pandas入门：数据类型与Series创建详解

本资源主要介绍Pandas库的基础操作，Pandas是Python中广泛使用的数据分析工具，它提供两种主要的数据结构：Series和DataFrame。以下是详细内容： 1. **Pandas常用数据类型**： - **Series**: 一维带标签的数组，类似于Python的字典，但提供了更丰富的索引功能。Series的数据可以是任何类型，包括数值、字符串等。在示例中，`pd.Series([1,2,3,4])` 创建了一个整数型的Series，其默认索引是0到3。 - **DataFrame**: 二维表格型数据结构，由一系列的列（Series）组成，每一列可以有不同的数据类型。DataFrame支持复杂的数据操作和分析。 2. **创建Series**： - 直接创建：使用`pd.Series`函数，可以传入一个数组，如`np.arange(12)`，并指定索引。例如，`pd.Series(np.arange(12), index=list(string.ascii_uppercase[:12]))` 创建了一个包含字母和对应数字的Series。 - 通过字典创建：将数据映射到对应的键上，如`a = {string.ascii_uppercase[i]: i for i in range(10)}`，然后转化为Series。 3. **处理索引对不上的情况**： 如果索引长度与数据长度不匹配，Series会填充缺失值（NaN）。例如，`pd.Series(a, index=list(string.ascii_uppercase[5:15]))` 会产生带有NaN值的Series。 4. **Series的切片和索引**： - 切片操作：使用方括号`[]`进行，可以指定开始、结束和步长。例如，`t[1:4:2]` 返回索引从1到4（不包括4），步长为2的子集。 - 索引：可以使用单个索引获取特定元素，或者使用布尔索引来选择满足条件的元素。 这些基础操作是理解和使用Pandas进行数据预处理、清洗和分析的关键步骤。熟练掌握这些操作有助于在实际项目中高效地处理和分析数据。后续章节可能还会介绍DataFrame的创建、数据选择、数据过滤、合并和分组等高级操作，这些都是数据分析过程中不可或缺的技能。