Pandas简易入门（三）

本节主要介绍一下Pandas的数据结构，本文引用的网址：https://www.dataquest.io/mission/146/pandas-internals-series

本文所使用的数据来自于：https://github.com/fivethirtyeight/data/tree/master/fandango

该数据主要描述了一些电影的烂番茄评分情况

 

数据结构

在Pandas中，主要有三种重要的数据结构：

• Series（值的集合）
• DataFrame（Series的集合）
• Panel（DataFrame的集合）

 

Pandas的Series是Numpy的数组（array）的升级版，Numpy只能使用整数来所索引，但是Series还可以使用字符串来索引，还能使用混合的数据类型和NaN来表示缺失值，一个Series对象可以包含以下几种数据类型：

• float -- 表示字符串数值
• int -- 表示整型数值
• bool -- 表示布尔值
• datetime64[ns] -- 表示日期和时间（不带时区）
• datetime64[ns, tz] -- 表示日期和时间（有时区）
• timedelta[ns] -- 以不同的格式（分钟，秒等）格式表示时间
• category -- 表示分类值
• object -- 表示字符串值

 

DataFrame使用Series对象来表示每一列的数据，所以当从一个DataFrame中选择某一列的时间，Pandas会返回代表了该列的Series对象，并且从0开始索引该Series的行，当然也可以使用分片来选择多行

# 分别选择FILM和RottenTomatoes两列，并输出前5行

fandango = pd.read_csv('fandango_score_comparison.csv')

series_film = fandango['FILM']

print(series_film.head(5)) 

series_rt = fandango['RottenTomatoes']

print(series_rt[:5])

输出：

原始的数据如下：

 

 

自定义索引

上面提取了两个Series，series_film代表了电影名称，series_rt代表了评分，我现在想知道这两部电影（Minions (2015), Leviathan (2014)）的评分，最简单的方法就是这样

print(fandango[fandango['FILM']=='Minions (2015)']['RottenTomatoes'].values[0])

print(fandango[fandango['FILM']=='Leviathan (2014)']['RottenTomatoes'].values[0])

# 这样要对每部电影都写一个语句是非常麻烦的

# 最好的方法就是将series_film和series_rt组合成一个新的Series，用电影名称作为索引，电影评分作为值，这样要查询多部电影时就变得方便

film_names = series_film.values

rt_scores = series_rt.values

series_custom = Series(rt_scores , index=film_names) # 创建一个Series，需要指定data和index参数

 

#此时要查询多部电影就变得简单

series_custom[['Minions (2015)', 'Leviathan (2014)']]

#对于上面新建的一个Series，现在要对电影的名称进行按字母重新排序，可以使用sort_index()函数，如果要对电影的评分排序则使用sort_values()函数

sc2 = series_custom.sort_index()

sc3 = series_custom.sort_values()

 

向量化运算

当你要操作数据集中的某一列的数据时，Series对象可以快速地进行向量化的运算（自动对该列中的每个数据值都进行运算），Pandas的底层使用了Numpy，而Numpy则使用了C语言来循环一整列的值，所以会快得飞起。要是你特意使用一个for来循环一个Series对象，实际上会变得非常慢。

 

向量化运算的例子

#对一个Series进行加减乘除运算

series_custom/10

# 这个语句实际上是对series_custom这个Series中的每个值都进行除法运算，注意，是不会对索引进行运算的

# 也可以使用Numpy的函数来进行运算

np.max(series_custom) #求出电影分数的最大值

还可以进行比较与过滤

series_custom > 50 # 返回一个包含布尔值的列表，分数大于50则返回True，可以用于过滤数据

series_greater_than_50 = series_custom[series_custom > 50]

# 也可以使用&(and)和 |(or)连接几个判断

series_greater_than_50_&_less_than_80 = \

    series_custom[(series_custom > 50)  & (series_custom < 80) ]

当然，也可以直接对两个Series进行运算

rt_critics = Series(fandango['RottenTomatoes'].values, index=fandango['FILM']) # 影评人的评分

rt_users = Series(fandango['RottenTomatoes_User'].values, index=fandango['FILM']) #用户评分

rt_mean = (rt_critics + rt_users) / 2 # 平均分