Pandas数据结构和索引操作

什么是Pandas?

Pandas的名称来自于面板数据（panel data）和Python数据分析（data analysis）。

Pandas是一个强大的分析结构化数据的工具集，基于NumPy构建，提供了 高级数据结构 和 数据操作工具，它是使Python成为强大而高效的数据分析环境的重要因素之一。

• 一个强大的分析和操作大型结构化数据集所需的工具集

• 基础是NumPy，提供了高性能矩阵的运算

• 提供了大量能够快速便捷地处理数据的函数和方法

• 应用于数据挖掘，数据分析

• 提供数据清洗功能

http://pandas.pydata.org

Pandas的数据结构

import pandas as pd

Pandas有两个最主要也是最重要的数据结构： Series 和 DataFrame

Series

Series是一种类似于一维数组的 对象，由一组数据（各种NumPy数据类型）以及一组与之对应的索引（数据标签）组成。

• 类似一维数组的对象
• 由数据和索引组成
  • 索引(index)在左，数据(values)在右
  • 索引是自动创建的

1. 通过list构建Series

ser_obj = pd.Series(range(10))

# 通过list构建Series
import pandas as pd

ser_obj = pd.Series(range(10, 20))
print(ser_obj.head(3))

print(ser_obj)

print(type(ser_obj))

效果：

0    10
1    11
2    12
dtype: int64
0    10
1    11
2    12
3    13
4    14
5    15
6    16
7    17
8    18
9    19
dtype: int64
<class 'pandas.core.series.Series'>

2. 获取数据和索引

ser_obj.index 和 ser_obj.values

# 通过list构建Series
import pandas as pd

ser_obj = pd.Series(range(10, 20))
# 获取数据
print(ser_obj.values)

# 获取索引
print(ser_obj.index)

效果：

[10 11 12 13 14 15 16 17 18 19]
RangeIndex(start=0, stop=10, step=1)

3. 通过索引获取数据

ser_obj[idx]

# 通过list构建Series
import pandas as pd

ser_obj = pd.Series(range(10, 20))
#通过索引获取数据
print(ser_obj[0])
print(ser_obj[8])

效果：

10
18

4. 索引与数据的对应关系不被运算结果影响

# 通过list构建Series
import pandas as pd

ser_obj = pd.Series(range(10, 20))
# 索引与数据的对应关系不被运算结果影响
print(ser_obj * 2)
print(ser_obj > 15)

效果：

0    20
1    22
2    24
3    26
4    28
5    30
6    32
7    34
8    36
9    38
dtype: int64
0    False
1    False
2    False
3    False
4    False
5    False
6     True
7     True
8     True
9     True
dtype: bool

5. 通过dict构建Series

# 通过list构建Series
import pandas as pd

# 通过dict构建Series
year_data = {2001: 17.8, 2002: 20.1, 2003: 16.5}
ser_obj2 = pd.Series(year_data)
print(ser_obj2.head())
print(ser_obj2.index)

效果：

2001    17.8
2002    20.1
2003    16.5
dtype: float64
Int64Index([2001, 2002, 2003], dtype='int64')

name属性

对象名：ser_obj.name

对象索引名：ser_obj.index.name

# 通过list构建Series
import pandas as pd

# 通过dict构建Series
year_data = {2001: 17.8, 2002: 20.1, 2003: 16.5}
ser_obj2 = pd.Series(year_data)
# name属性
ser_obj2.name = 'temp'
ser_obj2.index.name = 'year'
print(ser_obj2.head())

效果：

year
2001    17.8
2002    20.1
2003    16.5
Name: temp, dtype: float64

DataFrame

DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同类型的值。DataFrame既有行索引也有列索引，它可以被看做是由Series组成的字典（共用同一个索引），数据是以二维结构存放的。

• 类似多维数组/表格数据 (如，excel, R中的data.frame)
• 每列数据可以是不同的类型
• 索引包括列索引和行索引

1. 通过ndarray构建DataFrame

import numpy as np

# 通过ndarray构建DataFrame
import pandas as pd

array = np.random.randn(5,4)
print(array)
print("----------")
df_obj = pd.DataFrame(array)
print(df_obj.head())

效果：

[[ 0.44137761  0.13408736 -1.59408949 -0.1010183 ]
 [-0.31168161  0.24322197 -0.1602419  -1.42392738]
 [ 1.57426004  0.31490818 -0.22182099 -0.67538973]
 [ 0.22735072  0.02080081 -0.74327977  0.89156492]
 [-0.15163684 -0.72034151  0.07189318  0.8673076 ]]
----------
          0         1         2         3
0  0.441378  0.134087 -1.594089 -0.101018
1 -0.311682  0.243222 -0.160242 -1.423927
2  1.574260  0.314908 -0.221821 -0.675390
3  0.227351  0.020801 -0.743280  0.891565
4 -0.151637 -0.720342  0.071893  0.867308

2. 通过dict构建DataFrame

import numpy as np

# 通过ndarray构建DataFrame
import pandas as pd

# 通过dict构建DataFrame
dict_data = {'A': 1,
             'B': pd.Timestamp('20191210'),
             'C': pd.Series(1, index=list(range(4)),dtype='float32'),
             'D': np.array([3] * 4,dtype='int32'),
             'E': ["Python","Java","Android++","C"],
             'F': 'loaderman' }
#print dict_data
df_obj2 = pd.DataFrame(dict_data)
print(df_obj2)

效果：

   A          B    C  D          E          F
0  1 2019-12-10  1.0  3     Python  loaderman
1  1 2019-12-10  1.0  3       Java  loaderman
2  1 2019-12-10  1.0  3  Android++  loaderman
3  1 2019-12-10  1.0  3          C  loaderman

3. 通过列索引获取列数据（Series类型）

df_obj[col_idx] 或 df_obj.col_idx

import numpy as np

# 通过ndarray构建DataFrame
import pandas as pd

# 通过dict构建DataFrame
dict_data = {'A': 1,
             'B': pd.Timestamp('20191210'),
             'C': pd.Series(1, index=list(range(4)),dtype='float32'),
             'D': np.array([3] * 4,dtype='int32'),
             'E': ["Python","Java","Android++","C"],
             'F': 'loaderman' }
#print dict_data
df_obj2 = pd.DataFrame(dict_data)
print(df_obj2)
# 通过列索引获取列数据
print(df_obj2['A'])
print(type(df_obj2['A']))

print(df_obj2.A)

效果：

   A          B    C  D          E          F
0  1 2019-12-10  1.0  3     Python  loaderman
1  1 2019-12-10  1.0  3       Java  loaderman
2  1 2019-12-10  1.0  3  Android++  loaderman
3  1 2019-12-10  1.0  3          C  loaderman
0    1
1    1
2    1
3    1
Name: A, dtype: int64
<class 'pandas.core.series.Series'>
0    1
1    1
2    1
3    1
Name: A, dtype: int64

4. 增加列数据

df_obj[new_col_idx] = data

类似Python的 dict添加key-value

import numpy as np

# 通过ndarray构建DataFrame
import pandas as pd

# 通过dict构建DataFrame
dict_data = {'A': 1,
             'B': pd.Timestamp('20191210'),
             'C': pd.Series(1, index=list(range(4)),dtype='float32'),
             'D': np.array([3] * 4,dtype='int32'),
             'E': ["Python","Java","Android++","C"],
             'F': 'loaderman' }

df_obj2 = pd.DataFrame(dict_data)
# 增加列
df_obj2['G'] = df_obj2['D'] + 4
print(df_obj2.head())

效果：

   A          B    C  D          E          F  G
0  1 2019-12-10  1.0  3     Python  loaderman  7
1  1 2019-12-10  1.0  3       Java  loaderman  7
2  1 2019-12-10  1.0  3  Android++  loaderman  7
3  1 2019-12-10  1.0  3          C  loaderman  7

5. 删除列

del df_obj[col_idx]

import numpy as np

# 通过ndarray构建DataFrame
import pandas as pd

# 通过dict构建DataFrame
dict_data = {'A': 1,
             'B': pd.Timestamp('20191210'),
             'C': pd.Series(1, index=list(range(4)), dtype='float32'),
             'D': np.array([3] * 4, dtype='int32'),
             'E': ["Python", "Java", "Android++", "C"],
             'F': 'loaderman'}

df_obj2 = pd.DataFrame(dict_data)
# 增加列
df_obj2['G'] = df_obj2['D'] + 4
print(df_obj2.head())
# 删除列
del (df_obj2['G'])
print(df_obj2.head())

效果：

   A          B    C  D          E          F  G
0  1 2019-12-10  1.0  3     Python  loaderman  7
1  1 2019-12-10  1.0  3       Java  loaderman  7
2  1 2019-12-10  1.0  3  Android++  loaderman  7
3  1 2019-12-10  1.0  3          C  loaderman  7
   A          B    C  D          E          F
0  1 2019-12-10  1.0  3     Python  loaderman
1  1 2019-12-10  1.0  3       Java  loaderman
2  1 2019-12-10  1.0  3  Android++  loaderman
3  1 2019-12-10  1.0  3          C  loaderman

Pandas的索引操作

索引对象Index

1. Series和DataFrame中的索引都是Index对象

import numpy as np

# 通过ndarray构建DataFrame
import pandas as pd

# 通过dict构建DataFrame
dict_data = {'A': 1,
             'B': pd.Timestamp('20191210'),
             'C': pd.Series(1, index=list(range(4)), dtype='float32'),
             'D': np.array([3] * 4, dtype='int32'),
             'E': ["Python", "Java", "Android++", "C"],
             'F': 'loaderman'}

df_obj2 = pd.DataFrame(dict_data)
# 通过dict构建Series
year_data = {2001: 17.8, 2002: 20.1, 2003: 16.5}
ser_obj = pd.Series(year_data)

print(type(ser_obj.index))
print(type(df_obj2.index))
print(df_obj2.index)

效果：

<class 'pandas.core.indexes.numeric.Int64Index'>
<class 'pandas.core.indexes.numeric.Int64Index'>
Int64Index([0, 1, 2, 3], dtype='int64')

2. 索引对象不可变，保证了数据的安全

# 索引对象不可变
df_obj2.index[0] = 2

效果：

raise TypeError("Index does not support mutable operations")
TypeError: Index does not support mutable operations

常见的Index种类

• Index，索引
• Int64Index，整数索引
• MultiIndex，层级索引
• DatetimeIndex，时间戳类型

Series索引

1. index 指定行索引名

import pandas as pd

ser_obj = pd.Series(range(5), index = ['a', 'b', 'c', 'd', 'e'])
print(ser_obj.head())

效果：

a    0
b    1
c    2
d    3
e    4
dtype: int64

2. 行索引

ser_obj[‘label’], ser_obj[pos]

import pandas as pd

ser_obj = pd.Series(range(5), index = ['a', 'b', 'c', 'd', 'e'])

# 行索引
print(ser_obj['b'])
print(ser_obj[2])

效果

1
2

3. 切片索引

ser_obj[2:4], ser_obj[‘label1’: ’label3’]

注意，按索引名切片操作时，是包含终止索引的。

import pandas as pd

ser_obj = pd.Series(range(5), index = ['a', 'b', 'c', 'd', 'e'])

# 切片索引
print(ser_obj[1:3])
print(ser_obj['b':'d'])

效果：

b    1
c    2
dtype: int64
b    1
c    2
d    3
dtype: int64

4. 不连续索引

ser_obj[[‘label1’, ’label2’, ‘label3’]]

import pandas as pd

ser_obj = pd.Series(range(5), index = ['a', 'b', 'c', 'd', 'e'])

# 不连续索引
print(ser_obj[[0, 2, 4]])
print(ser_obj[['a', 'e']])

效果：

a    0
c    2
e    4
dtype: int64
a    0
e    4
dtype: int64

5. 布尔索引

import pandas as pd

ser_obj = pd.Series(range(5), index = ['a', 'b', 'c', 'd', 'e'])

# 布尔索引
ser_bool = ser_obj > 2
print(ser_bool)
print(ser_obj[ser_bool])

print(ser_obj[ser_obj > 2])

效果

a    False
b    False
c    False
d     True
e     True
dtype: bool
d    3
e    4
dtype: int64
d    3
e    4
dtype: int64

DataFrame索引

1. columns 指定列索引名

import pandas as pd

import numpy as np

df_obj = pd.DataFrame(np.random.randn(5,4), columns = ['a', 'b', 'c', 'd'])
print(df_obj.head())

效果

          a         b         c         d
0  0.768207 -0.828292  0.050348 -0.737844
1 -1.532876  0.261017  1.191702  0.661960
2  0.736359  1.902244 -0.475106  0.554105
3  0.096775  0.487364 -0.875836 -1.011496
4 -1.723229  0.483649 -0.139809  1.968255

2. 列索引

df_obj[[‘label’]]

import pandas as pd

import numpy as np

df_obj = pd.DataFrame(np.random.randn(5, 4), columns=['a', 'b', 'c', 'd'])

# 列索引
print(df_obj['a'])  # 返回Series类型
print(df_obj[['a']])  # 返回DataFrame类型
print(type(df_obj[['a']]))  # 返回DataFrame类型

效果

0    1.060989
1   -1.693514
2   -0.315455
3    0.679558
4    1.108019
Name: a, dtype: float64
          a
0  1.060989
1 -1.693514
2 -0.315455
3  0.679558
4  1.108019
<class 'pandas.core.frame.DataFrame'>

3. 不连续索引

df_obj[[‘label1’, ‘label2’]]

import pandas as pd

import numpy as np

df_obj = pd.DataFrame(np.random.randn(5, 4), columns=['a', 'b', 'c', 'd'])

# 不连续索引
print(df_obj[['a','c']])

效果：

          a         c
0 -0.059479 -0.639038
1  1.222235 -0.508763
2 -1.030170  1.424272
3  0.116193  1.714186
4  0.900865  1.545013

高级索引：标签、位置和混合

Pandas的高级索引有3种

1. loc 标签索引

DataFrame 不能直接切片，可以通过loc来做切片

loc是基于标签名的索引，也就是我们自定义的索引名

import pandas as pd

import numpy as np

df_obj = pd.DataFrame(np.random.randn(5, 4), columns=['a', 'b', 'c', 'd'])
# 通过list构建Series
ser_data = {"a": 17.8, "b": 20.1, "c": 16.5,"d":12}
ser_obj = pd.Series(ser_data)
# 标签索引 loc
# Series
print(ser_obj['b':'d'])
print(ser_obj.loc['b':'d'])

# DataFrame
print(df_obj['a'])

# 第一个参数索引行，第二个参数是列
print(df_obj.loc[0:2, 'a'])

效果：

b    20.1
c    16.5
d    12.0
dtype: float64
b    20.1
c    16.5
d    12.0
dtype: float64
0    1.110840
1   -0.629939
2    0.012856
3    2.038906
4   -2.497636
Name: a, dtype: float64
0    1.110840
1   -0.629939
2    0.012856
Name: a, dtype: float64

2. iloc 位置索引

作用和loc一样，不过是基于索引编号来索引

 

import pandas as pd

import numpy as np

df_obj = pd.DataFrame(np.random.randn(5, 4), columns=['a', 'b', 'c', 'd'])
# 通过list构建Series
ser_data = {"a": 17.8, "b": 20.1, "c": 16.5,"d":12}
ser_obj = pd.Series(ser_data)
# 整型位置索引 iloc
# Series
print(ser_obj[1:3])
print(ser_obj.iloc[1:3])

# DataFrame
print(df_obj.iloc[0:2, 0]) # 注意和df_obj.loc[0:2, 'a']的区别

效果：

b    20.1
c    16.5
dtype: float64
b    20.1
c    16.5
dtype: float64
0   -1.554571
1   -0.307958
Name: a, dtype: float64

3. ix 标签与位置混合索引

ix是以上二者的综合，既可以使用索引编号，又可以使用自定义索引，要视情况不同来使用，

如果索引既有数字又有英文，那么这种方式是不建议使用的，容易导致定位的混乱。

目前显示已过时不再推荐使用！

注意

DataFrame索引操作，可将其看作ndarray的索引操作

标签的切片索引是包含末尾位置的