python下载pandas库_Python中的pandas库
导入包
import pandas as pd
import numpy as np
提供高性能医用的数据类型和分析工具
pandas基于numpy实现,常与numpy和matplotlib一同使用
pandas的核心数据结构
series是一种类似于一维数组的对象,它由一维数组以及一组与之相关的数据标签(索引)组成
就是带标签的一维数组,可存储整数,浮点数,字符串,python对象等类型的数据
s=pd.Series(['a','b','c','d','e'])
print(s)
#结果:
0 a
1 b
2 c
3 d
4 e
dtype: object
series中可以使用index设置索引列表,与字典不同的是,series允许索引重复
s1=pd.Series(['a','b','c','d','e'],index=[100,200,100,400,500])
print(s1)
#结果:
100 a
200 b
100 c
400 d
500 e
dtype: object
series可以用字典实例化
s2={'a':1,'b':2,'c':3}
s3=pd.Series(s2)
print(s3)
#结果:
a 1
b 2
c 3
dtype: int64
可以通过Series的values和index属性获取其数组表示形式和索引对象
print(s3.values)
print(s3.index)
#结果:
[1 2 3]
Index(['a', 'b', 'c'], dtype='object')
s4=pd.Series(np.array([1,2,3,4,5]),index=['a','b','c','d','e'])
print(s4)
#结果:
a 1
b 2
c 3
d 4
e 5
dtype: int32
对应元素求和
print(s4+s4)
#结果:
a 2
b 4
c 6
d 8
e 10
dtype: int32
对应元素乘
print(s4*3)
#结果:
a 3
b 6
c 9
d 12
e 15
dtype: int32
series中最重要的一个功能,她会在算术运算中自动对齐不同索引的数据
series和多维数组的主要区别在于,series之间的操作会自动基于标签对齐数据,因此不用顾忌执行计算操作的series是否有相同的标签
obj1 = pd.Series({"Ohio": 35000, "Oregon": 16000, "Texas": 71000, "Utah": 5000})
print(obj1)
obj2 = pd.Series({"California": np.nan, "Ohio": 35000, "Oregon": 16000, "Texas": 71000})
print(obj2)
print(obj1 + obj2)
#结果:
Ohio 35000
Oregon 16000
Texas 71000
Utah 5000
dtype: int64
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64
California NaN
Ohio 70000.0
Oregon 32000.0
Texas 142000.0
Utah NaN
dtype: float64
s5=pd.Series(np.array([1,2,3,4,5]),index=['a','b','c','d','e'])
print(s5[1:])
print(s5[:-1])
print(s5[1:]+s5[:-1])
#结果:
b 2
c 3
d 4
e 5
dtype: int32
a 1
b 2
c 3
d 4
dtype: int32
a NaN
b 4.0
c 6.0
d 8.0
e NaN
dtype: float64
DataFrame可以进行行索引,列索引,是pandas中重要的数据结构
DataFrame是一个表格型的数据结构,类似于Excel或sql表
他含有一组有序的列,每列可以是不同的值类型(数值,字符串,布尔值)
DataFrame既有行索引,也有列索引,他可以被看做是由series组成的字典(共用同一个索引)
用多维数组字典,列表字典生成DataFrame
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'], 'year': [2000, 2001, 2002, 2001, 2002], 'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
frame=pd.DataFrame(data)
print(frame)
#结果:
state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2001 2.4
4 Nevada 2002 2.9
如果指定了列顺序,那么DataFrame的列就会按照指定的顺序进行排序
framel=pd.DataFrame(data,columns=['year','state','pop'])
print(framel)
#结果:
year state pop
0 2000 Ohio 1.5
1 2001 Ohio 1.7
2 2002 Ohio 3.6
3 2001 Nevada 2.4
4 2002 Nevada 2.9
和series一样,如果传入的列在数据中找不到,就会产生NAN值
frame2=pd.DataFrame(data,columns=['year','state','pop','debt'],index=['one','two','three','four','five'])
print(frame2)
#结果:
year state pop debt
one 2000 Ohio 1.5 NaN
two 2001 Ohio 1.7 NaN
three 2002 Ohio 3.6 NaN
four 2001 Nevada 2.4 NaN
five 2002 Nevada 2.9 NaN
用series字典或字典生成DataFrame
d={'one':pd.Series([1,2,3],index=['a','b','c']),
'two':pd.Series([1,2,3,4],index=['a','b','c','d'])
}
print(pd.DataFrame(d))
#结果:
one two
a 1.0 1
b 2.0 2
c 3.0 3
d NaN 4
通过类似字典标记的方式或属性的方式,可以将DataFrame的列获取位一个Series,返回Series拥有原DataFrame相同的所有
print(frame2['state'])
#结果:
one Ohio
two Ohio
three Ohio
four Nevada
five Nevada
Name: state, dtype: object
列可以通过赋值的方式进行修改,给那个空的“delt”列赋上一个标量值或一组值
frame2['debt']=16.5
print(frame2)
#结果:
year state pop debt
one 2000 Ohio 1.5 16.5
two 2001 Ohio 1.7 16.5
three 2002 Ohio 3.6 16.5
four 2001 Nevada 2.4 16.5
five 2002 Nevada 2.9 16.5
frame2['new']=frame2['debt']*frame2['pop']
print(frame2)
#结果:
year state pop debt new
one 2000 Ohio 1.5 16.5 24.75
two 2001 Ohio 1.7 16.5 28.05
three 2002 Ohio 3.6 16.5 59.40
four 2001 Nevada 2.4 16.5 39.60
five 2002 Nevada 2.9 16.5 47.85
frame2['debt']=np.arange(5)
print(frame2)
#结果:
year state pop debt new
one 2000 Ohio 1.5 0 24.75
two 2001 Ohio 1.7 1 28.05
three 2002 Ohio 3.6 2 59.40
four 2001 Nevada 2.4 3 39.60
five 2002 Nevada 2.9 4 47.85
python下载pandas库_Python中的pandas库相关推荐
- python导入excel类库_Python中使用第三方库xlutils来追加写入Excel文件示例
Python中使用第三方库xlutils来追加写入Excel文件示例 目前还没有更好的方法来追写Excel,lorinnn在网上搜索到以及之后用到的方法就是使用第三方库xlutils来实现了这个功能, ...
- python的excell库_Python中使用第三方库xlrd来写入Excel文件示例
继上一篇文章使用xlrd来读Excel之后,这一篇文章就来介绍下,如何来写Excel,写Excel我们需要使用第三方库xlwt,和xlrd一样,xlrd表示read xls,xlwt表示write x ...
- python中导入numpy库_python中的Numpy库
导入numpy库: import numpy as np python的一个科学计算库的一个基础包,包含了强大的N维数组对象和向量运算 数组创建,可以使用array函数从常规的python列表和或元组 ...
- python绘制三维地形_python中的Matplot库和Gdal库绘制富士山三维地形图-参考了虾神的喜马拉雅山...
首先请大家读一下面这篇文章了解什么是Gdal http://blog.csdn.net/grllery/article/details/77822595 剩下的我要公布绘制富士山的代码了,虽然基本co ...
- python算法和数据结构_Python中的数据结构和算法
python算法和数据结构 To 至 Leonardo da Vinci 达芬奇(Leonardo da Vinci) 介绍 (Introduction) The purpose of this ar ...
- python numpy和pandas数据处理_python中添加数据分析工具numpy和pandas
python中添加数据分析工具numpy和pandas 最近要对一系列数据做同比比较,需要用到numpy和pandas来计算,不过使用python安装numpy和pandas因为linux环境没有外网 ...
- 安装pandas库报错_python中安装pandas
在运行网上找的代码时,报错:ImportError: No module named 'pandas',解决:安装pandas 安装过程: (因为网上教程有的说用pip命令行安装:有的直接下载安装包, ...
- python如何下载库_python中如何下载库
python下载安装库的方法: 1.在线安装 在cmd窗口直接运行:pip install 包名,如 pip install requests 注意:这种方式安装时会自动下载第三方库,安装完成后并不会 ...
- python数据建模工具_python数据分析工具——Pandas、StatsModels、Scikit-Learn
Pandas Pandas是 Python下最强大的数据分析和探索工具.它包含高级的数据结构和精巧的工具,使得在 Python中处理数据非常快速和简单. Pandas构建在 Numpy之上,它使得以 ...
- pythonpandas数据库_python中使用pandas数据库
python中使用pandas数据库 利用pandas进行数据分析,以及试用一下jupyter notebook import pandas as pd from pandas import Data ...
最新文章
- Web APi之控制器创建过程及原理解析(八)
- 屏幕输出语句_2.2 数据输入与输出
- Spring是如何利用“三级缓存“巧妙解决Bean的循环依赖问题
- jooq权限配置_将jOOQ与Spring结合使用:配置
- 使用Arquillian测试安全的EJB
- Excel VBA 编程技巧系列(一)替换字符串、加解密字符串和等待外部程序完成
- 1.3编程基础之算术表达式与顺序执行 19 AXB问题
- js高级程序设计 - 温故而知新
- gitgithub 的使用
- linux nslookup 解析不到dns_内网智能DNS搭建
- java发送邮件工具类
- java 获取视频时长
- 全民奇迹辅助制作视频教程
- kewail node 短信_node.js短信接口_node.js发短信_node.js短信验证码_验证码短信代码示例_互亿无线...
- [收藏]好学若饥 谦卑若愚
- 字体号数,像素,榜值对应关系
- 如何把“蚂蚁呀嘿”换脸特效用在前端 WebRTC 视频通话中
- 资本频频下注,为什么是江小白?
- java基于ssm的幼儿园管理系统
- Python在GF(2⁸)有限域上求解多项式的乘法逆元——基于扩展欧几里得算法
热门文章
- [项目管理]-第十章:配置管理
- 我的海淀驾校考驾照之路
- SparkMLlib之01-Spark机器学习库介绍
- 利用BioEdit做多序列一致性比对
- 基本磁盘转换为动态磁盘后快速启动关机变重启,记录一次研究过程
- 总结的iOS、mac开源项目及库,持续更新。。。。 github排名 https://github.com/trending,github搜索:https://github.com/search
- java:换行符“\n”
- 怎么用电脑把优酷的kux格式转换成mp4格式
- 语音识别算法、模型等解析
- 三点估算法_三点估算法、方差计算、完工概率计算的讨论