目录
0 总结
0.1pd.Dataframe有一个比较麻烦琐碎的地方，就是引号 和括号
0.2 pd.Dataframe关于括号的原则
0.3 分清楚几个数据类型和对应的方法的范围
0.4 几个数据结构的构造关系
list → np.array(list) → pd.Series(np.array)/pd.Dataframe
python%20%C2%A0pandas.Dataframe-toc" style="margin-left:0px;">1 python 里的 pandas.Dataframe
2 pd.concat() 可以合并 pd.Dataframe
2.1 pd.concat() 合并规则
3 pd.Dataframe.drop() 删除行列的操作
4 pd.Dataframe 列操作
5 pd.Dataframe 行操作
5.1 sample_dataframe2.head(n=2) 取前面的n行，不能任意
5.2 sample_dataframe2.query("查询条件")取前面的n行，不能任意
6 可以用pd.Dataframe().query() 方法 同时进行行和列筛选！
pandas.Series(%EF%BC%89-toc" style="margin-left:0px;">7 序列 pandas.Series(）
7.1 什么是序列
7.2 将pd.Dataframe取出1列会变成pd.Series
7.3 序列 pd.series 和数组array() 的转化
0 总结
0.1pd.Dataframe有一个比较麻烦琐碎的地方，就是引号 和括号
- ""用的比较多，记住这个原则：
- pd.Dataframe所有的方法里，基本都是加一个""括起来基本就够了，很少有多处多重引号的。
0.2 pd.Dataframe关于括号的原则
- 关于括号，记住一个原则
- 1层括号，一般表示一维数组，比如pd.Dataframe[]取出来的一般都是1列/1行等
- 2层括号，一般表示2维数组，比如pd.Dataframe[[]] 取出来的一般都是一个子二维表
- 有些地方需要多层的中括号，[] ， 比如 [ [ ] ]
0.3 分清楚几个数据类型和对应的方法的范围
- python原生的
- 原生类型，列表list，list=[1,2,3],
- 原生方法 range(1,10,1)
- 对应的数据类型，数组array，arr1=np.array([1,2,3])
- 专有方法np.arange(1,10,1)，np.arange(start=1,stop=10,step=1)，
0.4 几个数据结构的构造关系
list → np.array(list) → pd.Series(np.array)/pd.Dataframe
- python原生的
- 列表list，list1=[1,2,3],
- numpy里
- 直接用列表生成np的数组array， arr1=np.array(list1)
- 用 np.array 为内容，直接生成pd.Series=pd.Series(np.array())
- 用 np.array 为列，生成pd.Dataframe({key1: np.array(),key2: np.array()})
- 取出pd.Dataframe的某列，生成pd.Series
- pd.Series.values()= np.array
python%20%C2%A0pandas.Dataframe">1 python 里的 pandas.Dataframe
- 本质是一个二维表
- 特殊点，在于多了一个默认的序号列
- 语法
- pd.Dataframe({key1:value1,key2:value2})
2 pd.concat() 可以合并 pd.Dataframe
2.1 pd.concat() 合并规则
- pd.concat() 语法
- pd.concat([pd.Dataframe1,pd.Dataframe1],axis=0/1)
- pd.concat() 可以指定合并的方向，默认是axis=0，也就是按行的方向合并
- pd.concat() 可以指定合并的方向，如果是axis=1，就是按列的方向进行合并
import numpy as np
import pandas as pd
import scipy as sp# 可以用list 生成np.array()
sample_array1=np.array([1,2,3])
sample_array2=np.array([10,20,30])
sample_array3=np.array([100,200,300])# 进一步，可以用np.array()生成pd.Series
# 注意pd.Series 首字母一定大写
sample_series1=pd.Series(sample_array1)
print(sample_series1)
print()# 进一步，也可以用np.array()生成pd.DataFrame
# 注意pd.DataFrame 首字母一定大写
sample_dataframe1=pd.DataFrame({"col1":sample_array1,"col2":sample_array2,"col3":sample_array3,})
print(sample_dataframe1)
print()sample_dataframe2=pd.DataFrame({"col1":sample_array1,"col2":sample_array2+1,"col3":sample_array3+1,})
print(sample_dataframe2)
print()print(pd.concat([sample_dataframe1,sample_dataframe2])) # pd.concat()默认合并是axis=0, 按行合并
print()print(pd.concat([sample_dataframe1,sample_dataframe2],axis=1))
print()
3 pd.Dataframe.drop() 删除行列的操作
- pd.Dataframe.drop()
- pd.Dataframe.drop("行名/列名",axis=0/1)
- axis=0 是行
- 注意：列名一般是字符串，如 "col1"
- 注意：行名一般是数字，如 1
4 pd.Dataframe 列操作
- pd.Dataframe 数据帧
- 操作列的办法有两种
- 直接引用 pd.Dataframe 对象的属性，pd.Dataframe.列名（不加字符串引号）
- 类切片的列操作方法
- pd.Dataframe["列名1"]
- pd.Dataframe[["列名1","列名2","列名3"]] #注意是双层中括号
5 pd.Dataframe 行操作
- 行操作有两种方法
- sample_dataframe2.head() 方法
- sample_dataframe2.query()方法
5.1 sample_dataframe2.head(n=2) 取前面的n行，不能任意
- n 只能是前面的连续列
print(sample_dataframe2)
print()
print(sample_dataframe2.head(n=2))
5.2 sample_dataframe2.query("查询条件")取前面的n行，不能任意
- sample_dataframe2.query("查询条件")
- sample_dataframe2.query("可以是任意的一个行条件，不要求非是index的值！")
- sample_dataframe2.query("条件1 | 条件2") # or 关系
- sample_dataframe2.query("条件1& 条件2") # and关系
6 可以用pd.Dataframe().query() 方法 同时进行行和列筛选！
print(sample_dataframe2.query("col3==301")[["col2","col3"]])
pandas.Series(%EF%BC%89">7 序列 pandas.Series(）
7.1 什么是序列
- 特殊之处：默认带一个序号列
- 可以认为是带 序号的 数组/列表
- pandas.Series( data, index, dtype, copy)
data：输入的数据，可以是列表、常量、ndarray 数组等。
index：索引值必须是唯一的，与data的长度相同，默认为np.arange(n)
dtype：数据类型
copy：是否复制数据，默认为false
7.2 将pd.Dataframe取出1列会变成pd.Series
- 将pd.Dataframe取出1列会变成pd.Series
- 也就是说 pd.Series 是 pd.Dataframe 的其中1列！
- 注意方法不同有差别
- 如果是单取出1列，生成pd.Series
- 如果是单取出多列，生成的只是更小的pd.Dataframe，并不是pd.Series，很好理解，不要搞错。
print(sample_dataframe2)
print()
print(sample_dataframe2.col2)
print()
print(sample_dataframe2["col2"])
print()
print(sample_dataframe2[["col2"]])
print()print(type(sample_dataframe2))
print()
print(type(sample_dataframe2.col2))
print()
print(type(sample_dataframe2["col2"]))
print()
print(type(sample_dataframe2[["col2"]]))
7.3 序列 pd.series 和数组array() 的转化
- pd.series.values 即可以生成对应的 np.array() 数组！
print(sample_dataframe2)
print()
print(sample_dataframe2.col2)
print()
print(sample_dataframe2.col2.values)
print()print(type(sample_dataframe2))
print()
print(type(sample_dataframe2.col2))
print()
print(type(sample_dataframe2.col2.values))
print()
