【Python数据分析 - 12】:Series结构、pandas中值的获取和修改、切片操作与排序(pandas篇)

简介: 【Python数据分析 - 12】:Series结构、pandas中值的获取和修改、切片操作与排序(pandas篇)

Series结构


Series结构是一维数据,只有行索引,没有列索引

  • 创建一个Series,pd.Series()中是一个字典,键为index,值为index指向的数据

973008af7994488d8893a6b09defe712.png


pandas中值的获取和修改


数据准备

2aa85fca4ded43f584596db397800553.png


根据列索引取值


  • 取一列值,出现的是一个Series结构

30be19acfa68426c9b4fe756c4ee7b0f.png


取多列值时需要用列表括起来

94b7171c605b42db97d943767a7f201f.png



根据行索引取值


根据行索引取值时必须有一个范围,不然会报错。



6025fb11f9f242b58d1d18975f67aec5.png


根据行列索引取值


注意:根据行列索引取值是必须先是列再是行,不然会报错。

299fb976cd6d4560a59367f629e8f85b.png


修改值


  • 修改一列

67d5e97d1a2043a994ed17961f7d4d69.png


修改单个数


dd36005783054ec7b133c6396e9b95df.png

d2bcf77d1565485abfbf910ca6ed3beb.png


切片操作与排序


切片操作


loc

loc:只能锁定行列索引的名字


b7140c55b9a64d4d9af378e64764a8b8.png

a7d3a7f2bae048ecb4455132cc03307d.png


iloc

iloc:可以通过索引的下标获取,索引是时间或下标的名字

4be1ea68b5eb4789a12f2f2d2e02522d.png

16f5f8baede141c096d2d5620d195b3b.png




排序


sort_index()


  • sort_index() – 对index进行排序,默认从小到大排序

d719960d064444a2b56c7e328fbeb220.png


ascending = False – 从大到小排序


7af8cf9bc1cb4c5e8aba8cada86b44cc.png


sort_values()


sort_values对值进行排序


  • 根据第date列的值进行排序

eed523906b43456986f282b132255875.png


根据多个值进行排序,当open有两个数相同时,就会根据high进行排序

7e1241c31e9441ba8b0aeee13d5c9926.png

相关文章
|
3月前
|
自然语言处理 数据挖掘 数据处理
告别低效代码:用对这10个Pandas方法让数据分析效率翻倍
本文将介绍 10 个在数据处理中至关重要的 Pandas 技术模式。这些模式能够显著减少调试时间,提升代码的可维护性,并构建更加清晰的数据处理流水线。
143 3
告别低效代码:用对这10个Pandas方法让数据分析效率翻倍
|
10月前
|
数据采集 数据可视化 数据挖掘
Pandas数据应用:天气数据分析
本文介绍如何使用 Pandas 进行天气数据分析。Pandas 是一个强大的 Python 数据处理库,适合处理表格型数据。文章涵盖加载天气数据、处理缺失值、转换数据类型、时间序列分析(如滚动平均和重采样)等内容,并解决常见报错如 SettingWithCopyWarning、KeyError 和 TypeError。通过这些方法,帮助用户更好地进行气候趋势预测和决策。
308 71
|
2月前
|
数据采集 索引 Python
Python Slice函数使用教程 - 详解与示例 | Python切片操作指南
Python中的`slice()`函数用于创建切片对象,以便对序列(如列表、字符串、元组)进行高效切片操作。它支持指定起始索引、结束索引和步长,提升代码可读性和灵活性。
|
10月前
|
存储 数据采集 数据可视化
Pandas数据应用:电子商务数据分析
本文介绍如何使用 Pandas 进行电子商务数据分析,涵盖数据加载、清洗、预处理、分析与可视化。通过 `read_csv` 等函数加载数据,利用 `info()` 和 `describe()` 探索数据结构和统计信息。针对常见问题如缺失值、重复记录、异常值等,提供解决方案,如 `dropna()`、`drop_duplicates()` 和正则表达式处理。结合 Matplotlib 等库实现数据可视化,探讨内存不足和性能瓶颈的应对方法,并总结常见报错及解决策略,帮助提升电商企业的数据分析能力。
382 73
|
10月前
|
存储 数据挖掘 数据处理
掌握Pandas核心数据结构:Series与DataFrame的四种创建方式
本文介绍了 Pandas 库中核心数据结构 Series 和 DataFrame 的四种创建方法,包括从列表、字典、标量和 NumPy 数组创建 Series,以及从字典、列表的列表、NumPy 数组和 Series 字典创建 DataFrame,通过示例详细说明了每种创建方式的具体应用。
669 67
|
9月前
|
存储 数据采集 数据可视化
Pandas数据应用:医疗数据分析
Pandas是Python中强大的数据操作和分析库,广泛应用于医疗数据分析。本文介绍了使用Pandas进行医疗数据分析的常见问题及解决方案,涵盖数据导入、预处理、清洗、转换、可视化等方面。通过解决文件路径错误、编码不匹配、缺失值处理、异常值识别、分类变量编码等问题,结合Matplotlib等工具实现数据可视化,并提供了解决常见报错的方法。掌握这些技巧可以提高医疗数据分析的效率和准确性。
257 22
|
10月前
|
数据采集 数据可视化 索引
Pandas数据应用:股票数据分析
本文介绍了如何使用Pandas库进行股票数据分析。首先,通过pip安装并导入Pandas库。接着,从本地CSV文件读取股票数据,并解决常见的解析错误。然后,利用head()、info()等函数查看数据基本信息,进行数据清洗,处理缺失值和重复数据。再者,结合Matplotlib和Seaborn进行数据可视化,绘制收盘价折线图。最后,进行时间序列分析,设置日期索引、重采样和计算移动平均线。通过这些步骤,帮助读者掌握Pandas在股票数据分析中的应用。
369 5
|
10月前
|
存储 数据挖掘 索引
Pandas数据结构:Series与DataFrame
本文介绍了 Python 的 Pandas 库中两种主要数据结构 `Series` 和 ``DataFrame`,从基础概念入手,详细讲解了它们的创建、常见问题及解决方案,包括数据缺失处理、数据类型转换、重复数据删除、数据筛选、排序、聚合和合并等操作。同时,还提供了常见报错及解决方法,帮助读者更好地理解和使用 Pandas 进行数据分析。
654 10
|
10月前
|
存储 数据挖掘 索引
Pandas Series 和 DataFrame 常用属性详解及实例
Pandas 是 Python 数据分析的重要工具,其核心数据结构 Series 和 DataFrame 广泛应用。本文详细介绍了这两种结构的常用属性,如 `index`、`values`、`dtype` 等,并通过具体示例帮助读者更好地理解和使用这些属性,提升数据分析效率。
410 4
|
11月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
222 2

热门文章

最新文章

推荐镜像

更多