Python数据分析05：Pandas的数据结构

CHAPTER 5

Getting Started with pandas

---

---

pandas包含数据结构和数据操作工具，通常与NumPy和SciPy等数值计算工具、statsmodel和scikit-learn等分析库以及matplotlib等数据可视化库一起使用。

之后的笔记里，这样导入pandas（也是惯例了）：

import pandas as pd

另外可以导入Series和DataFrame，因为这两个经常被用到：

from pandas import Series, DataFrame

5.1 pandas的数据结构（Introduction to pandas Data Structures）

Pandas有三大数据结构，Series、DataFrame以及Panel。

• Series(一维数据)
• DataFrame(二维数据)
• Panel(三维结构数据/面板数据)

注释：对于Panel，会很少使用，通常会使用MultiIndex这种结构解决三维数据表示问题，暂不介绍了就！

5.1.1 Series

这里series我就不翻译成序列了，因为之前的所有笔记里，我都是把sequence翻译成序列的

series是一个像数组一样的一维序列，并伴有一个数组表示label，叫做index。创建一个series的方法也很简单：

>>>obj = pd.Series([4, 7, -5, 3])
>>>obj
0    4
1    7
2   -5
3    3
dtype: int64

可以看到，左边表示index，右边表示对应的value。可以通过value和index属性查看：

>>>obj.values
array([ 4,  7, -5,  3], dtype=int64)
>>>obj.index  # like range(4)
RangeIndex(start=0, stop=4, step=1)

当然我们也可以自己指定index的label：

>>>obj2 = pd.Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])
>>>obj2
d    4
b    7
a   -5
c    3
dtype: int64
>>>obj2.index
Index(['d', 'b', 'a', 'c'], dtype='object')

可以用index的label来选择：

>>>obj2['a']
-5
>>>obj2['d'] = 6
>>>obj2[['c', 'a', 'd']]
c    3
a   -5
d    6
dtype: int64

这里[‘c’, ‘a’, ‘d’]其实被当做了索引，尽管这个索引是用string构成的。

使用numpy函数或类似的操作，会保留index-value的关系：

>>>obj2[obj2 > 0]
d    6
b    7
c    3
dtype: int64
>>>obj2 * 2
d    12
b    14
a   -10
c     6
dtype: int64
>>>np.exp(obj2)
d     403.428793
b    1096.633158
a       0.006738
c      20.085537
dtype: float64

另一种看待series的方法，它是一个长度固定，有顺序的dict，从index映射到value。在很多场景下，可以当做dict来用：

>>>'b' in obj2
True
>>>'e' in obj2
False

还可以直接用现有的dict来创建series：

>>>sdata = {
   'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
>>>obj3 = pd.Series(sdata)
>>>obj3
Ohio      35000
Oregon    16000
Texas     71000
Utah       5000
dtype: int64

series中的index其实就是dict中排好序的keys。我们也可以传入一个自己想要的顺序：

>>>states = ['California', 'Ohio', 'Oregon', 'Texas']
>>>obj4 = pd.Series(sdata, index=states)
>>>obj4
California        NaN
Ohio          35000.0
Oregon        16000.0
Texas         71000.0
dtype: float64

顺序是按states里来的，但因为没有找到california，所以是NaN。NaN表示缺失数据，用之后我们提到的话就用missing或NA来指代。pandas中的isnull和notnull函数可以用来检测缺失数据：

>>>pd.isnull(obj4)
California