标签：None Series DataFrame 索引 操作 数据 Pandas
Pandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算）；用于数据挖掘和数据分析，同时也提供数据清洗功能。
一、数据结构
pandas的主要数据结构包括Series和DataFrame。
（1）Series
它是一种类似于一维数组的对象，是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series对象。Series的字符串表现形式为：索引位于左边，数据位于右边：
Pandas的Series类对象可以使用以下构造方法创建：
class pandas.Series（data = None，index = None，dtype = None，name = None，copy = False，fastpath = False）data：表示传入的数据。 index：表示索引，唯一且与数据长度相等，默认会自动创建一个从0~N的整数索引。
1、通过传入一个列表来创建一个Series类对象：
2、除了使用列表构建Series类对象外，还可以使用dict进行构建：
为了能方便地操作Series对象中的索引和数据，所以该对象提供了两个属性index和values分别进行获取。当某个索引对应的数据进行运算以后，其运算的结果会替换原数据，仍然与这个索引保持着对应的关系。
(2)DataFrame
DataFrame是一个类似于二维数组或表格（如excel）的对象，它每列的数据可以是不同的数据类型。DataFrame的索引不仅有行索引，还有列索引，数据可以有多列:
Pandas的DataFrame类对象可以使用以下构造方法创建：pandas.DataFrame（data = None，index = None，columns = None，dtype = None，copy = False ）index：表示行标签。若不设置该参数，则默认会自动创建一个从0~N的整数索引。columns：列标签。
1、通过传入数组来创建DataFrame类对象：
在创建DataFrame类对象时，如果为其指定了列索引，则DataFrame的列会按照指定索引的顺序进行排列。
我们可以使用列索引的方式来获取一列数据，返回的结果是一个Series对象。我们还可以使用访问属性的方式来获取一列数据，返回的结果依然是一个Series对象。
要想为DataFrame增加一列数据，则可以通过给列索引或者列名称赋值的方式实现。
增加No4一列数据
df_obj['No4'] = ['g', 'h']
要想删除某一列数据，则可以使用del语句实现。
删除No3一列数据
del df_obj['No3']
二、索引对象
Pandas中的索引都是Index类对象，又称为索引对象，该对象是不可以进行修改的，以保障数据的安全。Pandas中提供了一个重要的方法是reindex()，该方法的作用是对原索引和新索引进行匹配，也就是说，新索引含有原索引的数据，而原索引数据按照新索引排序。
如果新索引中没有原索引数据，那么程序不仅不会报错，而且会添加新的索引，并将值填充为NaN或者使用fill_vlues()填充其他值。
reindex()方法的语法格式如下：
DataFrame.reindex（labels = None，index = None，
columns = None，axis = None，method = None，
copy = True，level = None，fill_value = nan，limit = None，tolerance = None ）
index ：用作索引的新序列。 method ：插值填充方式 如果期望使用相邻的元素 值进 行填充，则可以使用 method 参 数 ，该 参 数对应的值有多 个。 fill_value ：引入缺失值时使用的替代值。
limit ：前向或者后向填充时的最大填充量。
如果使用的是位置索引进行切片，则切片结果是不包含结束位置；如果使用索引名称进行切片，则切片结果是包含结束位置的。
如果希望获取的是不连续的数据，则可以通过不连续索引来实现。
布尔型索引同样适用于Pandas，具体的用法跟数组的用法一样，将布尔型的数组索引作为模板筛选数据，返回与模板中True位置对应的元素。
DataFrame结构既包含行索引，也包含列索引。其中，行索引是通过index属性进行获取的，列索引是通过columns属性进行获取的。Pandas库中提供了操作索引的方法来访问数据，具体包括：loc：基于标签索引（索引名称），用于按标签选取数据。当执行切片操作时，既包含起始索引，也包含结束索引。
iloc ：基于位置索引（整数索 引）， 用于按位置选取数据。当执行切片操作时，只包含起始索引，不包含结束索引。 三、算术运算与数据对齐Pandas执行算术运算时，会先按照索引进行对齐，对齐以后再进行相应的运算，没有对齐的位置会用NaN进行补齐。如果希望不使用NAN填充缺失数据，则可以在调用add方法时提供fill_value参数的值，fill_value将会使用对象中存在的数据进行补充。
四、数据排序
Pandas中按索引排序使用的是sort_index()方法，该方法可以用行索引或者列索引进行排序
axis：轴索引，0表示index（按行），1表示columns（按列）。
level：若不为None，则对指定索引级别的值进行排序。
ascending ：是否升序排列，默认为 True 表示升序 。 1、按索引对 Series 进 行分别排序 ， 示例 如 下。
2、按索引对DataFrame进行分别排序，示例如下。
3、Pandas中用来按值排序的方法为sort_values()，该方法的语法格式如下。
by参数表示排序的列，na_position参数只有两个值：first和last，若设为first，则会将NaN值放在开头；若设为False，则会将NaN值放在最后。
5、按值的大小对Series进行排序的示例如下：
在DataFrame中，sort_values()方法可以根据一个或多个列中的值进行排序，但是需要在排序时，将一个或多个列的索引传递给by参数才行。
五、统计计算与描述
Pandas为我们提供了非常多的描述性统计分析的指标方法，比如总和、均值、最小值、最大值等。
如果希望一次性输出多个统计指标，则我们可以调用describe()方法实现，语法格式如下
percentiles：输出中包含的百分数，位于[0,1]之间。如果不设置该参数，则默认为[0.25,0.5,0.75]，返回25%，50%，75%分位数。
六、层次化索引
层次化索引可以理解为单层索引的延伸，即在一个轴方向上具有多层索引。对于两层索引结构来说，它可以分为内层索引和外层索引。
Series和DataFrame均可以实现层次化索引，最常见的方式是在构造方法的index参数中传入一个嵌套列表。
还可以通过MultiIndex类的方法构建一个层次化索引，该类提供了3种创建层次化索引的方法：
MultiIndex.from_tuples() ：将元组列表转换为 MultiIndex 。 MultiIndex.from_arrays() ：将数组列表转换为 MultiIndex 。 MultiIndex.from_product() ：从多个集合的笛卡尔乘积中创建一个 MultiIndex 。 from_tuples() 方法可以将包含若干个元组的列表转换为 MultiIndex对象，其中元组的第一个元素作from_arrays()方法是将数组列表转换为MultiIndex对象，其中嵌套的第一个列表将作为外层索引，嵌套的第二个列表将作为内层索引。
from_product()方法表示从多个集合的笛卡尔乘积中创建一个MultiIndex对象。
标签：None,Series,DataFrame,索引,操作,数据,Pandas 来源： https://blog.csdn.net/m0_66915748/article/details/123306806
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。