3.spandas数据结构

博主： huoyu
发布时间：2022 年 12 月 13 日
407 次浏览
暂无评论
4232字数
分类： Pandas

ipynb结构：[03.pandas数据结构.html](http://type.zimopy.com/usr/uploads/2022/12/2504297832.html)
</div>

> 下面是markdown结构。看个人需求，后面的格式统一如此

```python
import pandas as pd
import numpy as np
```

# 1.Series

Series是一种类似于一维数组的对象，它由一组数据〈不同数据类型)以及一组与之相关的数据标签(即索引)组成。

## 1.1仅有数据列表即可产生最简单的Series

```python
s1 = pd.Series([1,"a",5.2,7])
print(s1)
```

0      1
1      a
2    5.2
3      7
dtype: object

## 获取索引

```python
s1.index
```

RangeIndex(start=0, stop=4, step=1)

## 获取数据

```python
s1.values
```

array([1, 'a', 5.2, 7], dtype=object)

## 1.2 创建一个具有标签索引的Series

```python
s2 = pd.Series([1,"a",5.2,7],index = ['d','b','a','c'])
```

```python
s2
```

d      1
b      a
a    5.2
c      7
dtype: object

```python
s2.index
```

Index(['d', 'b', 'a', 'c'], dtype='object')

## 1.3 使用Python 字典创建Series

```python
sdata = {"Ohio":3500,"Texas":7200,"Oregon":1600,"Utah":500}
```

```python
s3 = pd.Series(sdata)
```

```python
s3
```

Ohio      3500
Texas     7200
Oregon    1600
Utah       500
dtype: int64

## 1.4 根据字典索引查询数据

类似Python的字典dict

```python
s2
```

d      1
b      a
a    5.2
c      7
dtype: object

```python
s2['a']
```

5.2

```python
type(s2['a'])
```

float

```python
s2[["b","a"]]
```

b      a
a    5.2
dtype: object

```python
type(s2[["b","a"]])
```

pandas.core.series.Series

# 2.DateFrame

DataFrame是一个表格型的数据结构

每列可以是不同的值类型（数值、字符串、布尔值等)
既有行索引index也有列索引columns
可以被看做由Series组成的字典
创建dataframe最常用的方法，见02节读取纯文本文件、excel、mysql数据库

## 2.1 根据多个字典序列创建dataframe

```python
data = {
    "state":["Ohio","Ohio","Ohio","nevada","nevada"],
    "year":[200,201,202,203,204],
    "pop":[1.5,1.7,1.6,1.9,6.8]
}
df=pd.DataFrame(data)
```

```python
df
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>state</th>
      <th>year</th>
      <th>pop</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>Ohio</td>
      <td>200</td>
      <td>1.5</td>
    </tr>
    <tr>
      <th>1</th>
      <td>Ohio</td>
      <td>201</td>
      <td>1.7</td>
    </tr>
    <tr>
      <th>2</th>
      <td>Ohio</td>
      <td>202</td>
      <td>1.6</td>
    </tr>
    <tr>
      <th>3</th>
      <td>nevada</td>
      <td>203</td>
      <td>1.9</td>
    </tr>
    <tr>
      <th>4</th>
      <td>nevada</td>
      <td>204</td>
      <td>6.8</td>
    </tr>
  </tbody>
</table>
</div>

```python
df.dtypes
```

state     object
year       int64
pop      float64
dtype: object

```python
df.columns
```

Index(['state', 'year', 'pop'], dtype='object')

```python
df.index
```

RangeIndex(start=0, stop=5, step=1)

# 3.从DataFrame中查询出Series

如果只查询一行、一列，返回的是pd.Series

如果查询多行、多列，返回的是pd.DataFrame

## 3.1 查询一列，结果是一个pd.Series

```python
df["year"]
```

0    200
1    201
2    202
3    203
4    204
Name: year, dtype: int64

```python
type(df["year"])
```

pandas.core.series.Series

## 3.2 查询多列，结果是一个pd.DataFrame

```python
df[["year","pop"]]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

```python
type(df[["year","pop"]])
```

pandas.core.frame.DataFrame

## 3.3 查询一行，结果是一个pd.Series

```python
df.loc[1]
```

state    Ohio
year      201
pop       1.7
Name: 1, dtype: object

## 3.4查询多行，结果是一个pd.DataFrame

```python
df.loc[1:3]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>state</th>
      <th>year</th>
      <th>pop</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>1</th>
      <td>Ohio</td>
      <td>201</td>
      <td>1.7</td>
    </tr>
    <tr>
      <th>2</th>
      <td>Ohio</td>
      <td>202</td>
      <td>1.6</td>
    </tr>
    <tr>
      <th>3</th>
      <td>nevada</td>
      <td>203</td>
      <td>1.9</td>
    </tr>
  </tbody>
</table>
</div>

```python
type(df.loc[1:3])
```

pandas.core.frame.DataFrame

最后修改：2022 年 12 月 13 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱

地址

huoyu1
真的很需要
欣
很牛逼|´・ω・)ノ
hhh
真棒
Hongjia
https://blog.dingtone.me/zh/rec...
Hongjia
https://5sim.net/zh使用该网站可以最低1 卢布充值

3.spandas数据结构

huoyu • 2022 年 12 月 13 日

ipynb结构：[03.pandas数据结构.html](http://type.zimopy.com/usr/uploads/2022/12/2504297832.html)
</div>

> 下面是markdown结构。看个人需求，后面的格式统一如此

```python
import pandas as pd
import numpy as np
```

# 1.Series

Series是一种类似于一维数组的对象，它由一组数据〈不同数据类型)以及一组与之相关的数据标签(即索引)组成。

## 1.1仅有数据列表即可产生最简单的Series

```python
s1 = pd.Series([1,"a",5.2,7])
print(s1)
```

0      1
1      a
2    5.2
3      7
dtype: object

## 获取索引

```python
s1.index
```

RangeIndex(start=0, stop=4, step=1)

## 获取数据

```python
s1.values
```

array([1, 'a', 5.2, 7], dtype=object)

## 1.2 创建一个具有标签索引的Series

```python
s2 = pd.Series([1,"a",5.2,7],index = ['d','b','a','c'])
```

```python
s2
```

d      1
b      a
a    5.2
c      7
dtype: object

```python
s2.index
```

Index(['d', 'b', 'a', 'c'], dtype='object')

## 1.3 使用Python 字典创建Series

```python
sdata = {"Ohio":3500,"Texas":7200,"Oregon":1600,"Utah":500}
```

```python
s3 = pd.Series(sdata)
```

```python
s3
```

Ohio      3500
Texas     7200
Oregon    1600
Utah       500
dtype: int64

## 1.4 根据字典索引查询数据

类似Python的字典dict

```python
s2
```

d      1
b      a
a    5.2
c      7
dtype: object

```python
s2['a']
```

5.2

```python
type(s2['a'])
```

float

```python
s2[["b","a"]]
```

b      a
a    5.2
dtype: object

```python
type(s2[["b","a"]])
```

pandas.core.series.Series

# 2.DateFrame

DataFrame是一个表格型的数据结构

## 2.1 根据多个字典序列创建dataframe

```python
data = {
    "state":["Ohio","Ohio","Ohio","nevada","nevada"],
    "year":[200,201,202,203,204],
    "pop":[1.5,1.7,1.6,1.9,6.8]
}
df=pd.DataFrame(data)
```

```python
df
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

```python
df.dtypes
```

state     object
year       int64
pop      float64
dtype: object

```python
df.columns
```

Index(['state', 'year', 'pop'], dtype='object')

```python
df.index
```

RangeIndex(start=0, stop=5, step=1)

# 3.从DataFrame中查询出Series

如果只查询一行、一列，返回的是pd.Series

如果查询多行、多列，返回的是pd.DataFrame

## 3.1 查询一列，结果是一个pd.Series

```python
df["year"]
```

0    200
1    201
2    202
3    203
4    204
Name: year, dtype: int64

```python
type(df["year"])
```

pandas.core.series.Series

## 3.2 查询多列，结果是一个pd.DataFrame

```python
df[["year","pop"]]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

```python
type(df[["year","pop"]])
```

pandas.core.frame.DataFrame

## 3.3 查询一行，结果是一个pd.Series

```python
df.loc[1]
```

state    Ohio
year      201
pop       1.7
Name: 1, dtype: object

## 3.4查询多行，结果是一个pd.DataFrame

```python
df.loc[1:3]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

```python
type(df.loc[1:3])
```

pandas.core.frame.DataFrame

3.spandas数据结构

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

速注册OpenAi（ChatGPT），国内也可以

Frida 代码自动补全

ubuntu 实现内网穿透

最新Fiddler Web Debugger v5.0 20202.18177中文版

windows一键启动雷电模拟器的frida-server

AI音频转文字

对上一篇文章的app进行Xposed hook 案例编写

frida hook常用函数

配置debian中科大源也可以配置其他的架构

pycharm 新建文件脚本头

3.spandas数据结构

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

3.spandas数据结构

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款