当前位置： 首页 > news >正文

广告网站设计公司 作用外贸推广平台排名

news 2025/8/8 21:33:28
广告网站设计公司 作用,外贸推广平台排名,免费ppt模板素材免费下载,绍兴建站公司模板pandas概述 pandas ：pannel data analysis（面板数据分析）。pandas是基于numpy构建的，为时间序列分析提供了很好的支持。pandas中有两个主要的数据结构，一个是Series，另一个是DataFrame。 数据结构 Series…

pandas概述

pandas ：pannel data analysis（面板数据分析）。pandas是基于numpy构建的，为时间序列分析提供了很好的支持。pandas中有两个主要的数据结构，一个是Series，另一个是DataFrame。

数据结构 Series

Series 类似于一维数组与字典(map)数据结构的结合。它由一组数据和一组与数据相对应的数据标签（索引index）组成。这组数据和索引标签的基础都是一个一维ndarray数组。可将index索引理解为行索引。
Series的表现形式为：索引在左，数据在右。
• 获取数据和索引：ser_obj.index, ser_obj.values

• 预览数据：ser_obj.head(n), ser_obj.tail(n)

使用一维数组生成Series
import  pandas as pd
from  pandas import Series,DataFrameprint('用一维数组生成Series')
x=Series([1,2,3,4])
print(x)
"""
用一维数组生成Series
0    1
1    2
2    3
3    4
dtype: int64
"""
print(x.values)   #[1 2 3 4]
print(x.index)    #RangeIndex(start=0, stop=4, step=1)print('指定Series的index')  #可将index理解为行索引
x=Series([1,2,3,4],index=['a','b','c','d'])
print(x)
"""
指定Series的index
a    1
b    2
c    3
d    4
dtype: int64
"""
print(x.index)      #Index(['a', 'b', 'c', 'd'], dtype='object')
print(x['a'])       # 通过行索引来取得元素值：1
x['d'] = 6          # 通过行索引来赋值print(x[['c','a','d']])     # 类似于numpy的花式索引
"""
c    3
a    1
d    6
dtype: int64
"""print(x[x>2])       # 类似于numpy的布尔索引,value>2
"""
c    3
d    6
dtype: int64
"""print('b' in x )    # 类似于字典的使用：是否存在该索引：True
print('e' in x )    # False
用字典生成Series
data={'a':1,'b':2,'d':3,'c':4}
x=Series(data)
print(x)
"""
a    1
b    2
d    3
c    4
dtype: int64
"""#使用字典生成Series,并指定额外的index，不匹配的索引部分数据为NaN
exindex=['a','b','c','e']
y=Series(data,index=exindex)    # 类似替换索引
print(y)
"""
a    1.0
b    2.0
c    4.0
e    NaN
dtype: float64
"""#Series相加，相同行索引相加，不同行索引则数值为NaN
print(x+y)
"""
a    2.0
b    4.0
c    8.0
d    NaN
e    NaN
dtype: float64
"""# 指定Series/索引的名字
y.name='weight of letters'
y.index.name='letter'
print(y)
"""
letter
a    1.0
b    2.0
c    4.0
e    NaN
Name: weight of letters, dtype: float64
"""#替换index,不匹配的索引部分数据为NaN
y.index=['a','b','c','f']
print(y)
"""
a    1.0
b    2.0
c    4.0
f    NaN
Name: weight of letters, dtype: float64
"""

数据结构 DataFrame

DataFrame是一个类似表格的数据结构，索引包括列索引和行索引，包含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame的每一行和每一列都是一个Series，这个Series的name属性为当前的行索引名/列索引名。

  • 通过列索引获取列数据（Series类型 ）：df_obj[col_idx]或 df_obj.col_idx

  • .ix，标签与位置混合索引
    在这里插入图片描述
    在这里插入图片描述

可输入给DataFrame构造器的数据：
在这里插入图片描述
DataFrame的使用代码示例：

import  pandas as  pd
from  pandas import  DataFrame,Series
import  numpy as  np#使用字典生成DataFrame,Key为列的名字
data={'state':['ok','ok','good','bad'],'year':[2000,2001,2002,2003],'pop':[3.7,3.6,2.4,0.9]}
print(DataFrame(data))      # 行索引index默认为0，1，2，3
"""state  year  pop
0    ok  2000  3.7
1    ok  2001  3.6
2  good  2002  2.4
3   bad  2003  0.9
"""#指定列索引columns,不匹配的列为NaN
print(DataFrame(data,columns=['year','state','pop','debt']))
"""year state  pop debt
0  2000    ok  3.7  NaN
1  2001    ok  3.6  NaN
2  2002  good  2.4  NaN
3  2003   bad  0.9  NaN
"""#指定行索引  index
x=DataFrame(data,columns=['year','state','pop','debt'],index=['one','two','three','four'])
print(x)
"""year state  pop debt
one    2000    ok  3.7  NaN
two    2001    ok  3.6  NaN
three  2002  good  2.4  NaN
four   2003   bad  0.9  NaN
"""#'DataFrame元素的索引与修改
print(x['state'])       # 返回一个名为state的Series
"""
one        ok
two        ok
three    good
four      bad
Name: state, dtype: object
"""print(x.state)      # 可直接用.进行列索引
"""
one        ok
two        ok
three    good
four      bad
Name: state, dtype: object
"""print(x.ix['three'])        # 用.ix[]来区分[]进行行索引
"""
year     2002
state    good
pop       2.4
debt      NaN
Name: three, dtype: object
"""x['debt'] = 16.5      #修改一整列数据
print(x)
"""year state  pop  debt
one    2000    ok  3.7  16.5
two    2001    ok  3.6  16.5
three  2002  good  2.4  16.5
four   2003   bad  0.9  16.5
"""x.debt = np.arange(4)      # 用numpy数组修改元素
print(x)
"""year state  pop  debt
one    2000    ok  3.7     0
two    2001    ok  3.6     1
three  2002  good  2.4     2
four   2003   bad  0.9     3
"""# 用Series修改元素，没有指定的默认数据用NaN
val=Series([-1.2, -1.5, -1.7, 0], index = ['one', 'two', 'five', 'six'])
x.debt = val    #DataFrame 的行索引不变
print(x)
"""year state  pop  debt
one    2000    ok  3.7  -1.2
two    2001    ok  3.6  -1.5
three  2002  good  2.4   NaN
four   2003   bad  0.9   NaN
"""#给DataFrame添加新列
x['gain'] = (x['debt'] > 0)    #如果debt大于0为True
print(x)
"""year state  pop  debt   gain
one    2000    ok  3.7  -1.2  False
two    2001    ok  3.6  -1.5  False
three  2002  good  2.4   NaN  False
four   2003   bad  0.9   NaN  False
"""#列的名称
print(x.columns)
#Index(['year', 'state', 'pop', 'debt', 'gain'], dtype='object')#DataFrame转置
print(x.T)
"""one    two  three   four
year    2000   2001   2002   2003
state     ok     ok   good    bad
pop      3.7    3.6    2.4    0.9
debt    -1.2   -1.5    NaN    NaN
gain   False  False  False  False
"""#使用切片初始化数据，未匹配的的数据为NaN
pdata={'state':x['state'][0:3],'pop':x['pop'][0:2]}
y=DataFrame(pdata)
print(y)
"""state  pop
one      ok  3.7
three  good  NaN
two      ok  3.6
"""#指定索引和列的名称
#与Series的index.name相区分
y.index.name = '序号'
y.columns.name = '信息'
print(y)
"""
信息    state  pop
序号              
one      ok  3.7
three  good  NaN
two      ok  3.6
"""print(y.values)
"""
[['ok' 3.7]['good' nan]['ok' 3.6]]
"""

df.assign()：指定新的列（如果列名已存在，则替换；如果不存在，在添加该列），返回一个新的 DataFrame，不对原始的 DataFrame 进行修改；

# 接收 lambda 型函数对象，
>> df = DataFrame({'A':range(1, 6), 'B':np.random.randn(5)})
>> df.assign(ln_A=lambda x: np.log(x.A))A         B      ln_A
0   1  0.456539  0.000000
1   2  1.022736  0.693147
2   3 -0.158207  1.098612
3   4  0.951304  1.386294
4   5 -1.024661  1.609438# 此时 df 本身并未发生任何改变；
>> df.assign(A = range(21, 26))A         B
0  21  0.456539
1  22  1.022736
2  23 -0.158207
3  24  0.951304
4  25 -1.024661

set_index()：将某列设置为索引列；

索引对象

pandas的索引对象负责管理轴标签和轴名称等。构建Series或DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一个Index对象。 Index对象是不可修改的，Series和DataFrame中的索引都是Index对象。
在这里插入图片描述

from  pandas import  Index
from  pandas import Series,DataFrame
import  numpy as  np#获取Index对象
x = Series(range(3),index= ['a','b','c'])
index = x.index
print(index)        #Index(['a', 'b', 'c'], dtype='object')
print(index[0:2])   #Index(['a', 'b'], dtype='object')try:index[0] = 'd'
except:print("Index is immutable")"""
Index is immutable
"""#构造/使用Index对象'
index = Index(np.arange(3))
obj2 = Series([1.5,-2.5,0], index= index)
print(obj2)
"""
0    1.5
1   -2.5
2    0.0
dtype: float64
"""
print( obj2.index is index)     #True#判断列/行索引是否存在
data= {'pop':{2.4, 2.9},'year':{2001, 2002}}x=DataFrame(data)
print(x)
"""pop          year
0  {2.4, 2.9}  {2001, 2002}
1  {2.4, 2.9}  {2001, 2002}
"""print('pop' in x.columns)       #True
print( 1 in x.index)            #True

基本功能

对列/行索引重新指定索引（删除/增加：行/列）：reindex函数

reindex的method选项：
在这里插入图片描述
在这里插入图片描述

#重新指定索引及NaN填充值
x= Series([4,7,5],index= ['a','b','c'])
y= x.reindex(['a','b','c','d'])
print(y)
"""
a    4.0
b    7.0
c    5.0
d    NaN
dtype: float64
"""## fill_value 指定不存在元素NaN的默认值
print(x.reindex(['a','b','c','d']), fill_value = 0)
"""
a    4
b    7
c    5
d    0
dtype: int64
"""#新指定索引并指定填充NaN的方法
x=Series('blue','purple', index= [0,2])
print(x.reindex(range(4)),method='ffill')
'''
0      blue
1      blue
2    purple
3    purple
dtype: object
'''#对DataFrame重新指定行/列索引
x= DataFrame(np.arange(9).reshape(3,3),index= ['a','c','d'],columns=['A','B','C'])print(x)
'''A  B  C
a  0  1  2
c  3  4  5
d  6  7  8
'''x= x.reindex(['a', 'b', 'c', 'd'],method='bfill')
print(x)
'''A  B  C
a  0  1  2
b  3  4  5
c  3  4  5
d  6  7  8
'''#重新指定column
states=['A', 'B', 'C', 'D']
x.reindex(columns = states, fill_value= 0)
print(x)
'''A  B  C  D
a  0  1  2  0
b  3  4  5  0
d  6  7  8  0
c  3  4  5  0
'''#????
print(x.ix[['a', 'b', 'd', 'c'], states])
'''A  B  C  D
a  0  1  2  0
b  3  4  5  0
d  6  7  8  0
c  3  4  5  0
'''
删除（丢弃）整一行/列的元素：drop函数
from  pandas import  Index
from  pandas import Series,DataFrame
import  numpy as  np
import pandas as pd#Series根据行索引删除行
x= Series(np.arange(4),index= ['a','b','c','d'])
print(x.drop('c'))
'''
a    0
b    1
d    3
dtype: int32
'''#  花式删除
print(x.drop(['a','b']))
'''
c    2
d    3
dtype: int32
'''#DataFrame根据索引行/列删除行/列
x = DataFrame(np.arange(16).reshape((4, 4)),index = ['a', 'b', 'c', 'd'],columns = ['A', 'B', 'C', 'D'])print(x)
'''A   B   C   D
a   0   1   2   3
b   4   5   6   7
c   8   9  10  11
d  12  13  14  15
'''print(x.drop(['A','B'],axis= 1))    # 在列的维度上删除AB两行
'''C   D
a   2   3
b   6   7
c  10  11
d  14  15
'''print(x.drop('a',axis= 0))          # 在行的维度上删除行
'''A   B   C   D
b   4   5   6   7
c   8   9  10  11
d  12  13  14  15
'''print(x.drop(['a','b'],axis= 0))
'''A   B   C   D
c   8   9  10  11
d  12  13  14  15
'''
http://www.lbrq.cn/news/2628577.html

相关文章：

  • 做投资的网站久久seo综合查询
  • 焦作市建设银行网站谷歌收录查询工具
  • 平顶山河南网站建设简述什么是网络营销
  • 广州上宏网站建设如何建立网站
  • 电话网络营销是什么上海高玩seo
  • 网络规划与设计需求分析学seo需要多久
  • bootstrap风格网站seo最新
  • 做网站图片太大好吗seo的定义
  • 便捷的大连网站建设123网址之家
  • 最新永久4虎最新人口谷歌优化技巧
  • 17做网站广州起做网店让百度收录自己的网站
  • 沧州网站建设推广凡科网站建站教程
  • 外贸soho怎么建网站二十条优化
  • 手机上怎么制作网站吗windows优化大师会员兑换码
  • 网站怎么做劫持老域名购买
  • 万网注册域名的步骤深圳网站搜索优化工具
  • 怎么在.Net中做团购网站北京做的好的seo公司
  • 北京网站建设手机app电子商务女装标题优化关键词
  • 深圳网页开发快速排名优化
  • 有谁有做卫生纸巾的网站东莞seo关键词排名优化排名
  • 56网站可以做电子相册贴吧推广400一个月
  • 万众城网站建设成都百度推广公司联系电话
  • 网站公安备案 查询百度知道合伙人官网登录入口
  • 怎么给网站做关键词足球进球排行榜
  • 怎么做网站解析什么平台发广告最有效
  • 湖南网站建设seo优化怎么做百度推广平台
  • 做公司网站怎么做手机版西安快速排名优化
  • 欧美做视频网站有哪些百度网站关键词排名助手
  • 设计网站首页多少钱新闻头条最新消息今天
  • 北京网站设计制作上海谷歌seo
  • 【MySQL基础篇】：MySQL事务并发控制原理-MVCC机制解析
  • 基于Python的实习僧招聘数据采集与可视化分析，使用matplotlib进行可视化
  • 单链表专题---暴力算法美学(1)(有视频演示）
  • RabbitMQ-日常运维命令
  • 数据结构（4）
  • 【android bluetooth 协议分析 03】【蓝牙扫描详解 4】【BR/EDR扫描到设备后如何上报给app侧】