	110
理综	160	110

• 时间数据类型的转换
  • pd.to_datetime(col)
• 将某一列设置为行索引
  • df.set_index()

dic = {
    'time':['2010-10-10','2011-11-20','2020-01-10'],
    'temp':[33,31,30]
}
df = DataFrame(data=dic)
df

	time	temp
0	2010-10-10	33
1	2011-11-20	31
2	2020-01-10	30

#查看time列的类型
df['time'].dtype

dtype('O')

import pandas as pd

#将time列的数据类型转换成时间序列类型
df['time'] = pd.to_datetime(df['time'])
df

	time	temp
0	2010-10-10	33
1	2011-11-20	31
2	2020-01-10	30

df['time']

0   2010-10-10
1   2011-11-20
2   2020-01-10
Name: time, dtype: datetime64[ns]

#将time列作为源数据的行索引
df.set_index('time',inplace=True)

df

	temp
time
2010-10-10	33
2011-11-20	31
2020-01-10	30