（三）Pandas的两种数据结构

左手的ㄟ右手 2022-12-25 00:51 169阅读 0赞

### 目录 ###

*   *  一：Pandas的两种数据结构：
     *  二：Series创建和属性：
     *   *  1：Series的创建：
         *  2：Series常见的属性：
         *  3：Series常见的方法：
         *  4：Series的布尔索引：
         *  5：Series的运算：
     *  三：DataFrame创建和属性以及方法:
     *   *  1：DataFrame的创建：
         *  2：DataFrame常见的属性：
         *  3：DataFrame的布尔索引：
         *  4：DataFrame的运算：
     *  四：更改Series和DataFrame：
     *   *  1： 设置行索引：
         *  2： 修改行名和列名：
         *  3： 添加，删除，插入列：
     *  五：导入和导出数据：
     *   *  1： 导出导入成pickle文件：
         *  2：保存成CSV文件：
         *  3：保存成Excel文件：

## 一：Pandas的两种数据结构： ##

*  Series : Series是一个一维的容器。和python的列表很相似，但是每个元素的数据类型必须相同。
 *  DateFrame :DateFrame是一个二维的容器，DataFrame可以看做是个字典，键是列名，值是Series。

## 二：Series创建和属性： ##

### 1：Series的创建： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70]

### 2：Series常见的属性： ###

*  1：加载csv文件时，指定index\_col就能得到一个Series对象。
 *  2：使用行索引标签可以选中一条记录。
 *  3：可以通过 index 和 values属性获取行索引和值。
 *  4：也可以通过keys()方法获取所有的行索引。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 2]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 3]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 4]  
![在这里插入图片描述][20201129201937935.png]

### 3：Series常见的方法： ###

*  1: mean() 取平均
 *  2：min()取最小值
 *  3：max()取最大值
 *  4：std()取标准差
 *  5：value\_counts（）方法，可以返回不同值的条目数量。
 *  6：count() ： 统计非空数量。
 *  7：通过describe()方法打印描述信息。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 5]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 7]  
拿到所有名字，包括重复的，然后根据名字分组，统计每组的数量，然后逆序排序。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 8]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 9]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 10]

### 4：Series的布尔索引： ###

*  1:ages>ages.mean()得到的是每个数据和平均值比较的结果:True/False
 *  2:相当于一个列表ages\[True, False, True\], 结果就是只显示为True的。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 11]

### 5：Series的运算： ###

*  1：Series和数值型变量计算时，变量会与Series中的每个元素逐一进行计算。
 *  2：两个Series之间计算，如果Series元素个数相同，则将两个Series对应元素进行计算。
 *  3：元素个数不同的Series之间进行计算，会根据索引进行。索引不同的元素最终计算的结果会填充成缺失值，用NaN表示。
 *  4：Series之间进行计算时，数据会尽可能依据索引标签进行相互计算。

## 三：DataFrame创建和属性以及方法: ##

### 1：DataFrame的创建： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 12]

### 2：DataFrame常见的属性： ###

*  1：.shape 行和列
 *  2：.size 数据的个数
 *  3：.ndim 数据集 的维度
 *  4：len() 数据集的长度
 *  5：.count（）各个列的个数：
 *  6：.min() 各个列的最小值
 *  7： describe() 各个列的描述详情。

### 3：DataFrame的布尔索引： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 13]

### 4：DataFrame的运算： ###

*  1： DataFrame与数字运算，每个元素与数字运算，如果是数字则运算，如果是字符串与数字，则可能是字符串成倍增加：scientists\*2
 *  2：两个 DataFrame，根据索引，一一运算。
 *  3：两个DataFrame数据条目数不同时，会根据索引进行计算，索引不匹配的会返回NaN。

## 四：更改Series和DataFrame： ##

### 1： 设置行索引： ###

1： 加载某一行的时候指定某一列作为索引：

> movie = pd.read\_csv(‘C:/Users/11737/Desktop/机器学习课件/data/movie.csv’, index\_col=‘movie\_title’)  
> movie

2：重置索引：

> movie.reset\_index() 注意这个重置索引是暂时的，不是永久的，只是这一次恢复原来的索引。

### 2： 修改行名和列名： ###

1： 查看前5条行索引：movie.index\[:5\]  
2： 查看前5条列索引：movie.columns\[:5\]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 14]  
3： 修改行名和列名：

> idx\_rename = \{‘Avatar’:‘Ratava’, ‘Spectre’: ‘Ertceps’\}  
> col\_rename = \{‘director\_name’:‘Director Name’, ‘num\_critic\_for\_reviews’: ‘Critical Reviews’\}  
> movie.rename(index=idx\_rename,columns=col\_rename).head()

注意：先定义字典，键是原名，值是修改后的名字。  
使用的方法是：rename(index=, columns= )

4: 另外一种方法：提取索引，修改。重新赋值：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 15]

### 3： 添加，删除，插入列： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 16]

## 五：导入和导出数据： ##

![在这里插入图片描述][20201130145543957.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 17]  
![在这里插入图片描述][20201130145648503.png]

### 1： 导出导入成pickle文件： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 18]

### 2：保存成CSV文件： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 19]

### 3：保存成Excel文件： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 20]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70]: /images/20221120/4caa5ffaf351468ba75481a9b88d3ca4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 1]: /images/20221120/685280b62b3f4fdbae14f23c5ae1b141.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 2]: /images/20221120/770f22d533964ac5b8b21d624fc48ef8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 3]: /images/20221120/011b9f0bea6840a1adecb5de8e2863ab.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 4]: /images/20221120/fd7755777c9f47fe8a594d6aac153da9.png
[20201129201937935.png]: /images/20221120/cbf4b22fcc744b1b8425d6f7f46eba27.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 5]: /images/20221120/3a8127db72f441938b9ec0e7c7b190b9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 6]: /images/20221120/999f58e27f2c4188a6f2c69e2a5c216e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 7]: /images/20221120/c20574d86f064be596cac7a663fc1086.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 8]: /images/20221120/cc0821eb2e6e41fc90159b0394fcc9bb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 9]: /images/20221120/ebbb5aa97f4c4d67bd605c2322b3bedf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 10]: /images/20221120/e334361e008a4a25a88b327b5428e245.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 11]: /images/20221120/f0495bb1b6394cb285c64575c5eac134.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 12]: /images/20221120/931aff9f5a11493c8d035c487ba898b7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 13]: /images/20221120/d9a198f158ab432fb98f06a7b1c7232f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 14]: /images/20221120/dda1a13826a54a43be71d9c7af3092b3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 15]: /images/20221120/fa92ee1daaa2440bb83f74eefab3e9dc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 16]: /images/20221120/d43a2e3653d14b6b9a1216b57415c7d9.png
[20201130145543957.png]: /images/20221120/7ae1a1b039be4c479a862d3ad7d07a90.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 17]: /images/20221120/17c472e93bdd4f89bbd83d524f6884e2.png
[20201130145648503.png]: /images/20221120/891a086b7c644c62b0c96d9baaea2f06.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 18]: /images/20221120/1c69b06e5cb445ed9c85b08cca87e2f2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 19]: https://img-blog.csdnimg.cn/20201130145215266.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 20]: https://img-blog.csdnimg.cn/20201130145308619.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70