Series是帶標(biāo)簽的一維數(shù)組，可以保存任何數(shù)據(jù)類型，軸標(biāo)簽統(tǒng)稱為索引

Series相比于ndarray，是自帶索引index的數(shù)組，一維數(shù)組+對應(yīng)索引，且索引的切片功能類似

Series相比于dict，Series像是有序的字典，其索引原理與字典相似（字典用key,Series用index）

一、pandas的數(shù)據(jù)結(jié)構(gòu)：Series

1.Series的創(chuàng)建：

(1)方法一：由字典創(chuàng)建 pd.Series(): key就是index--不支持可變序列，values就是values

(2)方法二：通過一維數(shù)組創(chuàng)建 pd.Series()

pd.Series(arr,index=list('abcdefghij'),dtype = np.str,name='test')#默認(rèn)index是0開始步長為1的數(shù)字

注意：參數(shù)index是用來改變索引的,參數(shù)dtype是用來設(shè)置數(shù)值類型的,參數(shù)name是為Series創(chuàng)建名稱

s.name方法：輸出數(shù)組的名稱格式為str，無名稱返回None

s3 = s1.rename('hehe')#.rename()重命名數(shù)組的名稱，并指向新的數(shù)組，原數(shù)組不變

(3)方法三：通過標(biāo)量創(chuàng)建,必須有index參數(shù)表明有多少個值:pd.Series(100,index=range(4))

(4)#索引本身可以不唯一，但是盡量避免

2.Series中.index查看索引/標(biāo)簽（得到的是生成器rangeindex,需要用list查看）?

.value查看值（得到的是ndarray）

3.Series的索引

(1)下標(biāo)索引，類似于列表，指的是未明確的index：s[4]? ?注：s[-1]用-1索引，會報錯

(2)標(biāo)簽索引，指的是明確的index(這里的index是字符串)：s['a']，多標(biāo)簽索引s[['a','b']]：嵌套，返回的是新數(shù)組

(3)切片索引**

s1 = pd.Series(np.random.rand(5))

s2 = pd.Series(np.random.rand(5),index = list('abcde'))

print(s1[1:4])#下標(biāo)索引 ：如果Series沒有明確index標(biāo)簽，切片代表著左閉右開

print(s2['a':'c'])#標(biāo)簽索引：如果Series有index標(biāo)簽，切片就是按照標(biāo)簽索引（也就是左閉右閉）

print(s1[:-1])

print(s2[::2])#下標(biāo)/標(biāo)簽索引可以做切片

(4)布爾型索引：s[bs或s>50]--用[判斷條件]，其中判斷條件可以使語句也可以是布爾型數(shù)組

bs = s.isnull()#數(shù)組判斷后返回由布爾值組成的新數(shù)組

s[4] = None#添加一個空值，或np.nan

4.Series的基本技巧

(1)數(shù)據(jù)查看:默認(rèn)查看五條 s.head()前五條? ?s.tail()后五條

(2)重新索引.reindex():根據(jù)新的索引重新排序，當(dāng)新索引不存在時返回NaN，不是改變index名稱的方法**

s2 = s.reindex(['c','d','e','f'],fill_value = 0)#參數(shù)fill_value缺失值填充

(3)對齊+：按照標(biāo)簽對齊相加值，不對齊的返回NaN

(4)刪除索引（某行）.drop: 參數(shù)inplace默認(rèn)False返回副本 true改變原Series 例：s.drop(['j','s'])刪除多行

(5)添加:直接通過下標(biāo)索引/標(biāo)簽index添加

s1和s2都是Series：s3 = s1.append(s2)**append方法直接添加數(shù)組，生成新數(shù)組；不變之前的數(shù)組

二、pandas的數(shù)據(jù)結(jié)構(gòu)：DataFrame

DataFrame是表格型數(shù)據(jù)結(jié)構(gòu)，帶有標(biāo)簽的二維數(shù)組

DataFrame帶有index行標(biāo)簽和columns列標(biāo)簽

.index查看行標(biāo)簽，DataFrame的index是rangeindex，需要list查看

.columns查看列標(biāo)簽

.values查看值生成二維數(shù)組ndarray

1.DataFrame的創(chuàng)建

(1)方法一：數(shù)組/list組成的字典 pd.DataFrame():字典的key是columns，index默認(rèn)為數(shù)值標(biāo)簽，字典值的長度必須一致--columns可以長度不一致名字要相同，不同的填充NAN? index長度必須一致，名字可以不同

pd.DataFrame(data1,columns = ['c','b','a'],index=['f1','f2'])?#columns可以重新制定列的順序，格式為list,如果沒有該列用NaN填充 ; ##index參數(shù)重新定義index，長度必須保持一致，格式為list

(2)方法二 Series組成的字典創(chuàng)建:column為字典key，index為Series的標(biāo)簽（如果Series沒有指定標(biāo)簽，則是默認(rèn)數(shù)字標(biāo)簽）；***Series可以長度不同，生成的df會出現(xiàn)NaN----columns和?index可以不一致

(3)***常用方法三 通過二維數(shù)組np.random.randn(9).reshape(3,3)直接創(chuàng)建: 不指定index和columns會默認(rèn)數(shù)字標(biāo)簽--columns必須長度一致 index必須長度一致，兩者名字都是現(xiàn)成定義的

(4)方法四 直接用字典組成的列表Json:columns是字典的key，一個字典代表一條數(shù)據(jù)；長度不同會填充空值；--columns可以長度不一致名字要相同，不同的填充NAN? index長度必須一致，名字可以不同

(5)}方法五 由字典組成的嵌套字典:columns為字典的key，index為子字典的key

data = {'Jack':{'math':90,'art':90,'english':78} ***這里的index不會改變原index，不同于原index會返回Nan

2.DataFrame選擇列:數(shù)據(jù)的字段

df = pd.DataFrame(np.random.rand(12).reshape(3,4)*100,index=['one','two','three'],columns = ['a','b','c','d'])

(1)df['a']直接列名,選擇單列返回Series，選擇多列返回DataFrame，不支持切片

3.DataFrame選擇行：數(shù)據(jù)的條數(shù)

(1)df.loc['one']:按照index標(biāo)簽選擇行，支持切片，#選擇單行返回Series(cloumns為索引index)，選擇多行返回DataFrame

data3 = df1.loc['one':'three']#類似于Series標(biāo)簽索引左閉右閉

data4 = df2.loc[0:3]#類似于Series標(biāo)簽索引左閉右閉

(2)data5 = df[:1] #df[切片]為數(shù)字時，默認(rèn)選擇行，且只能進行切片的選擇不能單獨選擇df[0]；返回的是DataFrame，即便選擇一行

(3)df.iloc[-1]、df.iloc[::2]:按照整數(shù)位置索引 #類似于Series下標(biāo)索引左閉右開?#選擇單行返回Series(cloumns為索引index)，選擇多行返回DataFrame

4.布爾型索引??和Series原理相同

(1)全部判斷 b1 = df<20 : 索引結(jié)果保留所有數(shù)據(jù)True返回原數(shù)據(jù)，F(xiàn)alse返回NaN

(2)單列做判斷 b2 = df['a']>50:索引結(jié)果保留單列判斷為True的行數(shù)據(jù)，包括行數(shù)據(jù)

(3)多列做判斷 b3 = df[['a','b']]>50:索引結(jié)果保留所有數(shù)據(jù)，true返回原數(shù)據(jù)，false返回NaN

(4)多行做索引 b4 = df.loc[['one','three']]<50 :?索引結(jié)果保留所有數(shù)據(jù)，true返回原數(shù)據(jù)，false返回NaN

5.多重索引：同時索引行和列--先選擇列后選擇行，相當(dāng)于對數(shù)據(jù)先選擇字段在選擇數(shù)據(jù)量

df = pd.DataFrame(np.random.rand(16).reshape(4,4)*100, index=['one','two','three','four'],columns = ['a','b','c','d'])

print(df['a'].loc[['three','four']])#先列后行

print(df[['b','c','d']].iloc[0:2])#先列后行

print(df[df<50].loc[['one','two']])#先布爾后行

print(df[df<50][['a','b']])#先布爾后列

6.數(shù)據(jù)的查看、轉(zhuǎn)置、刪除、添加、修改

(1)df.head()查看頭部數(shù)據(jù)，默認(rèn)五條? ?df.tail()查看尾部數(shù)據(jù)，默認(rèn)五條

(2)df.T : .T轉(zhuǎn)置

(3)修改/增加列/行 df['e'] = 10? df.loc[4] = 100

(4)del df['a']#刪除列??

(5).drop()刪除行 axis=0默認(rèn) inplace默認(rèn)False刪除后生成新數(shù)據(jù)不改變原數(shù)據(jù);

#刪除列 axis=1

(6)對齊+：DataFrame之間的數(shù)據(jù)自動按照列和索引對齊

(7)排序：按值排序（一列一列的排序） df.sort_values(['a'],ascending = True))#升序 ascending = False降序)--在合適條件下，可以多列排序

(8)排序：按索引排序 df.sort_index()