python資料分析筆記---Pandas等基礎知識程式碼（1）
Pandas的資料結構 Seires
import
pandas
as
pd
import
numpy
as
np
s1
=
pd
。
Series
（［
1
，
2
，
3
，
4
，
5
］）
s1
type
（
s1
）
arr1
=
np
。
arange
（
1
，
6
）
arr1
#一個程式碼行只輸出最後一個 需要多列印每個加print
s2
=
pd
。
Series
（
arr1
）
s2
s2
=
pd
。
Series
（
arr1
，
index
=
［
‘a’
，
‘b’
，
‘c’
，
‘d’
，
‘e’
］）
s2
s1
。
values
s1
。
index
#透過字典建立
dict
=
{
‘name’
：
‘李寧’
，
‘age’
：
18
，
‘class’
：
‘三班’
}
s3
=
pd
。
Series
（
dict
，
index
=
［
‘name’
，
‘age’
，
‘class’
，
‘sex’
］）
s3
## Series 基本用法
s3
。
isnull
（）
s3
。
notnull
（）
（
s3
。
index
）
（
s3
。
values
）
s3
［
1
］
#標籤名
s3
［
‘age’
］
#選取多個
s3
［［
1
，
3
］］
s3
［［
‘name’
，
‘age’
］］
#切片
s3
［
1
：
3
］
s3
［
‘name’
：
‘class’
］
#標籤切片包含末端資料
s2
#布林索引
s2
［
s2
>
3
］
#索引與資料的對應關係不被運算結果影響
（
s2
*
2
）
（
s2
>
2
）
#name 屬性
s2
。
name
=
‘temp’
#物件名
s2
。
index
。
name
=
‘year’
#物件索引名
s2
s2
。
head
（）
s2
。
tail
（
2
）
Pandas資料結構 DataFrame
import pandas as pd
import numpy as np
#構造一個字典
data={‘a’：［1，2，3，4］，
‘b’：（5，6，7，8），
‘c’：np。arange（9，13）}
#構造dataframe
frame=pd。DataFrame（data）
frame
#index屬性檢視行索引
frame。index
#cloumns屬性檢視列索引
frame。columns
#valuse屬性檢視值
frame。values
#指定index
frame=pd。DataFrame（data，index=［‘A’，‘B’，‘C’，‘D’］，columns=［‘a’，‘b’，‘c’，‘d’］）
frame
#Series 構成的字典構造dataframe
pd1=pd。DataFrame（{‘a’：pd。Series（np。arange（3）），
‘b’：pd。Series（np。arange（3，5））}）
pd1
#字典構造成的字典構造dataframe
data1={
‘a’：{‘apple’：3。6，‘banana’：5。6}，
‘b’：{‘apple’：3，‘banana’：5}，
‘c’：{‘apple’：3。2}
}
pd2=pd。DataFrame（data1）
pd2
#構造二維陣列物件
arr1=np。arange（12）。reshape（4，3）
frame1=pd。DataFrame（arr1）
frame1
#字典構成的列表構造dataframe 注意和字典構成的字典的差異 行列不同
l1= ［{‘apple’：3。6，‘banana’：5。6}，{‘apple’：3，‘banana’：5}，{‘apple’：3。2}］
pd3=pd。DataFrame（l1）
pd3
l2=［pd。Series（np。random。rand（3）），pd。Series（np。random。rand（2））］
pd4=pd。DataFrame（l2）
pd4
pd5=pd。DataFrame（np。arange（9）。reshape（3，3），index=［‘a’，‘c’，‘b’］，columns=［‘A’，‘B’，‘C’］）
pd5
pd5。T
pd5［‘A’］
print（type（pd5［‘A’］））
pd5［‘D’］=［1，2，3］
pd5
del（pd5［‘D’］）
pd5
Pandas索引操作
import pandas as pd
import numpy as np
#Series 和DataFrame中的索引都是index物件
ps=pd。Series（range（5），index=［‘a’，‘b’，‘c’，‘d’，‘e’］）
ps
pd1=pd。DataFrame（np。arange（9）。reshape（3，3），index=［‘a’，‘b’，‘c’］，columns=［‘A’，‘B’，‘C’］）
pd1
ps［0］=2
ps
#索引物件不可變 保證資料安全 此程式碼報錯
ps。index［0］=2
ps
## 常見的index種類
Index 索引
Int64Index 整數索引
Multilndex 層級索引
Datetimelndex 時間戳索引
#reindex 建立一個符合新索引的新物件
ps2=ps。reindex（［‘a’，‘b’，‘c’，‘d’，‘e’，‘f’］）
ps2
#結果f 顯示NAN
#行索引重建
pd2=pd1。reindex（［‘a’，‘b’，‘c’，‘d’］）
pd
#列索引重建
pd3=pd1。reindex（columns=［‘C’，‘B’，‘A’］）
pd3
#增 操作
ps
ps［‘g’］=9
ps
s1=pd。Series（{‘f’：999}）
ps3=ps。append（s1）
ps3
pd1
pd1［4］=9
pd1
#增加列
pd1［4］=［10，11，12］
pd1
#插入
pd1。insert（0，‘E’，［9，99，999］）
pd1
#增加行
pd1［］［4］=［1，2，3，4，5］
pd1 #此程式碼語法錯誤
#標籤索引loc
pd1。loc［‘d’］=［1，1，1，1，1］
pd1
row={‘E’：6，‘A’：6，‘B’：6，‘C’：6，4：6}
pd5=pd1。append（row） #此程式碼語法錯誤 TypeError（‘Can only append a Series if ignore_index=True’
pd5
row={‘E’：6，‘A’：6，‘B’：6，‘C’：6，4：6}
pd5=pd1。append（row，ignore_index=True）
pd5
#del
ps
del ps［‘b’］
ps
pd1
del pd1［‘E’］
pd1
del pd1［‘d’］
pd1 #此程式碼錯誤 del只能刪除列
#drop 刪除軸上資料
#刪除一條
ps6=ps。drop（‘g’）
ps6 #產生一個新的變數 也就是說在ps上不刪除 但是在新的ps6上刪除了
#刪除多條
ps。drop（［‘c’，‘d’］）
#dataframe
pd1。drop（‘a’）
pd1。drop（［‘a’，‘d’］）
#刪除列
pd1。drop（‘A’，axis=1） #axis 1是刪除列 0是行 刪除是特殊情況
pd1。drop（‘A’，axis=‘columns’）
#inplace 屬性 在原物件上刪除 並不會返回新的物件
ps
ps。drop（‘g’，inplace=True）
ps
# 改 操作
ps1=pd。Series（range（5），index=［‘a’，‘b’，‘c’，‘d’，‘e’］）
print（type（ps1。index））
ps1
pd1=pd。DataFrame（np。arange（9）。reshape（3，3），index=［‘a’，‘b’，‘c’］，columns=［‘A’，‘B’，‘C’］）
pd1
ps1［‘a’］=999
ps1
ps1［0］=888
ps1
#物件 列
pd1。A=6
pd1
#變成增加列操作
pd1［‘a’］=777
pd1
#loc 標籤索引
pd1。loc［‘a’］=777
pd1
pd1。loc［‘a’，‘A’］=1000
pd1
#查 操作
#Series
#1。行索引
ps1
ps1［‘a’］ #標籤索引
ps1［0］ #位置索引
#位置切片索引
ps1［1：4］
#標籤切片索引 按照索引名切片操作 包含最終索引
ps1［‘b’：‘e’］
#不連續索引
ps1［‘b’，‘e’］ #語法錯誤
ps1［［‘b’，‘e’］］
ps1［［0，2，3］］
#布林索引
ps1>2
ps1［ps1>2］
#dataframe
pd1
#列索引
pd1［‘A’］
pd1［［0］］ #報錯 位置索引不能這麼用
#取多列
pd1［［‘A’，‘C’］］
#選取一個值
pd1［‘A’］［‘a’］
#切片
pd1［：2］ #獲取前兩行
高階索引
loc 標籤索引
iloc 位置索引
ix標籤與位置混合索引
#loc 標籤索引
#loc 是基於標籤名的索引自定義索引名
ps1［‘a’：‘c’］
pd1
pd1。loc［0：2，‘A’］ #第一個引數是索引行 第二個是列 這是錯的
pd1。loc［‘a’：‘b’，‘A’］
pd1。loc［‘a’：‘b’，‘A’：‘C’］
#iloc位置索引
ps1。iloc［1：3］
pd1。iloc［0：2，0：3］
#混合使用ix標籤與位置索引
ps1。ix［1：3］
pd1。ix［0：2，0］ #只供瞭解 已經棄用了
