기사 디렉토리
판다 데이터 구조
import pandas as pd
: 팬더는 두 가지 가장 중요한 데이터 구조가 시리즈 및 DataFrame을
시리즈
일련의 1 차원 배열과 유사한 오브젝트 데이터의 집합 (NumPy와 다양한 데이터 유형) 및 그에 대응하는 인덱스 조성물 세트 (태그 데이터).
- 오브젝트 유사 1 차원 배열
- 데이터 및 인덱스 조성
- 지수 오른쪽에서 왼쪽 및 데이터 (값)에 (색인)
- 인덱스 자동 생성
[이미지 소스 스테이션 보안 체인 메커니즘을 가질 수있다, 체인이 실패 덤프, 바로 아래 업로드 한 사진을 저장하는 것이 좋습니다 (IMG-waI0n9v4-1579951800260) (... / 이미지 / Series.png)]
1. 건설 시리즈 목록으로
= ser_obj pd.Series (범위 (10))
샘플 코드 :
# 通过list构建Series
ser_obj = pd.Series(range(10, 20))
print(ser_obj.head(3))
print(ser_obj)
print(type(ser_obj))
결과 :
0 10
1 11
2 12
dtype: int64
0 10
1 11
2 12
3 13
4 14
5 15
6 16
7 17
8 18
9 19
dtype: int64
<class 'pandas.core.series.Series'>
데이터와 인덱스를 취득합니다
ser_obj.index 和 ser_obj.values
샘플 코드 :
# 获取数据
print(ser_obj.values)
# 获取索引
print(ser_obj.index)
결과 :
[10 11 12 13 14 15 16 17 18 19]
RangeIndex(start=0, stop=10, step=1)
데이터 인덱스를 취득합니다
ser_obj [IDX]
샘플 코드 :
#通过索引获取数据
print(ser_obj[0])
print(ser_obj[8])
결과 :
10
18
4. 인덱스 데이터 및 계산 결과 사이의 대응 관계는 영향을받지 않는다
샘플 코드 :
# 索引与数据的对应关系不被运算结果影响
print(ser_obj * 2)
print(ser_obj > 15)
결과 :
0 20
1 22
2 24
3 26
4 28
5 30
6 32
7 34
8 36
9 38
dtype: int64
0 False
1 False
2 False
3 False
4 False
5 False
6 True
7 True
8 True
9 True
dtype: bool
DICT 5. 건축 시리즈
샘플 코드 :
# 通过dict构建Series
year_data = {2001: 17.8, 2002: 20.1, 2003: 16.5}
ser_obj2 = pd.Series(year_data)
print(ser_obj2.head())
print(ser_obj2.index)
결과 :
2001 17.8
2002 20.1
2003 16.5
dtype: float64
Int64Index([2001, 2002, 2003], dtype='int64')
이름 속성
개체 이름 : ser_obj.name
인덱스 오브젝트 이름 : ser_obj.index.name를
샘플 코드 :
# name属性
ser_obj2.name = 'temp'
ser_obj2.index.name = 'year'
print(ser_obj2.head())
결과 :
year
2001 17.8
2002 20.1
2003 16.5
Name: temp, dtype: float64
DataFrame
DataFrame 컬럼의 순서화 된 세트를 포함하는 테이블 데이터 구조이며, 각 열은 값의 종류 일 수있다. DataFrame 계열 (주 동일한 인덱스)로 이루어지는 사전이 데이터가 이차원 구조에 저장 될 때 두 행 인덱스 열 인덱스, 그것을 알 수 있습니다.
- 마찬가지로 다차원 배열 / 테이블 데이터 (예를 들면, 엑셀에서 data.frame R)
- 데이터의 각각의 열은 상이한 유형일 수있다
- 인덱스 컬럼 및 행 인덱스를 포함
[이미지 소스 스테이션이 보안 체인 메커니즘을 가질 수 있고, 체인 실패 덤프는 직접 올린 눌러 사진을 저장하는 것을 권장 (IMG-chEUi9KJ-1,579,951,800,261) (... / 이미지 / DataFrame.png)]
ndarray 1. 건설 DataFrame
샘플 코드 :
import numpy as np
# 通过ndarray构建DataFrame
array = np.random.randn(5,4)
print(array)
df_obj = pd.DataFrame(array)
print(df_obj.head())
결과 :
[[ 0.83500594 -1.49290138 -0.53120106 -0.11313932]
[ 0.64629762 -0.36779941 0.08011084 0.60080495]
[-1.23458522 0.33409674 -0.58778195 -0.73610573]
[-1.47651414 0.99400187 0.21001995 -0.90515656]
[ 0.56669419 1.38238348 -0.49099007 1.94484598]]
0 1 2 3
0 0.835006 -1.492901 -0.531201 -0.113139
1 0.646298 -0.367799 0.080111 0.600805
2 -1.234585 0.334097 -0.587782 -0.736106
3 -1.476514 0.994002 0.210020 -0.905157
4 0.566694 1.382383 -0.490990 1.944846
DICT 2. 건설 DataFrame
샘플 코드 :
# 通过dict构建DataFrame
dict_data = {'A': 1,
'B': pd.Timestamp('20170426'),
'C': pd.Series(1, index=list(range(4)),dtype='float32'),
'D': np.array([3] * 4,dtype='int32'),
'E': ["Python","Java","C++","C"],
'F': 'ITCast' }
#print dict_data
df_obj2 = pd.DataFrame(dict_data)
print(df_obj2)
결과 :
A B C D E F
0 1 2017-04-26 1.0 3 Python ITCast
1 1 2017-04-26 1.0 3 Java ITCast
2 1 2017-04-26 1.0 3 C++ ITCast
3 1 2017-04-26 1.0 3 C ITCast
컬럼 인덱스 3. 오기 열 데이터 (유형 시리즈)
df_obj [col_idx] 或 df_obj.col_idx
샘플 코드 :
# 通过列索引获取列数据
print(df_obj2['A'])
print(type(df_obj2['A']))
print(df_obj2.A)
결과 :
0 1.0
1 1.0
2 1.0
3 1.0
Name: A, dtype: float64
<class 'pandas.core.series.Series'>
0 1.0
1 1.0
2 1.0
3 1.0
Name: A, dtype: float64
열 데이터를 증가 4.
df_obj [new_col_idx = 데이터
비슷한 파이썬의 DICT의 추가 키 - 값
샘플 코드 :
# 增加列
df_obj2['G'] = df_obj2['D'] + 4
print(df_obj2.head())
결과 :
A B C D E F G
0 1.0 2017-01-02 1.0 3 Python ITCast 7
1 1.0 2017-01-02 1.0 3 Java ITCast 7
2 1.0 2017-01-02 1.0 3 C++ ITCast 7
3 1.0 2017-01-02 1.0 3 C ITCast 7
5. 제거 열
df_obj 델 [col_idx]
샘플 코드 :
# 删除列
del(df_obj2['G'] )
print(df_obj2.head())
결과 :
A B C D E F
0 1.0 2017-01-02 1.0 3 Python ITCast
1 1.0 2017-01-02 1.0 3 Java ITCast
2 1.0 2017-01-02 1.0 3 C++ ITCast
3 1.0 2017-01-02 1.0 3 C ITCast