pandas学习-3

Pandas数据结构Series：基本技巧

数据查看 / 重新索引 / 对齐 / 添加、修改、删除值

# 数据查看

s = pd.Series(np.random.rand(50))
print("1".center(40,'*'))
print(s.head(3))
print("2".center(40,'*'))
print(s.tail())
# .head()查看头部数据
# .tail()查看尾部数据
# 默认查看5条
#执行结果
*******************1********************
0    0.202699
1    0.201590
2    0.647586
dtype: float64
*******************2********************
45    0.813147
46    0.222506
47    0.698029
48    0.221253
49    0.612971
dtype: float64

# 重新索引reindex
# .reindex将会根据索引重新排序，如果当前索引不存在，则引入缺失值

s = pd.Series(np.random.rand(3), index = ['a','b','c'])
print("1".center(40,'*'))
print(s)
s1 = s.reindex(['c','b','a','d'])
print("2".center(40,'*'))
print(s1)
# .reindex()中也是写列表
# 这里'd'索引不存在，所以值为NaN

s2 = s.reindex(['c','b','a','d','e'], fill_value = 0)
print("3".center(40,'*'))
print(s2)
# fill_value参数：填充缺失值的值
#执行结果
*******************1********************
a    0.483267
b    0.427878
c    0.560759
dtype: float64
*******************2********************
c    0.560759
b    0.427878
a    0.483267
d         NaN
dtype: float64
*******************3********************
c    0.560759
b    0.427878
a    0.483267
d    0.000000
e    0.000000
dtype: float64

# Series对齐

s1 = pd.Series(np.random.rand(3), index = ['Jack','Marry','Tom'])
s2 = pd.Series(np.random.rand(3), index = ['Wang','Jack','Marry'])
print("1".center(40,'*'))
print(s1)
print("2".center(40,'*'))
print(s2)
print("3".center(40,'*'))
print(s1+s2)
# Series 和 ndarray 之间的主要区别是，Series 上的操作会根据标签自动对齐
# index顺序不会影响数值计算，以标签来计算
# 空值和任何值计算结果扔为空值
#执行结果
*******************1********************
Jack     0.358132
Marry    0.799223
Tom      0.205242
dtype: float64
*******************2********************
Wang     0.018531
Jack     0.104008
Marry    0.984687
dtype: float64
*******************3********************
Jack     0.46214
Marry    1.78391
Tom          NaN
Wang         NaN
dtype: float64

# 删除：.drop

s = pd.Series(np.random.rand(5), index = list('abcde'))
print("1".center(40,'*'))
print(s)
s1 = s.drop('a')
s2 = s.drop(['b','e'])
print("2".center(40,'*'))
print(s1)
print("3".center(40,'*'))
print(s2)
print("4".center(40,'*'))
print(s)
# drop 删除元素之后返回副本(inplace=False)
#执行结果
*******************1********************
a    0.112290
b    0.157210
c    0.566828
d    0.538134
e    0.030577
dtype: float64
*******************2********************
b    0.157210
c    0.566828
d    0.538134
e    0.030577
dtype: float64
*******************3********************
a    0.112290
c    0.566828
d    0.538134
dtype: float64
*******************4********************
a    0.112290
b    0.157210
c    0.566828
d    0.538134
e    0.030577
dtype: float64

# 添加

s1 = pd.Series(np.random.rand(3))
s2 = pd.Series(np.random.rand(3), index = list('abc'))
print("1".center(40,'*'))
print(s1)
print("2".center(40,'*'))
print(s2)
s1[5] = 100
s2['e'] = 100
print("3".center(40,'*'))
print(s1)
print("4".center(40,'*'))
print(s2)
# 直接通过下标索引/标签index添加值

s3 = s1.append(s2)
print("5".center(40,'*'))
print(s3)
print("6".center(40,'*'))
print(s1)
# 通过.append方法，直接添加一个数组
# .append方法生成一个新的数组，不改变之前的数组
# 执行结果
*******************1********************
0    0.605710
1    0.589580
2    0.450621
dtype: float64
*******************2********************
a    0.549143
b    0.910563
c    0.840172
dtype: float64
*******************3********************
0      0.605710
1      0.589580
2      0.450621
5    100.000000
dtype: float64
*******************4********************
a      0.549143
b      0.910563
c      0.840172
e    100.000000
dtype: float64
*******************5********************
0      0.605710
1      0.589580
2      0.450621
5    100.000000
a      0.549143
b      0.910563
c      0.840172
e    100.000000
dtype: float64
*******************6********************
0      0.605710
1      0.589580
2      0.450621
5    100.000000
dtype: float64

# 修改

s = pd.Series(np.random.rand(3), index = ['a','b','c'])
print("1".center(40,'*'))
print(s)
s['a'] = 100
s[['b','c']] = 200
print("2".center(40,'*'))
print(s)
# 通过索引直接修改，类似序列
# 执行结果
*******************1********************
a    0.370475
b    0.859691
c    0.411495
dtype: float64
*******************2********************
a      0.370475
b    200.000000
c    200.000000
dtype: float64