Pandas库之Series和DataFrame基础语法

Pandas库的引用

Pandas是Python第三方库，提供高性能易用数据类型和分析工具。pandas基于Numpy实现，常与Numpy和Matplotlib一同使用。

Numpy VS Pandas：

Numpy	Pandas
提供基础数据类型 ndarray，可表达N维数组	基于ndarray的扩展数据类型Series，DataFrame
关注数据的结构表达（注重维度）	关注数据的应用表达（怎么更有效的提取这些数据以及运算）
维度：数据间关系	数据与索引间关系

序列Series

Series可以运用ndarray或字典的几乎所有索引操作和函数，融合了字典和ndarray的优点。

• 类似Array,List的一维物件
• 每个Series都可以透过其索引（index）进行存取
• 预设Series会以0到Series长度作为索引编号

创建方法

（1）从标量值创建：s=pd.Series([21000,18900,18000])

pd.Series([21000,18900,18000], index=[‘Iphone’,‘Edge S7’,‘HTC M1’])

（2）从字典类型创建：s=pd.Series({‘Iphone’:21000,‘Edge S7’:18900,‘HTC M1’:18000})

（3）从ndarray类型创建：n=pd.Series(np.arange(5))

n=pd.Series(np.arange(5), index=np.arange(9,4,-1))

基本操作

1、Series类型操作类似ndarray类型。

• 索引方法相同，采用[ ]。
• Numpy中运算和操作可用于Series类型。
• 可以通过自定义索引的列表进行切片。
• 可以通过自动索引进行切片，如果存在自定义索引，则一同被切片。

Series类型是索引+值的一种类型，进行切片等运算得到的还是Series类型。但是选择一个值得到的就不是Series类型，而是一个值。


2、Series类型操作类似Python字典类型。

• 通过自定义索引访问
• 保留字in操作
• 使用.get()方法
  
  3、Series类型对齐操作
  Series类型在运算中会自动对齐不同索引的数据。
  
  4、Series类型的name属性
  Series对象和索引都可以有一个名字，存储在属性.name中。
  
  5、Series类型的修改
  Series对象可以随时修改并即刻生效。
  
  Series是一维带“标签”数组。基本操作类似ndarray和字典，根据索引对齐。

DataFrame

DataFrame是一个表格型的数据类型，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。DataFrame常用于表达二维数据，但可以表达多维数据。可以理解为二维带“标签”数组。

DataFrame可以通过类似字典的方式或者.columnname的方式将列获取为一个Series。行也可以通过位置或名称的方式进行获取。

为不存在的列赋值会创建新列。</