本节主要介绍一下Pandas的数据结构，本文引用的网址：https://www.dataquest.io/mission/146/pandas-internals-series
本文所使用的数据来自于：https://github.com/fivethirtyeight/data/tree/master/fandango
该数据主要描述了一些电影的烂番茄评分情况
数据结构
在Pandas中，主要有三种重要的数据结构：
- Series（值的集合）
- DataFrame（Series的集合）
- Panel（DataFrame的集合）
Pandas的Series是Numpy的数组（array）的升级版，Numpy只能使用整数来所索引，但是Series还可以使用字符串来索引，还能使用混合的数据类型和NaN来表示缺失值，一个Series对象可以包含以下几种数据类型：
- float -- 表示字符串数值
- int -- 表示整型数值
- bool -- 表示布尔值
- datetime64[ns] -- 表示日期和时间（不带时区）
- datetime64[ns, tz] -- 表示日期和时间（有时区）
- timedelta[ns] -- 以不同的格式（分钟，秒等）格式表示时间
- category -- 表示分类值
- object -- 表示字符串值
DataFrame使用Series对象来表示每一列的数据，所以当从一个DataFrame中选择某一列的时间，Pandas会返回代表了该列的Series对象，并且从0开始索引该Series的行，当然也可以使用分片来选择多行
# 分别选择FILM和RottenTomatoes两列，并输出前5行 fandango = pd.read_csv('fandango_score_comparison.csv') series_film = fandango['FILM'] print(series_film.head(5)) series_rt = fandango['RottenTomatoes'] print(series_rt[:5])
输出：
原始的数据如下：
自定义索引
上面提取了两个Series，series_film代表了电影名称，series_rt代表了评分，我现在想知道这两部电影（Minions (2015), Leviathan (2014)）的评分，最简单的方法就是这样
print(fandango[fandango['FILM']=='Minions (2015)']['RottenTomatoes'].values[0]) print(fandango[fandango['FILM']=='Leviathan (2014)']['RottenTomatoes'].values[0]) # 这样要对每部电影都写一个语句是非常麻烦的 # 最好的方法就是将series_film和series_rt组合成一个新的Series，用电影名称作为索引，电影评分作为值，这样要查询多部电影时就变得方便 film_names = series_film.values rt_scores = series_rt.values series_custom = Series(rt_scores , index=film_names) # 创建一个Series，需要指定data和index参数
#此时要查询多部电影就变得简单 series_custom[['Minions (2015)', 'Leviathan (2014)']] #对于上面新建的一个Series，现在要对电影的名称进行按字母重新排序，可以使用sort_index()函数，如果要对电影的评分排序则使用sort_values()函数 sc2 = series_custom.sort_index() sc3 = series_custom.sort_values()
向量化运算
当你要操作数据集中的某一列的数据时，Series对象可以快速地进行向量化的运算（自动对该列中的每个数据值都进行运算），Pandas的底层使用了Numpy，而Numpy则使用了C语言来循环一整列的值，所以会快得飞起。要是你特意使用一个for来循环一个Series对象，实际上会变得非常慢。
向量化运算的例子
#对一个Series进行加减乘除运算 series_custom/10 # 这个语句实际上是对series_custom这个Series中的每个值都进行除法运算，注意，是不会对索引进行运算的 # 也可以使用Numpy的函数来进行运算 np.max(series_custom) #求出电影分数的最大值
还可以进行比较与过滤
series_custom > 50 # 返回一个包含布尔值的列表，分数大于50则返回True，可以用于过滤数据 series_greater_than_50 = series_custom[series_custom > 50] # 也可以使用&(and)和 |(or)连接几个判断 series_greater_than_50_&_less_than_80 = series_custom[(series_custom > 50) & (series_custom < 80) ]
当然，也可以直接对两个Series进行运算
rt_critics = Series(fandango['RottenTomatoes'].values, index=fandango['FILM']) # 影评人的评分 rt_users = Series(fandango['RottenTomatoes_User'].values, index=fandango['FILM']) #用户评分 rt_mean = (rt_critics + rt_users) / 2 # 平均分
