2020年Python数据分析学习笔记之Pandas常用数据结构（六）_series的6个常用属性中ndim的作用

      Pandas模块是基于Numpy模块的一个开源python模块，它提供了大量标准数据模型和高效操作大型数据集所需的工作，广泛应用于数据快速分析、数据清洗和准备等工作，它的名字来源与“panel data"（面板数据）。在一定程度上，可以把pandas模块看作python版的excel。

       与numpy相比，pandas模块更擅长处理二维数据，其主要有Series 和 DataFrame两种数据结果。

1.  Series常用属性

Series类似于通过numpy模块创建的一维数组，不同的是Series对象不仅包含数值，还包含一组索引，我们可以通过索引来访问数组中的数据。

• Values:返回Series对象所有元素；
• index:返回索引；
• dtype:返回数据类型；
• shape:返回Series数据形状；
• ndim:返回对象的维度；
• drop：删除数据；
• append：增加数据；
• size:返回对象的个数。

import pandas as pd
import numpy as np
 
# 创建一个Series（序列)对象
series1 = pd.Series([2.8,3.01,8.99,8.59,5.18],index = ['a','b','c','d','e'] )     # 更改序列索引
print("series1:",series1)
 
# 创建一个字典
series2 = pd.Series({'中国':'北京','美国':'纽约','英国':'伦敦','日本':'东京'})
series2.drop('美国', inplace=True)      # 删除数据
print("series2:",series2)
 
print("series2.size:",series2.size)
 
print("series2[0:2]:",series2[0:2])

运行结果： 

---

2.  DataFrame常用属性 

DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同类型的值（数值、字符串、布尔值等）。DataFrame既有行索引也有列索引，它可以被看作由Series组成的字典（共同用一个索引）。

DataFrame的创建与索引

import pandas as pd
 
# 数据的创建
data = {
    'name':['张三','李四','王五','孙二'],
    'sex':['male','female','female','male'],
    'year':[2000,2003,1998,2002],
    'city':['北京','上海','广州','深圳']
}
 
# 数据的读取
df = pd.DataFrame(data)
print(df)
print()
 
# 数据的索引
df1 = pd.DataFrame(data,columns = ['name','year','city'])
print(df1)
print()
 
# 如果传入的数据找不到，就会产生NaN值（空缺值）
df2 = pd.DataFrame(data,columns = ['name','year','city','adress'],
index = ['a','b','c','d'])   # 创建时指定列名
print(df2)

运行结果：

---

import pandas as pd
import numpy as np
 
# 创建方法一，使用列表进行创建
list1 = [['张三',23,'男'],['李四',25,'女'],['王二',15,'男']]
df1 = pd.DataFrame(list1,columns=['姓名','年龄','性别'])      # 返回列标签
print(df1)
 
# 创建方法二，使用字典进行创建
dict = {'姓名':['张三','李四','王二'],'年龄':[23,25,15],'性别':['男','女','男']}
df2 = pd.DataFrame(dict)
print(df2)
 
# 创建方法三，使用元组进行创建
array1 = np.array(list1)    # 将列表转换为元组
df3 = pd.DataFrame(array1,columns=['姓名','年龄','性别'],index = ['a','b','c'])
print(df3)

运行结果：