Data Science | Pandas基础(二)

简介: Data Science | Pandas基础(二)


Pandas数据结构Series-基本技巧

数据查看
#查看前五的数据
s = pd.Series(np.random.rand(15))
print(s.head())   #默认查看数据前五条
# 查看后5条数据
print(s.tail())   #默认查看数据的后五条
# 查看前10条数据
print(s.head(10))
重新索引

重新索引的作用是根据新的索引重新排序,若新的索引不存在则引入缺失值。

# .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(5),index=['a','b','c','d','e'])
print(s)
# 将索引值修改为['c','d','a','f']
s1 =  s.reindex(['c','d','a','f'])
print(s1)
>>>
a    0.972218
b    0.820531
c    0.940448
d    0.009572
e    0.462811
dtype: float64
c    0.940448
d    0.009572
a    0.972218
f         NaN
dtype: float64

如果不想引入缺失值可以使用fill_value指定不存在的索引值为0或其他值

s2 = s.reindex(['c','d','a','f','aaaaa'], fill_value=0)
print(s2)
>>>
c        0.940448
d        0.009572
a        0.972218
f        0.000000
aaaaa    0.000000
dtype: float64
数据对齐

对齐两列数据,当数据索引不同时存在需要对齐的Series的时,数据值以缺失值填充。

# 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
s1 = pd.Series(np.random.rand(3),index=['jack','marry','tom'])
s2 = pd.Series(np.random.rand(3),index=['wang','jack','marry'])
print(s1+s2)
>>>
jack     1.261341
marry    0.806095
tom           NaN
wang          NaN
dtype: float64
删除

使用.drop删除元素的时候,默认返回的是一个副本(inplace=False)

s = pd.Series(np.random.rand(5), index = list('ngjur'))
print(s)
s1 = s.drop('n')
s2 = s.drop(['g','j'])
print(s1)
print(s2)
print(s)
>>>
n    0.876587
g    0.594053
j    0.628232
u    0.360634
r    0.454483
dtype: float64
g    0.594053
j    0.628232
u    0.360634
r    0.454483
dtype: float64
n    0.876587
u    0.360634
r    0.454483
dtype: float64
n    0.876587
g    0.594053
j    0.628232
u    0.360634
r    0.454483
dtype: float64
添加

方法一:直接通过下标索引/标签index添加值

s1 = pd.Series(np.random.rand(5))
s2 = pd.Series(np.random.rand(5), index = list('ngjur'))
print(s1)
print(s2)
s1[5] = 100
s2['a'] = 100
print(s1)
print(s2)
>>>
0    0.516447
1    0.699382
2    0.469513
3    0.589821
4    0.402188
dtype: float64
n    0.615641
g    0.451192
j    0.022328
u    0.977568
r    0.902041
dtype: float64
0      0.516447
1      0.699382
2      0.469513
3      0.589821
4      0.402188
5    100.000000
dtype: float64
n      0.615641
g      0.451192
j      0.022328
u      0.977568
r      0.902041
a    100.000000
dtype: float64

方法二:使用.append()方法添加,可以直接添加一个数组,且生成一个新的数组,不改变之前的数组。

s3 = s1.append(s2)
print(s3)
print(s1)
>>>
0      0.238541
1      0.843671
2      0.452739
3      0.312212
4      0.878904
5    100.000000
n      0.135774
g      0.530755
j      0.886315
u      0.512223
r      0.551555
a    100.000000
dtype: float64
0      0.238541
1      0.843671
2      0.452739
3      0.312212
4      0.878904
5    100.000000
dtype: float64
修改

series可以通过索引直接修改,类似序列

s = pd.Series(np.random.rand(3), index = ['a','b','c'])
print(s)
s['a'] = 100
s[['b','c']] = 200
print(s)
>>>
a    0.873604
b    0.244707
c    0.888685
dtype: float64
a    100.0
b    200.0
c    200.0
dtype: float64

巩固练习

  1. 如图创建Series,并按照要求修改得到结果

  1. 已有s1,s2(值为0-10的随机数),请求出s1+s2的值

相关文章
|
6天前
|
数据采集 数据可视化 数据挖掘
使用Pandas对Data列进行基于顺序的分组排列
使用Pandas对Data列进行基于顺序的分组排列
15 0
|
9月前
|
数据格式 Python
Data Science | Pandas基础(三)-Timestamp
Data Science | Pandas基础(三)-Timestamp
|
9月前
|
数据挖掘 数据库 索引
Data Science | Pandas基础(一)
Data Science | Pandas基础(一)
126 0
报错:pandas.errors.ParserError: Error tokenizing data. C error: Expected 1 fields in line 7, saw 2
报错:pandas.errors.ParserError: Error tokenizing data. C error: Expected 1 fields in line 7, saw 2
报错:pandas.errors.ParserError: Error tokenizing data. C error: Expected 1 fields in line 7, saw 2
|
机器学习/深度学习 数据采集 算法
一文速学-Pandas处理分类数据(Categorical data)详解+代码演示(一)
一文速学-Pandas处理分类数据(Categorical data)详解+代码演示(一)
532 0
一文速学-Pandas处理分类数据(Categorical data)详解+代码演示(一)
成功解决pandas.errors.ParserError: Error tokenizing data. C error: Expected 1 fields in line 49, saw 2
成功解决pandas.errors.ParserError: Error tokenizing data. C error: Expected 1 fields in line 49, saw 2
成功解决pandas.errors.ParserError: Error tokenizing data. C error: Expected 1 fields in line 49, saw 2
成功解决pandas.errors.ParserError: Error tokenizing data. C error: Expected 1 fields in line 49, saw 2
|
6天前
|
SQL 数据采集 数据可视化
使用Python Pandas实现两表对应列相加(即使表头不同)
使用Python Pandas实现两表对应列相加(即使表头不同)
23 3