Pandas Series 和 DataFrame 常用属性详解及实例
Pandas 是 Python 中用于数据分析和处理的强大库，其核心数据结构包括 Series 和 DataFrame。本文将详细介绍这两种数据结构的常用属性，并通过示例进行说明，帮助您更好地理解和使用 Pandas。
1. 什么是 Series 和 DataFrame？
- Series：一维数组，能够存储任何类型的数据（整数、字符串、浮点数等）。每个元素都有一个标签（索引）。
- DataFrame：二维表格型数据结构，每列可以是不同的值类型（数值、字符串等），每一列都是一个 Series。
2. Series 的常用属性
2.1 index
index 属性返回 Series 的索引。
import pandas as pd
# 创建一个 Series
data = [1, 2, 3, 4, 5]
series = pd.Series(data, index=['a', 'b', 'c', 'd', 'e'])
print(series.index)
输出：
Index(['a', 'b', 'c', 'd', 'e'], dtype='object')
2.2 values
values 属性返回 Series 的值作为 NumPy 数组。
print(series.values)
输出：
[1 2 3 4 5]
2.3 dtype
dtype 属性返回 Series 中元素的数据类型。
print(series.dtype)
输出：
int64
2.4 name
name 属性返回或设置 Series 的名称。
series.name = 'My Series'
print(series.name)
输出：
My Series
2.5 shape
shape 属性返回 Series 的形状，对于一维数组，它是一个元组 (n,)，其中 n 是元素的数量。
print(series.shape)
输出：
(5,)
3. DataFrame 的常用属性
3.1 index
index 属性返回 DataFrame 的行索引。
data = {
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35],
'City': ['New York', 'Los Angeles', 'Chicago']
}
df = pd.DataFrame(data, index=['a', 'b', 'c'])
print(df.index)
输出：
Index(['a', 'b', 'c'], dtype='object')
3.2 columns
columns 属性返回 DataFrame 的列名。
print(df.columns)
输出：
Index(['Name', 'Age', 'City'], dtype='object')
3.3 dtypes
dtypes 属性返回 DataFrame 每列的数据类型。
print(df.dtypes)
输出：
Name object
Age int64
City object
dtype: object
3.4 shape
shape 属性返回 DataFrame 的形状，形式为 (行数, 列数)。
print(df.shape)
输出：
(3, 3)
3.5 size
size 属性返回 DataFrame 中元素的总数。
print(df.size)
输出：
9
3.6 values
values 属性返回 DataFrame 的值作为 NumPy 数组。
print(df.values)
输出：
[['Alice' '25' 'New York']
['Bob' '30' 'Los Angeles']
['Charlie' '35' 'Chicago']]
3.7 T
T 属性返回 DataFrame 的转置。
print(df.T)
输出：
a b c
Name Alice Bob Charlie
Age 25 30 35
City New York Los Angeles Chicago
3.8 ndim
ndim 属性返回 DataFrame 的维度数。
print(df.ndim)
输出：
2
3.9 axes
axes 属性返回一个包含 DataFrame 行和列轴的列表。
print(df.axes)
输出：
[Index(['a', 'b', 'c'], dtype='object'), Index(['Name', 'Age', 'City'], dtype='object')]
4. 总结
通过以上示例，我们可以看到 Pandas 提供了多种有用的属性来获取 Series 和 DataFrame 的相关信息。这些属性可以帮助我们更方便地操作和理解数据。希望本文对您理解和使用 Pandas 的核心数据结构有所帮助！
如果您有任何问题或需要进一步的帮助，请随时留言讨论。祝您在数据分析的道路上越走越远！
欢迎点赞、关注、收藏、转发！！！
