Pandas基础1

pandas采用了很多Numpy的代码风格。

    Numpy适合处理同质型的数值类数组数据，更适合进行数学那类的运算。

    Pandas用来处理表格型或异质型数据，数据清洗和分析的主要工具。

以上两条纯属猜测

pandas的两个常用的数据结构：Series和DataFrame

import pandas as pd

from pandas import Series , DataFrame

一、Series

index 索引                                     values  值             

简单的运算

'a'  in obj     ----> True     'a'为索引

我们可以直接将字典传递给Series

dic={'a':1,'b':2,'c':3,'d':4}

obj1=pd.Series(dic)

上面的例子中，三个值被放在正确的位置上，但是因为index   ‘e’并没有出现在obj1的键中，所以它对应的值为NaN（not a number）。

以下是两个Series的拼接：   

介绍两个函数    isnull       notnull

pd.isnull(obj)        pd.notnull(obj)

Series对象自身和其索引都有name属性，这个特性与pandas其他重要功能集成在一起：obj.name='test'    obj.index.name='abcd'

Series的索引可以通过按位置赋值的方式进行改变：   obj.index=['a','s','d','f']

二、DataFrame

DataFrame表示的是矩阵的数据表，它包含已排序的列集合，每一列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame既有行索也有列索

    字典转化DataFrame

head()方法      

用字典创建DataFrame并对列进行选择，pd.DataFrame(dic,columns=['xxx','xx'])

用字典创建DataFrame并对index索引进行选择，pd.DataFrame(dic,index=['xxx','xx'])

这里需要注意一点，columns里的参数可以多于或者少于字典里的个数，但是index参数的个数必须和原字典里的键值个数相同。

列的索引

frame['age'] <==> frame.age     其实并不完全等价，区别将在后一个黑体注意中说明！！！！！ 尽量使用frame['age']这种方式，没毛病。

行的索引   loc   iloc

DataFrame的转置：

赋值：

给DataFrame的列赋值Series

frame2['result']=frame2.name=='b' 

注意：这里的frame2['result']  并不能用frame2.result代替，因为result列并不存在

del 删除列

将包含字典的嵌套字典赋值给DataFrame

查看DataFrame所有的列、行

frame2.columns                  frames.index

frame2.values