首页 > 其他分享 >【3.0】Pandas DataFrame入门

【3.0】Pandas DataFrame入门

时间：2023-09-24 17:04:02浏览次数：30  
标签：3.0 df Series DataFrame pd print data Pandas

【一】引入

  • DataFrame 是 Pandas 的重要数据结构之一，也是在使用 Pandas 进行数据分析过程中最常用的结构之一，可以这么说，掌握了 DataFrame 的用法，你就拥有了学习数据分析的基本能力。

【二】认识DataFrame结构

  • DataFrame 一个表格型的数据结构，既有行标签（index），又有列标签（columns），它也被称异构数据表，所谓异构，指的是表格中每列的数据类型可以不同，比如可以是字符串、整型或者浮点型等。
  • 其结构图示意图，如下所示：

Dataframe结构示意图

  • 表格中展示了某个销售团队个人信息和绩效评级（rating）的相关数据。
  • 数据以行和列形式来表示，其中每一列表示一个属性，而每一行表示一个条目的信息。
  • 下表展示了上述表格中每一列标签所描述数据的数据类型，如下所示：
Column Type
name String
age integer
gender String
rating Float
  • DataFrame 的每一行数据都可以看成一个 Series 结构，只不过，DataFrame 为这些行中每个数据值增加了一个列标签。
  • 因此 DataFrame 其实是从 Series 的基础上演变而来。
  • 在数据分析任务中 DataFrame 的应用非常广泛，因为它描述数据的更为清晰、直观。
  • 通过示例对 DataFrame 结构做进一步讲解。
  • 下面展示了一张学生成绩表，如下所示：

pandas dataframe结构

  • DataFrame 结构类似于 Execl 的表格型，表格中列标签的含义如下所示：

    • Regd.No：表示登记的序列号

    • Name：学生姓名

    • Marks：学生分数

  • 同 Series 一样，DataFrame 自带行标签索引，默认为“隐式索引”即从 0 开始依次递增，行标签与 DataFrame 中的数据项一一对应。

  • 上述表格的行标签从 0 到 5，共记录了 5 条数据（图中将行标签省略）。

  • 当然你也可以用“显式索引”的方式来设置行标签。

  • 下面对 DataFrame 数据结构的特点做简单地总结，如下所示：

    • DataFrame 每一列的标签值允许使用不同的数据类型；

    • DataFrame 是表格型的数据结构，具有行和列；

    • DataFrame 中的每个数据值都可以被修改。

    • DataFrame 结构的行数、列数允许增加或者删除；

    • DataFrame 有两个方向的标签轴，分别是行标签和列标签；

    • DataFrame 可以对行和列执行算术运算。

【三】创建DataFrame对象

  • 创建 DataFrame 对象的语法格式如下：
import pandas as pd
pd.DataFrame( data, index, columns, dtype, copy)
参数名称 说明
data 输入的数据，可以是 ndarray，series，list，dict，标量以及一个 DataFrame。
index 行标签，如果没有传递 index 值，则默认行标签是np.arange(n)，n 代表 data 的元素个数。
columns 列标签，如果没有传递 columns 值，则默认列标签是np.arange(n)。
dtype dtype表示每一列的数据类型。
copy 默认为 False，表示复制数据 data。
  • Pandas 提供了多种创建 DataFrame 对象的方式，主要包含以下五种，分别进行介绍。

【1】创建空的DataFrame对象

  • 使用下列方式创建一个空的 DataFrame，这是 DataFrame 最基本的创建方法。
import pandas as pd

df = pd.DataFrame()
print(df)

Empty DataFrame
Columns: []
Index: []

【2】列表创建DataFame对象

  • 可以使用单一列表或嵌套列表来创建一个 DataFrame。

（示例1）单一列表创建 DataFrame

import pandas as pd

data = [1, 2, 3, 4, 5]
df = pd.DataFrame(data)
print(df)

   0
0  1
1  2
2  3
3  4
4  5

（示例2）使用嵌套列表创建 DataFrame 对象

import pandas as pd

data = [['Alex', 10], ['Bob', 12], ['Clarke', 13]]
df = pd.DataFrame(data, columns=['Name', 'Age'])
print(df)

     Name  Age
0    Alex   10
1     Bob   12
2  Clarke   13

（示例3）指定数值元素的数据类型为 float

import pandas as pd

data = [['Alex', 10], ['Bob', 12], ['Clarke', 13]]
df = pd.DataFrame(data, columns=['Name', 'Age'])  # 不指定dtype，使用默认的数据类型
df['Age'] = df['Age'].astype(float)  # 将特定列的数据类型转换为float
print(df)

     Name   Age
0    Alex  10.0
1     Bob  12.0
2  Clarke  13.0

【3】字典嵌套列表创建

  • data 字典中，键对应的值的元素长度必须相同（也就是列表长度相同）。
  • 如果传递了索引，那么索引的长度应该等于数组的长度；如果没有传递索引，那么默认情况下，索引将是 range(n)，其中 n 代表数组长度。

（示例4）

import pandas as pd

data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'], 'Age': [28, 34, 29, 42]}
df = pd.DataFrame(data)
print(df)

    Name  Age
0    Tom   28
1   Jack   34
2  Steve   29
3  Ricky   42
  • 注意：这里使用了默认行标签，也就是 range(n)。
  • 它生成了 0,1,2,3，并分别对应了列表中的每个元素值。

（示例5）现在给上述示例 4 添加自定义的行标签

import pandas as pd

data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'], 'Age': [28, 34, 29, 42]}
df = pd.DataFrame(data, index=['rank1', 'rank2', 'rank3', 'rank4'])
print(df)

        Name  Age
rank1    Tom   28
rank2   Jack   34
rank3  Steve   29
rank4  Ricky   42
  • 注意：index 参数为每行分配了一个索引。

【4】列表嵌套字典创建DataFrame对象

  • 列表嵌套字典可以作为输入数据传递给 DataFrame 构造函数。
  • 默认情况下，字典的键被用作列名。

（示例6）

import pandas as pd

data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print(df)

   a   b     c
0  1   2   NaN
1  5  10  20.0
  • 注意：如果其中某个元素值缺失，也就是字典的 key 无法找到对应的 value，将使用 NaN 代替。

（示例7）给上述示例 6 添加行标签索引

import pandas as pd

data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data, index=['first', 'second'])
print(df)

        a   b     c
first   1   2   NaN
second  5  10  20.0

（示例8）如何使用字典嵌套列表以及行、列索引表创建一个 DataFrame 对象

import pandas as pd

data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]
df1 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b'])
df2 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b1'])
print(df1)
print(df2)

        a   b
first   1   2
second  5  10

        a  b1
first   1 NaN
second  5 NaN
  • 注意：因为 b1 在字典键中不存在，所以对应值为 NaN。

【5】Series创建DataFrame对象

  • 您也可以传递一个字典形式的 Series，从而创建一个 DataFrame 对象，其输出结果的行索引是所有 index 的合集。
  • 示例如下：
import pandas as pd

d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
     'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df)

   one  two
a  1.0    1
b  2.0    2
c  3.0    3
d  NaN    4
  • 注意：对于 one 列而言，此处虽然显示了行索引 ‘d’，但由于没有与其对应的值，所以它的值为 NaN。

【四】列索引操作DataFrame

  • DataFrame 可以使用列索（columns index）引来完成数据的选取、添加和删除操作。
  • 下面依次对这些操作进行介绍。

【1】列索引选取数据列

  • 您可以使用列索引，轻松实现数据选取，示例如下：
import pandas as pd

d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
     'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df['one'])

a    1.0
b    2.0
c    3.0
d    NaN
Name: one, dtype: float64

【2】列索引添加数据列

  • 使用 columns 列索引表标签可以实现添加新的数据列
  • 示例如下：
import pandas as pd

d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
     'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
# 使用df['列']=值，插入新的数据列
df['three'] = pd.Series([10, 20, 30], index=['a', 'b', 'c'])
print(df)
# 将已经存在的数据列做相加运算
df['four'] = df['one'] + df['three']
print(df)

   one  two  three
a  1.0    1   10.0
b  2.0    2   20.0
c  3.0    3   30.0
d  NaN    4    NaN

   one  two  three  four
a  1.0    1   10.0  11.0
b  2.0    2   20.0  22.0
c  3.0    3   30.0  33.0
d  NaN    4    NaN   NaN
  • 上述示例，我们初次使用了 DataFrame 的算术运算，这和 NumPy 非常相似。
  • 除了使用df[]=value的方式外，您还可以使用 insert() 方法插入新的列
  • 示例如下：
import pandas as pd

info = [['Jack', 18], ['Helen', 19], ['John', 17]]
df = pd.DataFrame(info, columns=['name', 'age'])
print(df)
# 注意是column参数
# 数值1代表插入到columns列表的索引位置
df.insert(1, column='score', value=[91, 90, 75])
print(df)

    name  age
0   Jack   18
1  Helen   19
2   John   17

    name  score  age
0   Jack     91   18
1  Helen     90   19
2   John     75   17

【3】列索引删除数据列

  • 通过 del 和 pop() 都能够删除 DataFrame 中的数据列。
  • 示例如下：
import pandas as pd

d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
     'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']),
     'three': pd.Series([10, 20, 30], index=['a', 'b', 'c'])}
df = pd.DataFrame(d)
print("Our dataframe is:")
print(df)
# 使用del删除
del df['one']
print(df)
# 使用pop方法删除
df.pop('two')
print(df)

Our dataframe is:
   one  two  three
a  1.0    1   10.0
b  2.0    2   20.0
c  3.0    3   30.0
d  NaN    4    NaN

   two  three
a    1   10.0
b    2   20.0
c    3   30.0
d    4    NaN

   three
a   10.0
b   20.0
c   30.0
d    NaN

【五】行索引操作DataFrame

  • 理解了上述的列索引操作后，行索引操作就变的简单。
  • 下面看一下，如何使用行索引来选取 DataFrame 中的数据。

【1】标签索引选取

  • 可以将行标签传递给 loc 函数，来选取数据。
  • 示例如下：
import pandas as pd

d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
     'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df.loc['b'])

one    2.0
two    2.0
Name: b, dtype: float64
  • 注意：loc 允许接两个参数分别是行和列，参数之间需要使用“逗号”隔开，但该函数只能接收标签索引。

【2】整数索引选取

  • 通过将数据行所在的索引位置传递给 iloc 函数，也可以实现数据行选取。
  • 示例如下：
import pandas as pd

d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
     'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df.iloc[2])

one    3.0
two    3.0
Name: c, dtype: float64
  • 注意：iloc 允许接受两个参数分别是行和列，参数之间使用“逗号”隔开，但该函数只能接收整数索引。

【3】切片操作多行选取

  • 您也可以使用切片的方式同时选取多行。
  • 示例如下：
import pandas as pd

d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
     'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
# 左闭右开
print(df[2:4])

   one  two
c  3.0    3
d  NaN    4

【4】添加数据行

  • 使用 append() 函数，可以将新的数据行添加到 DataFrame 中，该函数会在行末追加数据行。
  • 示例如下：
import pandas as pd

df1 = pd.DataFrame([[1, 2], [3, 4]], columns=['a', 'b'])
df2 = pd.DataFrame([[5, 6], [7, 8]], columns=['a', 'b'])

# 使用concat函数合并两个DataFrame
# #在行末追加新数据行
df = pd.concat([df1, df2], ignore_index=True)

print(df)

   a  b
0  1  2
1  3  4
2  5  6
3  7  8

【5】删除数据行

  • 您可以使用行索引标签，从 DataFrame 中删除某一行数据。
  • 如果索引标签存在重复，那么它们将被一起删除。
  • 示例如下：
import pandas as pd

df = pd.DataFrame([[1, 2], [3, 4]], columns=['a', 'b'])
df2 = pd.DataFrame([[5, 6], [7, 8]], columns=['a', 'b'])
df = pd.concat([df, df2], ignore_index=True)
print('执行drop(0)前')
print(df)
# 注意此处调用了drop()方法
df = df.drop(0)
print('执行drop(0)后')
print(df)

执行drop(0)前
   a  b
0  1  2
1  3  4
2  5  6
3  7  8
执行drop(0)后
   a  b
1  3  4
2  5  6
3  7  8
  • 在上述的示例中，默认使用 range(2) 生成了行索引，并通过 drop(0) 同时删除了两行数据。

【六】常用属性和方法汇总

  • DataFrame 的属性和方法，与 Series 相差无几，如下所示
名称 属性&方法描述
T 行和列转置。
axes 返回一个仅以行轴标签和列轴标签为成员的列表。
dtypes 返回每列数据的数据类型。
empty DataFrame中没有数据或者任意坐标轴的长度为0，则返回True。
ndim 轴的数量，也指数组的维数。
shape 返回一个元组，表示了 DataFrame 维度。
size DataFrame中的元素数量。
values 使用 numpy 数组表示 DataFrame 中的元素值。
head() 返回前 n 行数据。
tail() 返回后 n 行数据。
head() 返回前 n 行数据。
shift() 将行或列移动指定的步幅长度

【1】演示

  • 下面对 DataFrame 常用属性进行演示，首先我们创建一个 DataFrame 对象
  • 示例如下：
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# 输出series
print(df)

     Name  years  Rating
0  c语言中文网      5    4.23
1     编程帮      6    3.24
2      百度     15    3.98
3   360搜索     28    2.56
4      谷歌      3    3.20
5     微学苑     19    4.60
6  Bing搜索     23    3.80

【2】T（Transpose）转置

  • 返回 DataFrame 的转置，也就是把行和列进行交换。
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# 输出DataFrame的转置
print(df.T)

             0     1     2      3    4    5       6
Name    c语言中文网   编程帮    百度  360搜索   谷歌  微学苑  Bing搜索
years        5     6    15     28    3   19      23
Rating    4.23  3.24  3.98   2.56  3.2  4.6     3.8

【3】axes

  • 返回一个行标签、列标签组成的列表。
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# 输出行、列标签
print(df.axes)

[RangeIndex(start=0, stop=7, step=1), Index(['Name', 'years', 'Rating'], dtype='object')]

【4】dtypes

  • 返回每一列的数据类型。
  • 示例如下：
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# 输出行、列标签
print(df.dtypes)

Name       object
years       int64
Rating    float64
dtype: object

【5】empty

  • 返回一个布尔值，判断输出的数据对象是否为空，若为 True 表示对象为空。
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# 判断输入数据是否为空
print(df.empty)

False

【6】ndim

  • 返回数据对象的维数。
  • DataFrame 是一个二维数据结构。
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# DataFrame的维度
print(df.ndim)

2

【7】shape

  • 返回一个代表 DataFrame 维度的元组。
  • 返回值元组 (a,b)，其中 a 表示行数，b 表示列数。
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# DataFrame的形状
print(df.shape)

(7, 3)

【8】size

  • 返回 DataFrame 中的元素数量。
  • 示例如下：
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# DataFrame的中元素个数
print(df.size)

21

【9】values

  • 以 ndarray 数组的形式返回 DataFrame 中的数据。
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# DataFrame的数据
print(df.values)

[['c语言中文网' 5 4.23]
 ['编程帮' 6 3.24]
 ['百度' 15 3.98]
 ['360搜索' 28 2.56]
 ['谷歌' 3 3.2]
 ['微学苑' 19 4.6]
 ['Bing搜索' 23 3.8]]

【10】head()&tail()查看数据

  • 如果想要查看 DataFrame 的一部分数据，可以使用 head() 或者 tail() 方法。
  • 其中 head() 返回前 n 行数据，默认显示前 5 行数据。
  • 示例如下：
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# 获取前3行数据
print(df.head(3))

     Name  years  Rating
0  c语言中文网      5    4.23
1     编程帮      6    3.24
2      百度     15    3.98
  • tail() 返回后 n 行数据，示例如下
import pandas as pd

d = {'Name': pd.Series(['c语言中文网', '编程帮', "百度", '360搜索', '谷歌', '微学苑', 'Bing搜索']),
     'years': pd.Series([5, 6, 15, 28, 3, 19, 23]),
     'Rating': pd.Series([4.23, 3.24, 3.98, 2.56, 3.20, 4.6, 3.8])}
# 构建DataFrame
df = pd.DataFrame(d)
# 获取后2行数据
print(df.tail(2))

     Name  years  Rating
5     微学苑     19     4.6
6  Bing搜索     23     3.8

【11】shift()移动行或列

  • 如果您想要移动 DataFrame 中的某一行/列，可以使用 shift() 函数实现。

  • 它提供了一个periods参数，该参数表示在特定的轴上移动指定的步幅。

  • shif() 函数的语法格式如下：

DataFrame.shift(periods=1, freq=None, axis=0)
参数名称 说明
peroids 类型为int，表示移动的幅度，可以是正数，也可以是负数，默认值为1。
freq 日期偏移量，默认值为None，适用于时间序。取值为符合时间规则的字符串。
axis 如果是 0 或者 “index” 表示上下移动，如果是 1 或者 “columns” 则会左右移动。
fill_value 该参数用来填充缺失值。
  • 该函数的返回值是移动后的 DataFrame 副本。
  • 下面看一组简单的实例：
import pandas as pd

info = pd.DataFrame({'a_data': [40, 28, 39, 32, 18],
                     'b_data': [20, 37, 41, 35, 45],
                     'c_data': [22, 17, 11, 25, 15]})
print('移动前')
print(info)
# 移动幅度为3

info.shift(periods=3)
print('移动后')
print(info)

移动前
   a_data  b_data  c_data
0      40      20      22
1      28      37      17
2      39      41      11
3      32      35      25
4      18      45      15
移动后
   a_data  b_data  c_data
0      40      20      22
1      28      37      17
2      39      41      11
3      32      35      25
4      18      45      15
  • 下面使用 fill_value 参数填充 DataFrame 中的缺失值，如下所示：
import pandas as pd

info = pd.DataFrame({'a_data': [40, 28, 39, 32, 18],
                     'b_data': [20, 37, 41, 35, 45],
                     'c_data': [22, 17, 11, 25, 15]})
print('移动前')
print(info)

# 移动幅度为3
print('移动后')
print(info.shift(periods=3))
# 将缺失值和原数值替换为52

info.shift(periods=3, axis=1, fill_value=52)

移动前
   a_data  b_data  c_data
0      40      20      22
1      28      37      17
2      39      41      11
3      32      35      25
4      18      45      15
移动后
   a_data  b_data  c_data
0     NaN     NaN     NaN
1     NaN     NaN     NaN
2     NaN     NaN     NaN
3    40.0    20.0    22.0
4    28.0    37.0    17.0
  • 注意：fill_value 参数不仅可以填充缺失值，还也可以对原数据进行替换。

标签：3.0,df,Series,DataFrame,pd,print,data,Pandas
From： https://www.cnblogs.com/dream-ze/p/17726180.html

相关文章

  • 【2.0】Pandas Series入门
    【一】PandasSeriesSeries结构，也称Series序列，是Pandas常用的数据结构之一，它是一种类似于一维数组的结构，由一组数据值（value）和一组标签组成，其中标签与数据值之间是一一对应的关系。Series可以保存任何数据类型，比如整数、字符串、浮点数、Python对象等，它的标签默认为整数，......
  • 【7.0】Pandas csv读写文件
    【一】PythonPandas读取文件当使用Pandas做数据分析的时，需要读取事先准备好的数据集，这是做数据分析的第一步。Panda提供了多种读取数据的方法：read_csv()用于读取文本文件read_json()用于读取json文件read_sql_query()读取sql语句的，【1】CSV文件读......
  • 【6.0】Pandas绘图
    【一】Pandas绘图Pandas在数据分析、数据可视化方面有着较为广泛的应用，Pandas对Matplotlib绘图软件包的基础上单独封装了一个plot()接口，通过调用该接口可以实现常用的绘图操作。本节我们深入讲解一下Pandas的绘图操作。Pandas之所以能够实现了数据可视化，主要利用了......
  • 【Pandas笔记总结】
    【一】Pandos初识Pandas是什么Pandas主要特点Pandas主要优势Pandas内置数据结构Pandas下载与安装【二】PandasSeries入门PandasSeries是什么PandasSeries创建PandasSeries访问PandasSeries常用属性PandasSeries常用方法【三】PandasDataFrame入门P......
  • 【5.0】Pandas描述性统计
    【一】PythonPandas描述性统计描述统计学（descriptivestatistics）是一门统计学领域的学科，主要研究如何取得反映客观现象的数据，并以图表形式对所搜集的数据进行处理和显示，最终对数据的规律、特征做出综合性的描述分析。Pandas库正是对描述统计学知识完美应用的体现，可以说如果没......
  • 【4.0】Pandas Panel三维数据结构
    【一】三维数据结构Panel结构也称“面板结构”，它源自于PanelData一词，翻译为“面板数据”。如果您使用的是Pandas0.25以前的版本，那么您需要掌握本节内容，否则，作为了解内容即可。自Pandas0.25版本后，Panel结构已经被废弃。Panel是一个用来承载数据的三维数据结构，它......
  • 【8.0】Pandas和NumPy的比较
    【一】引入我们知道Pandas是在NumPy的基础构建而来因此，熟悉NumPy可以更加有效的帮助我们使用Pandas。NumPy主要用C语言编写因此，在计算还和处理一维或多维数组方面，它要比Python数组快得多。关于NumPy的学习，可以参考《PythonNumPy教程》。【二】创建数组数......
  • 如何在Nuxt3.0中使用MongoDB数据库
    一、介绍Nuxt.js是一个基于Vue.js的开源框架，用于构建服务端渲染(Server-SideRendering,SSR)或静态生成(StaticSiteGeneration,SSG)的单页应用(Single-PageApplications,SPA)，可以用来作为全栈项目开发框架使用。本篇主要分享下我在使用Nuxt3.0项目做全栈项目开发时......
  • Vue.js 3.0 promise的运用
    ......
  • 2023.09.22
    今天学习了javaweb的入门安装，以及进行了数据结构的学习栈是只允许在一端进行插入和删除操作的线性表，操作特性可以明显的概括为后进先出n个不同元素进栈，出栈元素不同排列的个数为C(n:2n)/n+1，即卡特兰数栈是一种操作受限的线性表，类似于线性表，它也有对应的两种存储方式采用顺序存储......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99