Python_pandas 两种主要的数据类型（Series、DataFrame）
因为是数学专业，最开始深入学习的是MATLAB（下面简称M），感受最深的就是M的简单高效，高精度，不管什么东西，统统放到数组（或者说矩阵）里面，天哪噜，不可思议，和C语言、C++相比，这玩意就是个天生的数据实验室利器。后来用M做了个GUI，在编译成C风格的exe时花了大心血，才发现，原来这厮是个不折不扣的封闭症患者，和其他语言的友好指数基本为0。再后来涉及到版权问题，这才下定决心换个工具——Python。废话少说，快快进入正题，直接上源代码。
这里就先上两种数据类型的基本操作——增删改查。
#-*-coding:GBK-*-
#Series和Dataframe
import pandas as pds
import numpy as np
#序列定义及index
s1=pds.Series([1,2,4,6,7,2])
s2=pds.Series([4,3,1,57,8],index=['a','b','c','d','e'])
obj1=s2.values;print(obj1)
obj2=s2.index;print(obj2)
print(s2[s2>4])
print(s2['b'])#数据框定义
a=pds.DataFrame(np.random.rand(4,5),index=list("ABCD"),columns=list('abcde'))
print(a)
#增加列或修改列
a['f']=[1,2,3,4]
a['e']=10
print(a)
#增加行或修改行
a.ix['D']=10
S=pds.DataFrame(np.random.rand(4,6),index=list("EFGH"),columns=list('abcdef'))
a=a.append(S)
print(a)
#切片
print(a[['b','e']])
print(a.iloc[2:,3:])
print(a.loc['A':'D',['a','c','f']])
#减少行或减少列
a=a.drop(['C','D'])
a=a.drop('a',axis=1)
print(a)
#缺失值处理#缺失值替代
a.iloc[2,3]=None
a.iloc[4,0]=None
print(a)
a=a.fillna(5)
print(a)
#缺失值去行
a.iloc[2,3]=None
a.iloc[4,0]=None
a=a.dropna()
print(a)#读取excel，适当改动后，保存到excel （help(pandas.***)查看相关帮助）e1=pds.read_excel('test.xlsx',sheetname='Sheet1')e1.columns=['class','no','name','sex','dormitory','phonenumber'] print(e1) print(e1.ix[2]) print(e1['class']) print(e1.sex) e2=pds.read_excel('test_copy.xlsx',sheetname='Sheet1',names='table1',header=None) e2.columns=['a','b','c','d'] print(e2) a=numpy.array(e2)#a=e2.values e2['e']=pds.Series([0,-2,3,4],index=[1,3,4,5]) e2['f']=np.linspace(1,20,5) e2['g']=e2['f']>=10 e2.ix[4]=[1,2,3,4,5,6,'False'] print(e2) ss=e2.ix[4] e2=e2.append(ss,ignore_index=False) print(e2) e2=e2.drop('a',axis=1) e2=e2.drop(1) print(e2) e2=e2.fillna(value=5) print(e2) e2.to_excel('test_write.xlsx',header=False,index=False)
因为用的是Anaconda的库，所以避免了安装时的麻烦，但在安装其他的包时出现了下载速度极其极其不友好时，发现了一个好办法，就是采用清华的一个映像网站
打开cmd，进入conda所在目录下，增加来源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes再安装相应的包就可以了，比如这里应该安装：
conda install pandas.
Game Over！