pandas中的轴参数axis

        pandas库中提供了2种数据结构，Series和DataFrame。参数axis的使用，可以指定是对哪些数据进行处理。

Series

        先从Series说起。Series 是一种类似于一维数组的对象，由下面两个部分组成：

        1、index：相关数据的索引标签（也可以认为是行标签）；
        2、 values：一组数据,可以视为一列数据。

我们先创建一个Series:

data = pd.Series([3,5,7,9], index=[0, 1, 2, 3])
print(data)
#输出，数据以列方式显示

 

         接下来，对data求和。data只有一维数据，按列方式展示，可以认为Series是一组列数据，以下四种方式都可以进行sum操作。

data.sum()
data.sum(axis=0)
data.sum(axis='index')
data.sum(axis='rows')

 结果是：对Series中的所有数据求和。

        如果是用drop删除data中的某一个数据，默认情况下参数还是axis=0。

        其中，另一个参数是索引号。

data.drop(0)
data.drop(0, axis=0)
data.drop(0, axis='index')
data.drop(0, axis='rows')

结果是：对Series中索引号为0的数据进行drop操作。

结合上面两个操作例子，可以认为，sum()或者drop()以及其他的函数，其作用对象是在Series上。

        

DataFrame
        DataFrame，可以看成是按一定顺序排列的多列Series组成,它将Series的使用场景从一维拓展到多维。DataFrame由下面三个部分组成：
        行索引：index
        列索引：columns
        值：value

        DataFrame 既有行索引，也有列索引，就可以由参数axis来指定是对行或列进行某项操作。
对于DataFrame，也应该是以Series为整体做为一个处理对象。

df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) 
print(df)

 

df.sum(axis=0) #与Series类似，可以另有其他三种写法

#axis=0，与单独对Series的处理机制结合起来(垂直方向上的处理），应用到DataFrame上，
就是在垂直方向上取第一个Series做处理，再将相同的处理过程应用到其他列Series上。

axis=0时，对Series的处理过程 ，相应的应用到DataFrame中的单列，而其他列照此办理；

axis=1时，对DataFrame中的行Series应用函数，再逐行处理。

总结： 主要是依据Series应用参数axis=0，是对单列数据进行处理，扩展到DataFrame时，参数axis=0也是对列Series进行处理，axis=1时对行Series进行处理。

        最后，看看concat分别在Series和DataFrame的作用效果。

# importing the module
import pandas as pd

# creating the Series
series1 = pd.Series([1, 2, 3])
display('series1:', series1)
series2 = pd.Series(['A', 'B', 'C'])
display('series2:', series2)

# concatenating
display('After concatenating:')
display(pd.concat([series1, series2]))

 

# importing the module
import pandas as pd

# creating the Series
series1 = pd.Series([1, 2, 3])
display('series1:', series1)
series2 = pd.Series(['A', 'B', 'C'])
display('series2:', series2)

# concatenating
display('After concatenating:')
display(pd.concat([series1, series2], 
				axis = 1))

 

# importing the module
import pandas as pd

# creating the DataFrames
df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
					'B': ['B0', 'B1', 'B2', 'B3']})
display('df1:', df1)
df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
					'B': ['B4', 'B5', 'B6', 'B7']})
display('df2:', df2)

# concatenating
display('After concatenating:')
display(pd.concat([df1, df2],
				keys=['key1', 'key2']))

 

# importing the module
import pandas as pd

# creating the DataFrames
df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'], 
					'B': ['B0', 'B1', 'B2', 'B3']})
display('df1:', df1)
df2 = pd.DataFrame({'C': ['C0', 'C1', 'C2', 'C3'], 
					'D': ['D0', 'D1', 'D2', 'D3']})
display('df2:', df2)

# concatenating
display('After concatenating:')
display(pd.concat([df1, df2],
				axis = 1))