利用python进行数据分析之pandas库的应用（一）

一、pandas的数据结构介绍

Series

Series是由一种类似于一维数组的对象，它由一组数据以及一组与之相关的数据索引构成。仅由一组数据可产生最简单的Series。

obj=Series([4,5,-7,6])

Series字符串表现形式为索引在左边，值在右边。

通过Series的index方法获取索引，values方法获取值。可通过索引的方式获取Series中的单个或者一组值

>>>obj2
a    4
b    7
c   -5
d    3
dtype: int64
#可以通过索引的方式获取值
>>> obj2['a']
4

Series的数组运算会保留索引与值的连接

>>> obj2=Series([4,7,-5,3],index=['d','b','a','c'])
>>> obj2
d    4
b    7
a   -5
c    3
dtype: int64
>>> obj2[obj2>0]
d    4
b    7
c    3
dtype: int64
>>> obj2*2
d     8
b    14
a   -10
c     6
dtype: int64

如果数据存放在一个字典中，可以根据这个字典来创建Series，Series中的索引就是原字典的键，

>>> sdata={'ohio':35000,'texas':71000,'oregon':16000,'utah':5000}
>>> obj3=Series(sdata)
>>> obj3
ohio      35000
oregon    16000
texas     71000
utah       5000
dtype: int64
#如果指定索引，则会找出匹配值

　>>> obj4=Series(sdata,index=['california','ohio','oregon','texas'])
  >>> obj4
  california NaN
  ohio 35000
  oregon 16000
  texas 71000
  dtype: float64

对众多情况而言，Series最重要的功能是在算术运算中会自动对齐不同的索引数据：

>>> obj3+obj4
california       NaN
ohio           70000
oregon         32000
texas         142000
utah             NaN
dtype: float64

DataFrame

DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值，字符串，布尔型）。DateFrame既有行索引也有列索引，可以被看作为由Series组成的字典。

构建DataFrame：

1、直接传入一个由等长列表或numpy数组组成的字典，　　　　　　　

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=DataFrame(data)

　>>> frame
     pop state year
  0 1.5 ohio 2000
  1 1.7 ohio 2001
  2 3.6 ohio 2002
  3 2.4 nevada 2001
  4 2.9 nevada 2002

#可指定序列，DataFrame的列会按照指定的顺序进行排列：

>>> DataFrame(data,columns=['year','state','pop'])

　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

#如果传入的数据找不到，就会NA值

>>> frame2=DataFrame(data,columns=['year','state','pop','debt'],index=['one','two','three','four','five'])

>>> frame2

　    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

#通过类似字典标记的方式或属性的方式，可，以将DataFrame的列获取为一个Series，返回的Series与原来有相同的索引，且name属性已指定

>>> frame2.year

one 2000
 two 2001
 three 2002
 four 2001
 five 2002
 Name: year, dtype: int64

>>> frame2['state']

one ohio
 two ohio
 three ohio
 four nevada
 five nevada
 Name: state, dtype: object

#行也可以通过位置或名称的方式进行获取比如索引字段ix

>>> frame2.ix['three']

year 2002
 state ohio
 pop 3.6
 debt NaN
 Name: three, dtype: object

#列可以通过赋值的方式进行修改

>>> frame2['debt']=16.5
 >>> frame2

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

#为不存在的列赋值会创建出一个新列，关键词del用于删除列

>>> frame2['eastern']=frame2.state=='ohio'

>>> frame2
     year state pop debt eastern
 one 2000 ohio 1.5 16.5 True
 two 2001 ohio 1.7 16.5 True
 three 2002 ohio 3.6 16.5 True
 four 2001 nevada 2.4 16.5 False
 five 2002 nevada 2.9 16.5 False

>>> del frame2['eastern']

>>> frame2
     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

2、另一种常见的数据形式是嵌套字典，传入时会将外层字典作为列，内层的的键则作为行索引

>>> pop={'nevada':{2001:2.4,2002:2.9},'ohio':{2000:1.5,2001:1.7,2002:3.6}}
>>> frame3=DataFrame(pop)
>>> frame3
      nevada  ohio
2000     NaN   1.5
2001     2.4   1.7
2002     2.9   3.6
>>> frame3.T

2000 2001 2002
　nevada NaN 2.4 2.9
　ohio 1.5 1.7 3.6

索引对象介绍

pandas的索引对象负责管理轴标签和其他元数据，构建Series或DataFrame时，所用到的任何数组或其他序列标签都会被转换成一个Index。

>>>obj=Series(range(3),index=['a','b','c'])
>>> index=obj.index
>>> index[1:]
Index([u'b', u'c'], dtype='object')
#index对象不可修改，只有这样才能使index对象在多个数据结构之间安全共享