介绍pandas的两种数据结构

对于Python而言，坊间早有这种说法：在有了 pandas之后，Python才算有了数据分析的能力。在此之前，要想用Python来做数据分析，可能就没那么友好了，可见pandas在学习数据分析时候的重要程度。对于 pandas来说，很多功能的实现也是要基于科学计算库 numpy的，所以 numpy+ pandas的组合在Python数据分析中就显得尤为关键。

从本篇开始，小编就给大家详细讲解 pandas的基本用法和应用案例，熟悉R的朋友们也可以将其与R的数据分析功能进行对比，定能有所收获。本篇先对 pandas的数据结构进行介绍，跟R大不相同的是，Python并没有太多不同的数据结构和对象， pandas中主要包括 Series和 DataFrame两种数据结构。

Series

Series有点类似于 numpy中的一维数组对象，一般由一组数据和数据相关的标签或者索引构成，由一组数构成最简单的 Series如下：

from numpy import *

from pandas import *

创建 Series：

obj = Series([-1,3,-4,6])

print(obj)

0 -1

1 3

2 -4

3 6

dtype: int64

可以看到的是，由一组数创建的 Series对象索引在左边，值在右边。我们也可以通过索引和值标签分别访问相应的对象：

#Series对象值

obj.values

array([-1, 3, -4, 6], dtype=int64)

#Series对象索引

obj.index

RangeIndex(start=0, stop=4, step=1)

当然，我们可以在创建Series对象的时候就对索引进行标记或者命名：

#对Series索引进行命名或者标记

obj2 = Series([-1,3,-4,6],index = ['a','b','c','d'])

print(obj2)

a -1

b 3

c -4

d 6

dtype: int64

#查看索引

obj2.index

Index(['a', 'b', 'c', 'd'], dtype='object')

根据 Series索引访问对象值：

obj2['a']

-1

obj2[['a','b','c']]

a -1

b 3

c -4

dtype: int64

也可以对Series对象进行数组运算：

obj2[obj2 > 0]

b 3

d 6

dtype: int64

obj2*2

a -2

b 6

c -8

d 12

dtype: int64

np.exp(obj2)

a 0.367879

b 20.085537

c 0.018316

d 403.428793

dtype: float64

除了直接以数组形式创建 Series对象之外，通过字典来生成 Series也是较为普遍的做法：

nba = {'Kobe Bryant':30.3,'Allen Iverson':29.4,'Tracy McGrady':30.1,'Vince Carter':25.6}

obj3 = Series(nba)

print(obj3)

AllenIverson 29.4

KobeBryant 30.3

TracyMcGrady 30.1

VinceCarter 25.6

dtype: float64

创建完之后可以对 Series对象和索引进行命名：

obj3.name = 'nbastats'

obj3.index.name = 'player'

print(obj3)

player

AllenIverson 29.4

KobeBryant 30.3

TracyMcGrady 30.1

VinceCarter 25.6

Name: nbastats, dtype: float64

另外， Series索引可以随时进行更改：

obj3.index = ['A.Iverson','K.Bryant','T.McGrady','V.Carter']

print(obj3)

A.Iverson 29.4

K.Bryant 30.3

T.McGrady 30.1

V.Carter 25.6

Name: nbastats, dtype: float64

除了上述创建 Series对象的方法以外，从 DataFrame中单独拿出一行也可以用来创建 Series。关于 Series数据结构的基本内容就介绍到这里，下面看 DataFrame。

DataFrame

说到 DataFrame，可能大家更熟悉的是R语言中的 data.frame，Python中的 DataFrame跟它也较为类似。在Python中， DataFrame是一个表格型的数据结构，它含有一组有序的列，每列的数据类型可以不一样，与R中的数据框相比，Python中的 DataFrame行列操作较为平衡。 构建DataFrame方法很多，最常用的是直接传入一个由等长列表或NumPy数组组成的字典：

data = {'city':['LAL','HOU','PHI','TOR'],

'year':[1996,1997,1996,1997],

'score':[30.3,30.1,29.4,25.6]}

frame = DataFrame(data)

frame

city score year

0 LAL 30.3 1996

1 HOU 30.1 1997

2 PHI 29.4 1996

3 TOR 25.6 1997

可以看到，字典在转化为数据框的过程中，键是作为列名而存在的。

#按指定列进行排列

DataFrame(data,columns=['year','city','score'])

year city score

0 1996 LAL 30.3

1 1997 HOU 30.1

2 1996 PHI 29.4

3 1997 TOR 25.6

根据字典传入时，若是指定列找不到数据则会自动填补为缺失：

#若传入的列找不到数据则会产生NA

frame2 = DataFrame(data,columns=['year','city','score','assist'],

index=[1,2,3,4])

print(frame2)

year city score assist

11996 LAL 30.3 NaN

21997 HOU 30.1 NaN

31996 PHI 29.4 NaN

41997 TOR 25.6 NaN

如前述，我们可以通过 data.frame来获取一个 Series对象：

frame2['city']

1 LAL

2 HOU

3 PHI

4 TOR

Name: city, dtype: object

frame2.score

1 30.3

2 30.1

3 29.4

4 25.6

Name: score, dtype: float64

也可以通过 loc方法访问 DataFrame的行：

frame2.loc[3]

year 1996

city PHI

score 29.4

assist NaN

Name: 3, dtype: object

对缺失的变量进行重新赋值：

frame2['assist']=5.6

print(frame2)

year city score assist

11996 LAL 30.3 5.6

21997 HOU 30.1 5.6

31996 PHI 29.4 5.6

41997 TOR 25.6 5.6

按索引传入时，没有被指定的记录产生缺失：

val = Series([4.5,3.9],index=[1,4])

frame2['assist']=val

print(frame2)

year city score assist

11996 LAL 30.3 4.5

21997 HOU 30.1 NaN

31996 PHI 29.4 NaN

41997 TOR 25.6 3.9

对于嵌套字典转化为 DataFrame，一般外层字典的键作为列，内层字典的键作为行索引：

nba = {'kobe':{2005:35.6,2006:32.1},'McGrady':{2005:26.7,2006:24.3}}

frame3 = DataFrame(nba)

print(frame3)

McGrady kobe

2005 26.735.6

2006 24.332.1

关于pandas的两种基本数据结构Series和DataFrame，小编就暂且介绍到这里了，关于如何在实际的数据分析过程熟练使用这两种数据结构的基本操作，小编在后续的推文中会进一步的讲解。