实验8 Pandas基础知识.pptxVIP

Pandas基础知识实验八

课程学习目标了解Pandas的基础知识初步了解Pandas的数据类型

Pandas简介Pandas为Python+data+analysis的组合缩写，是Python中基于NumPy和Matplotlib的第三方数据分析库，与NumPy和Matplotlib共同构成了Python数据分析的基础工具包，享有“数据分析三剑客”之名。正因为Pandas是在NumPy基础上实现，其核心数据结构与NumPy的Ndarray十分相似，但Pandas与NumPy的关系不是替代，而是互为补充。Pandas在数据处理上比NumPy更加强大和智能。

Pandas的特点Pandas是基于NumPy的一种工具，为了解决数据分析任务而创建。Pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使用户快速便捷地处理数据的函数和方法。Pandas是使Python成为强大而高效的数据分析环境的重要因素之一。Pandas的强大让人毋庸置疑，一个集数据审阅、处理、分析、可视化于一身的工具，非常好用。

Pandas处理数据分析的流程读取数据：Pandas提供强大的IO读取工具，csv格式、Excel文件、数据库等都可以非常简便地读取，对于大数据，pandas也支持大文件的分块读取。数据清洗：如何有效处理缺失值，Pandas把各种类型数据类型的缺失值统一称为NaN,Pandas提供许多方便快捷的方法来处理这些缺失值NaN。建模阶段：Pandas自动且明确的数据对齐特性，非常方便地使新的对象可以正确地与一组标签对齐，有了这个特性，Pandas就可以非常方便地将数据集进行拆分-重组操作。结果展示：Pandas提供了内置的绘图功能,可以直接使用DataFrame和Series对象的plot方法进行快速的可视化,同时也可以与Matplotlib结合进行更加复杂的可视化操作。读取数据-数据清洗-分析建模-结果展示

Pandas和NumPy的区别NumPy和Pandas在数据处理方面各有优劣，需要根据实际需求选择合适的库。如果需要处理结构化数据，如表格型数据或时间序列数据等，可以使用Pandas；如果需要进行数值计算、模型建立等科学计算问题，则可以使用NumPy。在实际应用中，两者也可以结合使用，以充分发挥各自的优势。如果装了Anaconda，Pandas不用单独安装即可使用。在JupterNotebook中，通常使用如下方法导入Pandas包：importpandasaspd

Pandas核心数据结构Pandas核心数据结构有两种——一维的Series和二维的DataFrame，两者的关系像表格中的行与整个表的关系。Series即一维数组，与Python中标准数据结构List很像，可以把它想象为表格中的列。对于列数据，用户可以做什么？可以取任意行的数据、可以取指定行的数据、还可以修改相应的数据，这在Series中也可以实现，对应的分别是Series的切片、索引和修改。DataFrame即二维数组，也可以说是表。同样的也可以把它理解成整个表格。想象一下，对于表格数据，用户可以做什么？可以对列增删改、可以对行增删改、当然对“单元格”数据也可以操作。

Pandas的主要功能Pandas支持了非常丰富的文件类型，即它可以读取和保存多种类型的数据，如：excel文件、csv文件、json文件、sql文件，甚至html文件等，这对用户获取数据很方便。

Pandas数据结构data：一维数组，ndarray类型或普通列表等；index：数据索引标签，如果不指定默认从0开始；dtype：数据类型；name：设置数据集名称；copy：是否拷贝数据，默认为False。一维数组Seriespandas.Series(data,index,dtype,name,copy)Series类似于表格中的行或列，可以保存任何数据类型。

例8.1通过列表创建一个数组存储几个人的名字。importpandasaspd#创建一个包含几个人的名字的列表aa=[Zhangsan,Lisi,Wangwu]#使用pd.Series将列表a转换为Pandas的Series对象#Series是一种类似于一维数组的对象，带有标签（索引）print(pd.Series(a))一维数组SeriesPandas数据结构观察结果可以发现，其自动编排索引，且默认索引从0开始，但是发现这里dtype是object，变量a中输入的是str类型，为什么会出现这个问题呢？其原因在于ndarray，在ndarray中，每个元素必须要有相同的字节，如int64，float64都是八字节，而st