默认情况下，pandas中dataframe和series的数学操作的轴向

时间: 2024-05-28 12:12:36 浏览: 41

pandas基本用法

### pandas基本用法 #### 2. 基本说明 Pandas 是一款基于 NumPy 构建的强大数据处理库，极大地简化了数据处理过程。无论是读取还是处理数据，Pandas 都提供了非常便捷的方法。 ##### 2.1 基本的数据结构 Pandas 定义了两种核心数据结构： - **Series**：一维数组，可以存储任何数据类型（整数、字符串、浮点数等），类似于一维数组或字典，具有索引。 - **DataFrame**：二维表格型数据结构，包含一系列有序的列，每列可以是不同的值类型。DataFrame 可以被视为一系列 Series 的集合。 ##### 2.2 代码说明在 Jupyter Notebook 或其他 Python 环境中，首先需要导入 Pandas 库，并通常将其别名为 `pd`，以便于后续使用。 ```python import pandas as pd ``` 接下来详细介绍这两种数据结构的使用方式。 #### 3. Series ##### 3.1 数据形式: Series vs. List **List**：水平方向排列的数据，例如 `[1, 2, 3]`。 **Series**：垂直方向排列的数据，类似于带有索引的列表，例如： | index | data | |-------|------| | 0 | 9 | | 1 | 3 | | 2 | 8 | **示例**： ```python s = pd.Series([9, 3, 8]) print(s) ``` 输出结果： ``` 0 9 1 3 2 8 dtype: int64 ``` ##### 3.2 元素的类型 Series 中的元素类型可以是任意的，包括但不限于整数、浮点数、字符串等。 ##### 3.3 创建 Series, 用 list 可以通过传递一个列表给 `pd.Series()` 来创建 Series 对象。 **示例**： ```python s = pd.Series([100, 'PYTHON', 'Soochow', 'Qiwsir']) print(s) ``` 输出结果： ``` 0 100 1 PYTHON 2 Soochow 3 Qiwsir dtype: object ``` ##### 3.4 自定义索引可以为 Series 的数据指定自定义索引。 **示例**： ```python s = pd.Series([100, 'PYTHON', 'Soochow', 'Qiwsir'], index=['mark', 'title', 'university', 'name']) print(s) ``` 输出结果： ``` mark 100 title PYTHON university Soochow name Qiwsir dtype: object ``` ##### 3.5 根据索引查看及修改可以通过索引来查看和修改 Series 中的数据。 **示例**： ```python s = pd.Series([100, 'PYTHON', 'Soochow', 'Qiwsir'], index=['mark', 'title', 'university', 'name']) # 查看 print(s['title']) # 输出：PYTHON # 修改 s['title'] = 'Java' print(s) ``` 输出结果： ``` title Java mark 100 university Soochow name Qiwsir dtype: object ``` #### 3.6 创建 Series, 用 dict 也可以使用字典来创建 Series。 ##### 3.6.1 创建将字典作为参数传递给 `pd.Series()`。 **示例**： ```python d = {'mark': 100, 'title': 'PYTHON', 'university': 'Soochow', 'name': 'Qiwsir'} s = pd.Series(d) print(s) ``` 输出结果： ``` mark 100 title PYTHON university Soochow name Qiwsir dtype: object ``` ##### 3.6.2 自动对齐当两个 Series 使用相同索引时，它们之间的运算会自动对齐。 **示例**： ```python s1 = pd.Series({'a': 1, 'b': 2}) s2 = pd.Series({'b': 3, 'c': 4}) result = s1 + s2 print(result) ``` 输出结果： ``` a NaN b 5.0 c NaN dtype: float64 ``` ##### 3.6.3 缺省值, NaN 如果索引不完全匹配，则未匹配的索引位置会被填充为 NaN。 **示例**： ```python s1 = pd.Series({'a': 1, 'b': 2}) s2 = pd.Series({'b': 3, 'c': 4}) result = s1 + s2 print(result) ``` 输出结果： ``` a NaN b 5.0 c NaN dtype: float64 ``` ##### 3.7 判断是否为空可以使用两种方法来判断 Series 是否为空。 **方法01, pandas 本身**： ```python print(s.empty) ``` **方法02, Series 对象**： ```python print(len(s) == 0) ``` ##### 3.8 更新索引可以通过 `rename()` 方法更新 Series 的索引。 **示例**： ```python s = pd.Series([100, 'PYTHON', 'Soochow', 'Qiwsir'], index=['mark', 'title', 'university', 'name']) new_index = ['score', 'language', 'location', 'person'] s = s.rename(index=dict(zip(s.index, new_index))) print(s) ``` 输出结果： ``` score 100 language PYTHON location Soochow person Qiwsir dtype: object ``` ##### 3.9 Series 相关运算: + - * 可以进行加、减、乘等运算。 **示例**： ```python s1 = pd.Series([1, 2, 3]) s2 = pd.Series([4, 5, 6]) result = s1 + s2 print(result) ``` 输出结果： ``` 0 5 1 7 2 9 dtype: int64 ``` #### 4. DataFrame ##### 4.1 创建, 通过 dict 可以通过传递字典给 `pd.DataFrame()` 来创建 DataFrame。 **示例**： ```python data = {'Name': ['John', 'Anna', 'Peter', 'Linda'], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data) print(df) ``` 输出结果： ``` Name Age City 0 John 28 New York 1 Anna 24 Paris 2 Peter 35 Berlin 3 Linda 32 London ``` ##### 4.2 columns 的顺序创建 DataFrame 时可以指定列的顺序。 **示例**： ```python data = {'Name': ['John', 'Anna', 'Peter', 'Linda'], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data, columns=['Age', 'Name', 'City']) print(df) ``` 输出结果： ``` Age Name City 0 28 John New York 1 24 Anna Paris 2 35 Peter Berlin 3 32 Linda London ``` ##### 4.3 自定义索引可以为 DataFrame 的行设置自定义索引。 **示例**： ```python data = {'Name': ['John', 'Anna', 'Peter', 'Linda'], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data, index=['one', 'two', 'three', 'four']) print(df) ``` 输出结果： ``` Name Age City one John 28 New York two Anna 24 Paris three Peter 35 Berlin four Linda 32 London ``` ##### 4.4 索引值数目必须与行数相等如果指定索引，则索引的数量必须与 DataFrame 的行数一致。 **示例**： ```python data = {'Name': ['John', 'Anna', 'Peter', 'Linda'], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data, index=['one', 'two', 'three']) ``` 这段代码会抛出异常，因为索引数量与行数不匹配。 ##### 4.5 缺省值, 赋 NaN 可以通过 `np.nan` 为 DataFrame 的特定位置赋予缺失值。 **示例**： ```python import numpy as np data = {'Name': ['John', 'Anna', 'Peter', np.nan], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data) print(df) ``` 输出结果： ``` Name Age City 0 John 28 New York 1 Anna 24 Paris 2 Peter 35 Berlin 3 NaN 32 London ``` ##### 4.6 创建, 通过 '字典套字典' 可以使用嵌套字典创建 DataFrame。 **示例**： ```python data = {'one': {'a': 1, 'b': 2}, 'two': {'a': 3, 'b': 4}} df = pd.DataFrame(data) print(df) ``` 输出结果： ``` one two a 1 3 b 2 4 ``` ##### 4.7 对象的属性及方法 DataFrame 拥有许多有用的属性和方法，例如 `shape`, `head()`, `tail()`, `describe()`, `mean()`, `sum()` 等。 **示例**： ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) print(df.shape) print(df.head()) print(df.tail()) print(df.describe()) print(df.mean()) print(df.sum()) ``` 输出结果： ``` (3, 2) A B 0 1 4 1 2 5 2 3 6 A B 2 3 6 A B count 3.0 3.0 mean 2.0 5.0 std 1.0 1.0 min 1.0 4.0 25% 1.5 4.5 50% 2.0 5.0 75% 2.5 5.5 max 3.0 6.0 A 2.0 B 5.0 dtype: float64 A 6 B 15 dtype: int64 ``` ##### 4.8 赋值, 一列统一赋值可以为 DataFrame 的某一列赋值。 **示例**： ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) df['C'] = 10 print(df) ``` 输出结果： ``` A B C 0 1 4 10 1 2 5 10 2 3 6 10 ``` ##### 4.9 赋值, 点对点可以为 DataFrame 的特定位置赋值。 **示例**： ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) df.loc[0, 'A'] = 10 print(df) ``` 输出结果： ``` A B 0 10 4 1 2 5 2 3 6 ``` ##### 4.10 赋值, 更精准的修改可以通过 `.at[]` 和 `.iat[]` 方法进行更精确的赋值。 **示例**： ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) df.at[0, 'A'] = 10 df.iat[0, 0] = 20 print(df) ``` 输出结果： ``` A B 0 20 4 1 2 5 2 3 6 ``` 以上是关于 Pandas 的基本数据结构 Series 和 DataFrame 的详细介绍，以及如何使用这些数据结构进行基本操作。通过这些介绍，我们可以看出 Pandas 提供了非常灵活且强大的工具来处理数据。

在 Pandas 中，默认情况下，DataFrame 和 Series 对象的数学操作是沿着列（轴 0）进行的。这意味着如果两个对象具有相同的列名，则会对它们的值进行逐一操作。如果要沿着行（轴 1）进行操作，则需要使用 `axis=1` 参数。例如，如果 `df` 是一个 DataFrame 对象，`s` 是一个 Series 对象，则 `df + s` 将对 `df` 的每一列都加上 `s` 中对应的值。如果要对 `df` 的每一行加上 `s` 中对应的值，则需要使用 `df.add(s, axis=1)`。

阅读全文

默认情况下，pandas中dataframe和series的数学操作的轴向

相关推荐

Pandas入门：探索Series和DataFrame操作

Python数据分析：深入理解Pandas Series与DataFrame

Pandas中DataFrame的分组/分割/合并的实现

python pandas中对Series数据进行轴向连接的实例

python pandas 对series和dataframe的重置索引reindex方法

Pandas 重塑(stack)和轴向旋转(pivot)的实现

pandas文档

pandas-challenge

pandas_python

Pandas数据结构：Series 和 DataFrame

数据合并与连接：Pandas中的merge与concat

Pandas数据融合与合并操作：concat, merge, join的深度解读

pandas广播机制默认轴向

pandas series拼接

把两个series数据合并为一个dataframe

pandas使用concat和循环语句

在Python中，如何使用Pandas库进行数据类型转换，并通过astype()和concat()函数实现数据的轴向堆叠？请结合具体的代码示例进行解释。

pandas applay

如何在Pandas中使用concat函数和append方法添加行和列，并比较它们的关键差异？

最新推荐

基于springboot共享经济背景下校园闲置物品交易平台源码数据库文档.zip

基于WoodandBerry1和非耦合控制WoodandBerry2来实现控制木材和浆果蒸馏柱控制Simulink仿真.rar

emcopy042002.zip

(源码)基于Python的遥感图像语义分割系统.zip

(源码)基于Spring Boot的博客管理系统.zip

深入浅出：自定义 Grunt 任务的实践指南

管理建模和仿真的文件

数据可视化在缺失数据识别中的作用

ABB机器人在自动化生产线中是如何进行路径规划和任务执行的？请结合实际应用案例分析。

网络物理突变工具的多点路径规划实现与分析