Pandas数据结构详解

教你学会 Pandas 不是我的目的,教你轻松玩转 Pandas 才是我的目的。我会通过一系列实例来带入 Pandas 的知识点,让你在学习 Pandas 的路上不再枯燥。
声明:我所写的轻松玩转 Pandas 教程都是免费的,如果对你有帮助,你可以持续关注我。

更多:Pandas

Pandas 有很多高级的功能,但是想要掌握高级功能前,需要先掌握它的基础知识,Pandas 中的数据结构算是非常基础的知识之一了。

Pandas 常用的数据结构有两种:Series 和 DataFrame。这些数据结构构建在 Numpy 数组之上,这意味着它们效率很高。我们来分别看看这些数据结构都长什么样子吧。

# 导入相关库
import numpy as np
import pandas as pd
Series
简介

Series 是一个带有 名称 和索引的一维数组,既然是数组,肯定要说到的就是数组中的元素类型,在 Series 中包含的数据类型可以是整数、浮点、字符串、Python对象等。

假定有一个场景是:存储一些用户的信息,暂时只包括年龄信息。

我们可以通过 Series 来存储,这里我们通过 Series 存储了四个年龄:18/30/25/40,只需将要存储的数据构建成一个数组,然后赋值给data参数即可

# 存储了 4 个年龄:18/30/25/40
user_age = pd.Series(data=[18, 30, 25, 40])
user_age
0    18
1    30
2    25
3    40
dtype: int64

可能你还会想,如果别人在看我写的代码,怎么能快速的知道我这写的到底是什么玩意呢?

别急,就像我们给index起名字一样,我们也可以给 Series 起个名字。

user_age.name="user_age_info"
user_age
name
Tom      18
Bob      30
Mary     25
James    40
Name: user_age_info, dtype: int64

通过上面一系列的操作,我们对 Series 的结构上有了基本的了解,简单来说,一个 Series 包括了 data、index 以及 name

上面的操作非常方便做演示来使用,如果想要快速实现上面的功能,可以通过以下方式来实现。

# 构建索引
name = pd.Index(["Tom", "Bob", "Mary", "James"], name="name")
# 构建 Series
user_age = pd.Series(data=[18, 30, 25, 40], index=name, name="user_age_info")
user_age
name
Tom      18
Bob      30
Mary     25
James    40
Name: user_age_info, dtype: int64

另外,需要说明的是我们在构造 Series 的时候,并没有设定每个元素的数据类型,这个时候,Pandas 会自动判断一个数据类型,并作为 Series 的类型。

当然了,我们也可以自己手动指定数据类型。

# 指定类型为浮点型
user_age = pd.Series(data=[18, 30, 25, 40], index=name, name="user_age_info", dtype=float)
user_age
name
Tom      18.0
Bob      30.0
Mary     25.0
James    40.0
Name: user_age_info, dtype: float64
Series 像什么

Series 包含了 dict 的特点,也就意味着可以使用与 dict 类似的一些操作。我们可以将 index 中的元素看成是 dict 中的 key。

# 获取 Tom 的年龄
user_age["Tom"]
18.0

此外,可以通过 get 方法来获取。通过这种方式的好处是当索引不存在时,不会抛出异常。

user_age.get("Tom")
18.0

Series 除了像 dict 外,也非常像 ndarray,这也就意味着可以采用切片操作。

# 获取第一个元素
user_age[0]
18.0
# 获取前三个元素
user_age[:3]
name
Tom     18.0
Bob     30.0
Mary    25.0
Name: user_age_info, dtype: float64
# 获取年龄大于30的元素
user_age[user_age > 30]
name
James    40.0
Name: user_age_info, dtype: float64
# 获取第4个和第二个元素
user_age[[3, 1]]
name
James    40.0
Bob      30.0
Name: user_age_info, dtype: float64

可以看到,无论我们通过切片如何操作 Series ,它都能够自动对齐 index。

Series 的向量化操作

Series 与 ndarray 一样,也是支持向量化操作的。同时也可以传递给大多数期望 ndarray 的 NumPy 方法。

user_age + 1
name
Tom      19.0
Bob      31.0
Mary     26.0
James    41.0
Name: user_age_info, dtype: float64
np.exp(user_age)
name
Tom      6.565997e+07
Bob      1.068647e+13
Mary     7.200490e+10
James    2.353853e+17
Name: user_age_info, dtype: float64
DataFrame

DataFrame 是一个带有索引的二维数据结构,每列可以有自己的名字,并且可以有不同的数据类型。你可以把它想象成一个 excel 表格或者数据库中的一张表,DataFrame 是最常用的 Pandas 对象。

我们继续使用之前的实例来讲解 DataFrame,在存储用户信息时,除了年龄之外,我还想存储用户所在的城市。如何通过 DataFrame 实现呢?

可以构建一个 dict,key 是需要存储的信息,value 是信息列表。然后将 dict 传递给 data 参数

index = pd.Index(data=["Tom", "Bob", "Mary", "James"], name="name")

data = {
    "age": [18, 30, 25, 40],
    "city": ["BeiJing", "ShangHai", "GuangZhou", "ShenZhen"]
}

user_info = pd.DataFrame(data=data, index=index)
user_info
agecity
name
Tom18BeiJing
Bob30ShangHai
Mary25GuangZhou
James40ShenZhen

可以看到,我们成功构建了一个 DataFrame,这个 DataFrame 的索引是用户性别,还有两列分别是用户的年龄和城市信息。

除了上面这种传入 dict 的方式构建外,我们还可以通过另外一种方式来构建。这种方式是先构建一个二维数组,然后再生成一个列名称列表

data = [[18, "BeiJing"], 
        [30, "ShangHai"], 
        [25, "GuangZhou"], 
        [40, "ShenZhen"]]
columns = ["age", "city"]

user_info = pd.DataFrame(data=data, index=index, columns=columns)
user_info
agecity
name
Tom18BeiJing
Bob30ShangHai
Mary25GuangZhou
James40ShenZhen
访问行

在生成了 DataFrame 之后,可以看到,每一行就表示某一个用户的信息,假如我想要访问 Tom 的信息,我该如何操作呢?

一种办法是通过索引名来访问某行,这种办法需要借助 loc 方法。

user_info.loc["Tom"]
age          18
city    BeiJing
Name: Tom, dtype: object

除了直接通过索引名来访问某一行数据之外,还可以通过这行所在的位置来选择这一行。

user_info.iloc[0]
age          18
city    BeiJing
Name: Tom, dtype: object

现在能够访问某一个用户的信息了,那么我如何访问多个用户的信息呢?也就是如何访问多行呢?

借助行切片可以轻松完成,来看这里。

user_info.iloc[1:3]
agecity
name
Bob30ShangHai
Mary25GuangZhou
访问列

学会了如何访问行数据之外,自然而然会想到如何访问列。我们可以通过属性(“.列名”)的方式来访问该列的数据,也可以通过[column]的形式来访问该列的数据。

假如我想获取所有用户的年龄,那么可以这样操作。

user_info.age
name
Tom      18
Bob      30
Mary     25
James    40
Name: age, dtype: int64
user_info["age"]
name
Tom      18
Bob      30
Mary     25
James    40
Name: age, dtype: int64

如果想要同时获取年龄和城市该如何操作呢?

# 可以变换列的顺序
user_info[["city", "age"]]
cityage
name
TomBeiJing18
BobShangHai30
MaryGuangZhou25
JamesShenZhen40
新增/删除列

在生成了 DataFrame 之后,突然你发现好像缺失了用户的性别这个信息,那么如何添加呢?

如果所有的性别都一样,我们可以通过传入一个标量,Pandas 会自动帮我们广播来填充所有的位置。

user_info["sex"] = "male"
user_info
agecitysex
name
Tom18BeiJingmale
Bob30ShangHaimale
Mary25GuangZhoumale
James40ShenZhenmale

如果想要删除某一列,可以使用 pop 方法来完成。

user_info.pop("sex")
user_info
agecity
name
Tom18BeiJing
Bob30ShangHai
Mary25GuangZhou
James40ShenZhen

如果用户的性别不一致的时候,我们可以通过传入一个 like-list 来添加新的一列。

user_info["sex"] = ["male", "male", "female", "male"]
user_info
agecitysex
name
Tom18BeiJingmale
Bob30ShangHaimale
Mary25GuangZhoufemale
James40ShenZhenmale

通过上面的例子可以看出,我们创建新的列的时候都是在原有的 DataFrame 上修改的,也就是说如果添加了新的一列之后,原有的 DataFrame 会发生改变。

如果想要保证原有的 DataFrame 不改变的话,我们可以通过 assign 方法来创建新的一列。

user_info.assign(age_add_one = user_info["age"] + 1)
agecitysexage_add_one
name
Tom18BeiJingmale19
Bob30ShangHaimale31
Mary25GuangZhoufemale26
James40ShenZhenmale41
user_info.assign(sex_code = np.where(user_info["sex"] == "male", 1, 0))
agecitysexsex_code
name
Tom18BeiJingmale1
Bob30ShangHaimale1
Mary25GuangZhoufemale0
James40ShenZhenmale1

发表评论

电子邮件地址不会被公开。 必填项已用*标注