Pandas是一个广泛使用的用于数据分析的Python库，它提供了两种基本的数据结构： Series和DataFrame。这些结构是处理和检查数据的有效工具，但它们具有不同的功能和应用程序。
什么是Pandas？
Pandas 是一个流行的 Python 开源数据操作和分析库。它提供了易于使用的数据结构，例如 DataFrame 和 Series，旨在使结构化数据的处理变得快速、简单且富有表现力。 Pandas 广泛应用于数据科学、机器学习和数据分析中，用于执行数据清理、转换和探索等任务。
Pandas Series 是什么？
Pandas Series 是一个类似一维数组的对象，可以保存任何类型的数据（整数、浮点数、字符串等）。它是有标签的，这意味着每个元素都有一个称为索引的唯一标识符。您可以将系列视为电子表格中的一列或数据库表中的单个列。系列是 Pandas 中的基本数据结构，通常用于数据操作和分析任务。它们可以从列表、数组、字典和现有的 Series 对象创建。 Series 也是更复杂的 Pandas DataFrame 的构建块，它是由多个 Series 对象组成的二维表状结构。
从列表、字典和自定义索引创建系列数据结构：
import pandas as pd
#从列表初始化Series
data = [1, 2, 3, 4, 5]
series_from_list = pd.Series(data)
print(series_from_list)
#从字典初始化Series
data = {'a': 1, 'b': 2, 'c': 3}
series_from_dict = pd.Series(data)
print(series_from_dict)
# 使用自定义索引初始化Series
data = [1, 2, 3, 4, 5]
index = ['a', 'b', 'c', 'd', 'e']
series_custom_index = pd.Series(data, index=index)
print(series_custom_index)
Output:
0 1
1 2
2 3
3 4
4 5
dtype: int64
a 1
b 2
c 3
dtype: int64
a 1
b 2
c 3
d 4
e 5
dtype: int64
|
Series 数据结构的主要特点：
索引：
Series 中的每个元素都有一个相应的索引，可用于访问或操作数据。
print(series_from_list[0])
print(series_from_dict['b'])
|
矢量化运算：
Series支持向量化运算，让您可以高效地对整个系列进行算术运算。
series_a = pd.Series([1, 2, 3])
series_b = pd.Series([4, 5, 6])
sum_series = series_a + series_b
print(sum_series)
|
对齐一致：
当在两个Series对象之间执行操作时，Pandas会根据索引标签自动对齐数据。
series_a = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
series_b = pd.Series([4, 5, 6], index=['b', 'c', 'd'])
sum_series = series_a + series_b
print(sum_series)
|
NaN 处理：
由 NaN（非数字）表示的缺失值可以在 Series 运算中得到妥善处理。
series_a = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
series_b = pd.Series([4, 5], index=['b', 'c'])
sum_series = series_a + series_b
print(sum_series)
|
什么是 Pandas DataFrame ？
Pandas DataFrame 是一种包含行和列的二维表格数据结构。它类似于关系数据库中的电子表格或表格。 DataFrame 具有三个主要组件： 数据，以行和列的形式存储；由索引标记的行；以及带有标签并包含实际数据的列。
从列表、字典创建数据框
import pandas as pd
# Initializing a DataFrame from a dictionary
data = {'Name': ['John', 'Alice', 'Bob'],
'Age': [25, 30, 35],
'City': ['New York', 'Los Angeles', 'Chicago']}
df = pd.DataFrame(data)
print(df)
# Initializing a DataFrame from a list of lists
data = [['John', 25, 'New York'],
['Alice', 30, 'Los Angeles'],
['Bob', 35, 'Chicago']]
columns = ['Name', 'Age', 'City']
df = pd.DataFrame(data, columns=columns)
print(df)
|
输出:
Name Age City
0 John 25 New York
1 Alice 30 Los Angeles
2 Bob 35 Chicago
Name Age City
0 John 25 New York
1 Alice 30 Los Angeles
2 Bob 35 Chicago
|
DataFrame数据结构的主要特征：
索引：
DataFrame 提供灵活的索引选项，允许基于标签或整数位置访问行、列或单个元素。
#访问列
print(df['Name'])
# 按标签访问一行
print(df.loc[0])
# 按整数位置访问一行
print(df.iloc[0])
# 访问单个元素
print(df.at[0, 'Name'])
|
列操作：
DataFrame 中的列是 Series 对象，支持算术运算、过滤和排序等各种操作。
# Adding a new column
df['Salary'] = [50000, 60000, 70000]
#根据条件筛选行
high_salary_employees = df[df['Salary'] > 60000]
print(high_salary_employees)
#按列对 DataFrame 排序
sorted_df = df.sort_values(by='Age', ascending=False)
print(sorted_df)
|
缺失数据处理：
DataFrame 提供了处理缺失值或 NaN 值的方法，包括删除或填充缺失值。
# 删除缺失值的行
df.dropna()
print(df)
#用指定值填补缺失值
df.fillna(0)
print(df)
|
分组和聚合：
DataFrame 支持用于汇总数据和应用聚合函数的分组操作。
#按列分组并计算平均数
avg_age_by_city = df.groupby('City')['Age'].mean()
print(avg_age_by_city)
|
结论
总之，Pandas 提供了两种重要的数据结构：Series 和 DataFrame，每种结构都针对特定的数据操作任务量身定制。 Series 擅长通过高效的索引和矢量化操作处理一维标记数据，而 DataFrame 则提供表格数据组织，具有多功能索引、列操作和对缺失数据的稳健处理。了解它们的差异对于使用 Python 进行有效的数据分析至关重要。