Python数据分析，必须要求掌握Pandas大熊猫
数据库 2025-10-10 17:21:26
0
我写的数据pandas不是我国可爱的大熊猫国宝
pandas 是基于NumPy 的一种工具，该工具是分析为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的必须数据模型，提供了高效地操作大型数据集所需的求掌工具。pandas提供了大量能使我们快速便捷地处理数据的熊猫函数和方法。你很快就会发现，数据它是分析使Python成为强大而高效的数据分析环境的重要因素之一。
1.pandas数据结构的亿华云计算必须介绍
Series：一维数组，与Numpy中的求掌一维array类似。二者与Python基本的熊猫数据结构List也很相近。Series如今能保存不同种数据类型，数据字符串、分析boolean值、必须数字等都能保存在Series中。求掌 Time- Series：以时间为索引的熊猫Series。 DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。 Panel ：三维的数组，可以理解为DataFrame的源码下载容器。2.Series的操作
2.1 对象创建 2.1.1 直接创建2.1.2 字典创建
import pandas as pd import numpy as np # 直接创建 s = pd.Series(np.random.randn(5), index=[a,b,c,d,e]) print(s) # 字典（dict）类型数据创建 s = pd.Series( { a:10, b:20, c:30}, index=[b, c, a, d]) OUT: a -0.620323 b -0.189133 c 1.677690 d -1.480348 e -0.539061 dtype: float64 OUT: a 10 b 20 c 30 dtype: int642.2 查看数据 切片、索引、dict操作 Series既然是一维数组类型的数据结构，那么它支持想数组那样去操作它。通过数组下标索引、切片都可以去操作他，且它的data可以是dict类型的，那么它肯定也就支持字典的索引方式。
import pandas as pd import numpy as np s = pd.Series(np.random.randn(5), index=[a,b,c,d,e]) print(s) # 下标索引 print(下标索引方式s[0] = : %s % s[0]) # 字典访问方式 print(字典访问方式s[b] = ：%s % s[b]) # 切片操作 print(切片操作s[2:]\n:%s % s[2:]) print(a in s) print(k in s) OUT: a -0.799676 b -1.581704 c -1.240885 d 0.623757 e -0.234417 dtype: float64 下标索引方式s[0] = : -0.799676067487 字典访问方式s[b] = ：-1.58170351838 切片操作s[2:]: c -1.240885 d 0.623757 e -0.234417 True False2.3 Series的算术操作
import pandas as pd import numpy as np s1 = pd.Series(np.random.randn(3), index=[a,b,c]) s2 = pd.Series(np.random.randn(3), index=[a,b,c]) print(s1+s2) print(s1-s2) print(s1*s2) print(s1/s2) OUT: a 0.236514 b -0.132153 c 0.203186 dtype: float64 a 0.305397 b -1.474441 c -1.697982 dtype: float64 a -0.009332 b -0.539128 c -0.710465 dtype: float64 a -7.867120 b -1.196907 c -0.786252 dtype: float643.dataframe的操作
3.1 对象创建
In [70]: data = { state: [Ohio, Ohio, Ohio, Nevada, Nevada],year: [2000, 2001, 20 ...: 02, 2001, 2002],pop: [1.5, 1.7, 3.6, 2.4, 2.9]} In [71]: data Out[71]: { pop: [1.5, 1.7, 3.6, 2.4, 2.9], state: [Ohio, Ohio, Ohio, Nevada, Nevada], year: [2000, 2001, 2002, 2001, 2002]} # 建立DataFrame对象 In [72]: frame1 = DataFrame(data) # 红色部分为自动生成的索引 In [73]: frame1 Out[73]: pop state year 0 1.5 Ohio 2000 1 1.7 Ohio 2001 2 3.6 Ohio 2002 3 2.4 Nevada 2001 4 2.9 Nevada 2002 >>> lista = [1,2,5,7] >>> listb = [a,b,c,d] >>> df = pd.DataFrame({ col1:lista,col2:listb}) >>> df col1 col2 0 1 a 1 2 b 2 5 c 3 7 d3.2 选择数据
In [1]: import numpy as np ...: import pandas as ...: df = pd.DataFrame In [2]: df Out[2]: a b c 0 0 2 4 1 6 8 10 2 12 14 16 3 18 20 22 4 24 26 28 5 30 32 34 6 36 38 40 7 42 44 46 8 48 50 52 9 54 56 58 In [3]: df.loc[0,c] Out[3]: 4 In [4]: df.loc[1:4,[a,c]] Out[4]: a c 1 6 10 2 12 16 3 18 22 4 24 28 In [5]: df.iloc[0,2] Out[5]: 4 In [6]: df.iloc[1:4,[0,2]] Out[6]: a c 1 6 10 2 12 16 3 18 223.3 函数应用
frame = pd.DataFrame(np.random.randn(4, 3), columns=list(bde), index=[Utah, Ohio, Texas, Oregon]) frame np.abs(frame) OUT： b d e Utah 0.204708 0.478943 0.519439 Ohio 0.555730 1.965781 1.393406 Texas 0.092908 0.281746 0.769023 Oregon 1.246435 1.007189 1.296221 f = lambda x: x.max() - x.min() frame.apply(f) OUT： b 1.802165 d 1.684034 e 2.689627 dtype: float64 def f(x): return pd.Series([x.min(), x.max()], index=[min, max]) frame.apply(f) b d e Utah -0.20 0.48 -0.52 Ohio -0.56 1.97 1.39 Texas 0.09 0.28 0.77 Oregon 1.25 1.01 -1.303.4 统计概述和计算
df = pd.DataFrame([[1.4, np.nan], [7.1, -4.5], [np.nan, np.nan], [0.75, -1.3]], index=[a, b, c, d], columns=[one, two]) df OUT: one two a 1.40 NaN b 7.10 -4.5 c NaN NaN d 0.75 -1.3 df.info() df.describe() <class pandas.core.frame.DataFrame> Index: 4 entries, a to d Data columns (total 2 columns): one 3 non-null float64 two 2 non-null float64 dtypes: float64(2) memory usage: 256.0+ bytes OUT： one two count 3.000000 2.000000 mean 3.083333 -2.900000 std 3.493685 2.262742 min 0.750000 -4.500000 25% 1.075000 -3.700000 50% 1.400000 -2.900000 75% 4.250000 -2.100000 max 7.100000 -1.3000003.5 数据读取
data = pd.read_csv(./dataset/HR.csv) data.info() out： <class pandas.core.frame.DataFrame> RangeIndex: 14999 entries, 0 to 14998 Data columns (total 10 columns): satisfaction_level 14999 non-null float64 last_evaluation 14999 non-null float64 number_project 14999 non-null int64 average_montly_hours 14999 non-null int64 time_spend_company 14999 non-null int64 Work_accident 14999 non-null int64 left 14999 non-null int64 promotion_last_5years 14999 non-null int64 sales 14999 non-null object salary 14999 non-null object dtypes: float64(2), int64(6), object(2) memory usage: 1.1+ MB data = pd.read_csv(./dataset/movielens/movies.dat, header=None, names=[name, types], sep=::, engine=python) data.head() OUT： name types 1 Toy Story (1995) Animation|Childrens|Comedy 2 Jumanji (1995) Adventure|Childrens|Fantasy 3 Grumpier Old Men (1995) Comedy|Romance 4 Waiting to Exhale (1995) Comedy|Drama 5 Father of the Bride Part II (1995) Comedy data = pd.read_excel(./dataset/my_excel.xlsx, sheet_name=1) data.head() ouput: date H1 H2 H3 0 2014-06-01 1 2 3 1 2014-06-02 2 3 4 2 2014-06-03 3 4 5 3 2014-06-04 4 5 6#4. Time- Series的香港云服务器操作
生成日期范围：
import pandas as pd pd.data_range(20190313,periods=10) OUT: DatetimeIndex([2019-03-13, 2019-03-14, 2019-03-15, 2019-03-16, 2019-03-17, 2019-03-18, 2019-03-19, 2019-03-20, 2019-03-21, 2019-03-22], dtype=datetime64[ns], freq=D)5. 绘图功能
ts = pd.DataFrame(np.random.randn(1000,4),index=pd.date_range(20180101,periods=1000),columns=list(abcd)) ts = ts.cumsum() ts.plot(figsize = (12,8)) plt.show()