Python数据处理库pandas中的DataFrame数据结构简介
pandas 中有两大 数据结构 Series和 DataFrame。 本文主要介绍DataFrame的用法。DataFrame可以处理 表格数据。
Series介绍在 Python数据处理库pandas中的Series数据结构简介
有很多方法可以创建DataFrame 数据， 比如通过字典：
In [1]: import pandas as pd
In [8]: data = {'name': ['张三', '张三', '张三', '李四', '李四', '李四'],
...: 'year': [2016, 2017, 2018, 2016, 2017, 2018],
...: 'income': [6000, 6500, 7000, 25000, 26000, 29000]}
In [9]: frame = pd.DataFrame(data)
In [10]: frame
Out[10]:
name year income
0 张三 2016 6000
1 张三 2017 6500
2 张三 2018 7000
3 李四 2016 25000
4 李四 2017 26000
5 李四 2018 29000
可以通过head方法来选取前5排：
In [11]: frame.head()
Out[11]:
name year income
0 张三 2016 6000
1 张三 2017 6500
2 张三 2018 7000
3 李四 2016 25000
4 李四 2017 26000
通过指定columns 来对列排序：
In [13]: pd.DataFrame(data, columns=['year', 'income', 'name'])
Out[13]:
year income name
0 2016 6000 张三
1 2017 6500 张三
2 2018 7000 张三
3 2016 25000 李四
4 2017 26000 李四
5 2018 29000 李四
如果在columns中 指定了一个不存在的列， 这不存在的列会用NAN补足：
In [14]: frame2 = pd.DataFrame(data, columns=['income', 'year', 'name', 'gender'],
...: index=['one', 'two', 'three', 'four', 'five', 'six'])
...:
In [15]: frame2
Out[15]:
income year name gender
one 6000 2016 张三 NaN
two 6500 2017 张三 NaN
three 7000 2018 张三 NaN
four 25000 2016 李四 NaN
five 26000 2017 李四 NaN
six 29000 2018 李四 NaN
In [17]: frame2.columns
Out[17]: Index(['income', 'year', 'name', 'gender'], dtype='object')
通过列的名称来选取这一列的数据
In [18]: frame2['name']
Out[18]:
one 张三
two 张三
three 张三
four 李四
five 李四
six 李四
Name: name, dtype: object
In [20]: frame2.income
Out[20]:
one 6000
two 6500
three 7000
four 25000
five 26000
six 29000
Name: income, dtype: int64
通过loc 来选取某一行的数据
In [21]: frame2.loc['six']
Out[21]:
income 29000
year 2018
name 李四
gender NaN
Name: six, dtype: object
可以对某列数字进行赋值
In [22]: frame2['gender'] = 'male'
In [23]: frame2
Out[23]:
income year name gender
one 6000 2016 张三 male
two 6500 2017 张三 male
three 7000 2018 张三 male
four 25000 2016 李四 male
five 26000 2017 李四 male
six 29000 2018 李四 male
In [24]: frame2['gender'] = ['male', 'male', 'male', 'female', 'female', 'female']
In [25]: frame2
Out[25]:
income year name gender
one 6000 2016 张三 male
two 6500 2017 张三 male
three 7000 2018 张三 male
four 25000 2016 李四 female
five 26000 2017 李四 female
six 29000 2018 李四 female
可以应用series对对应index赋值
In [26]: gender = pd.Series(['male', 'female'], index=['one', 'four'])
In [27]: frame2['gender'] = gender
In [28]: frame2
Out[28]:
income year name gender
one 6000 2016 张三 male
two 6500 2017 张三 NaN
three 7000 2018 张三 NaN
four 25000 2016 李四 female
five 26000 2017 李四 NaN
six 29000 2018 李四 NaN
通过del 删除某列
In [29]: del frame2['gender']
In [30]: frame2.columns
Out[30]: Index(['income', 'year', 'name'], dtype='object')
另一种创建dataframe类的方法是通过字典嵌套方法：
In [31]: income = {'张三': {2016: 6000, 2017:6500, 2018:7000},
...: '李四': {2016: 25000, 2017:26000}}
In [32]: frame3= pd.DataFrame(income)
In [33]: frame3
Out[33]:
张三 李四
2016 6000 25000.0
2017 6500 26000.0
2018 7000 NaN
可以对dataframe转置：
In [34]: frame3.T
Out[34]:
2016 2017 2018
张三 6000.0 6500.0 7000.0
李四 25000.0 26000.0 NaN
对行和列加名字：
In [35]: frame3.index.name = 'year'
In [36]: frame3.columns.name = 'name'
In [37]: frame3
Out[37]:
name 张三 李四
year
2016 6000 25000.0
2017 6500 26000.0
2018 7000 NaN
应用to_numpy方法 将dataframe转换成二维数组
In [38]: frame3.to_numpy()
Out[38]:
array([[ 6000., 25000.],
[ 6500., 26000.],
[ 7000., nan]])
In [39]: frame2.to_numpy()
Out[39]:
array([[6000, 2016, '张三'],
[6500, 2017, '张三'],
[7000, 2018, '张三'],
[25000, 2016, '李四'],
[26000, 2017, '李四'],
[29000, 2018, '李四']], dtype=object)
参考自： Python for Data Analysis, 2nd Edition by Wes McKinney