Python科学计算、数据处理与分析课件 (4).pptx

Python科学计算、数据处理与数据分析;第3章Pandas基础;第2章NumPy基础;NumPy虽然提供了方便的数组功能，但是它缺少数据处理和数据分析的快速工具。Pandas是基于NumPy的一种工具，这个工具是为了解决数据处理、数据分析任务而创建的，它包含的数据结构和数据处理工具使得用户在Python中进行数据处理和数据分析非常快捷

在本书后续内容中，我们会使用如下的方式导入Pandas。

importPandasaspd

;学习Pandas，需要了解Series和DataFrame，它们是Pandas中最常用的两个数据结构对象。

3.1.1Series对象

Series是一种一维的数组型对象，它除了包含值序列外（与NumPy中的一维ndarry类型相似），还包含数据标签，后面我们称其为索引（index）。;Series对象与NumPy中的一维数组类似，二者与Python基本的数据结构List也很相近。它们的区别如下。

①List中的元素可以是不同的数据类型，而NumPy中的一维数组和

Series对象则只允许存储相同数据类型的元素，这样可以更有效地使用内存，提高运算效率。

②Series对象与NumPy中的一维数组的不同之处是Series对象除了有值序列外，还有数据标签，而NumPy中的数组没有数据标签。

③Series对象中的数据必须是一维的，而NumPy中的数组可以是多维的。

④Series对象定义了NumPy中的ndarray数组的接口_array_()，因此NumPy函数可以直接操作Series对象。;Series对象不仅存储值序列，而且存储数据标签，因此每个Series对象都具有两个属性。

①index属性：RangeIndex索引对象，如果创建Series对象时不指定index属性，那么系统会默认生成，默认生成的索引是从0到N-1（N是数据长度）。

②values属性：保存元素值的ndarray数组，NumPy函数都是对此进行操作。;最简单的Series对象可以仅由一个列表生成

ser=pd.Series([1,2,3])(未指定索引)

ser1=pd.Series([1,2,3,4,5],index=[‘a’,‘b’,‘c’,‘d’,‘e’])（指定索引）

除了从列表创建Series对象，还可以从字典、NumPy的ndarray数组、range()函数等创建Series对象。

【实例】从字典创建Series对象（不指定index属性）。

In[5]:dictSer=pd.Series({a:11,b:12,c:13,d:14,e:15,f:16})从字典创建Series对象时，如果不指定index属性，那么Series对象的index属性默认是字典的键

;【实例】从字典创建Series对象并指明index属性，且index属性是字典键中的部分值。

In[6]:dictSer=pd.Series({a:10,b:40,c:5,d:90,e:35,f:40},index=[a,b,e])

从字典生成Series对象，并且在Series对象中设置index属性时，如果index属性是字典中的部分键值，就相当于从字典中挑选数据。

;【实例】从字典创建Series对象并指明index属性，且index属性中存在部分标签不在字典的键中。

In[7]:dictSer=pd.Series({a:10,b:40,c:5,d:90,e:35,f:40},index=[a,b,e,k])

index属性中的标签k没有出现在字典的键中，它对应的值是NaN，这是Pandas中标记缺失值的方式。除此之外，因为字典键c并没有出现在索引中，所以它被排除在输出结果之外。

;【实例】从ndarray数组创建Series对象。

In[8]:arr1=np.array([11,12,13,14,15])

arr2=np.array([a,b,c,d,e])

serp=pd.Series(arr1,index=arr2)

Series对象定义了NumPy的ndarray数组的接口_array_()，因此NumPy函数可以直接操作Series对象。例如，使用布尔值数组进行过滤，与标量进行算术运算，或是应用数学函数，并且这些操作都会保存index属性的值连接。

In[9]:arr1[serp12]

In[10]:serp*2

In[11]:np.exp(serp)

;对于很多应用来说，在数学运算中自动对齐index属性是Series对象的一个非常有用的特性。

;Series对象本身和其索引对象都有name属性，这个特性与Pandas的其他功能集成在一起，所以一定要掌握它的name属性。