Python Pandas被定义为一个开源库,可在Python中提供高性能的数据处理。本教程适用于初学者和专业人士。
它用于Python中的数据分析,由 Wes McKinney 在2008年开发。无涯教程的教程提供了Python Pandas的所有基本和高级概念,例如Numpy,数据操作和时间序列。
Pandas被定义为一个开源库,可在Python中提供高性能的数据处理。pandas的名称源自 Panel Data 一词,它用于Python中的数据分析,由 Wes McKinney 在 2008 中开发。
数据分析需要大量处理,例如重组(restructuring),清理(cleaning)或合并(merging)等。有多种工具可用于快速数据处理,例如 Numpy,Scipy ,Cython 和 Panda 。但是无涯教程更喜欢Pandas,因为与Pandas一起工作比其他工具更快,更简单且更具表现力。
Pandas构建在 Numpy 软件包之上,这意味着操作Pandas需要 Numpy 。
在Pandas之前,Python能够进行数据准备,但是它仅提供了有限的数据分析支持。因此,Pandas崭露头角,并增强了数据分析的函数。无论数据的来源如何,它都可以执行处理和分析数据所需的五个重要步骤,即加载(load),操作(manipulate),准备(prepare),建模(model)和分析(analyze)。
与使用其他语言相比,pandas的好处如下:
pandas提供了两种用于处理数据的数据结构,即 Series 和 DataFrame ,下面将对此进行讨论:
它被定义为能够存储各种数据类型的一维数组。系列的行标签称为索引(index)。无涯教程可以使用" series"方法轻松地将列表,元组和字典转换为series。Series不能包含多列。它具有一个参数:
数据(Data) - 它可以是任何列表,字典或标量值。
在创建系列之前,首先,无涯教程必须导入numpy模块,然后在程序中使用array()函数。
import pandas as pd import numpy as np info = np.array(['P','a','n','d','a','s']) a = pd.Series(info) print(a)
输出
0 P 1 a 2 n 3 d 4 a 5 s dtype: object
在此代码中,首先,无涯教程导入了 pandas 和 numpy 库以及 pd 和 np 别名。然后,无涯教程获取了一个名为" info"的变量,该变量由一些值的数组组成。无涯教程已经通过 Series 方法调用了 info 变量,并将其定义为" a "变量。该系列已通过调用 print(a)方法进行打印。
它是pandas的一种广泛使用的数据结构,可与带有标记轴(行和列)的二维数组一起使用。 DataFrame被定义为存储数据的标准方式,并具有两个不同的索引,即行索引和列索引。它包含以下属性:
无涯教程可以使用list在Pandas中轻松创建一个DataFrame。
import pandas as pd # 字符串列表 x = ['Python', 'Pandas'] # 在列表中调用 DataFrame 构造函数 df = pd.DataFrame(x) print(df)
输出
0 0 Python 1 Pandas
说明:在此代码中,无涯教程定义了一个名为" x"的变量,该变量由字符串值组成。在列表上调用DataFrame构造函数以打印值。
- Pandas DataFrame
- DataFrame.hist函数
- DataFrame.transpose函数
- DataFrame.to_excel函数
- DataFrame.sum函数
- DataFrame.sort函数
- DataFrame.shift函数
- DataFrame.sample函数
- DataFrame.query函数
- DataFrame.pivot_table函数
- DataFrame.merge函数
- DataFrame.melt函数
- DataFrame.mean函数
- DataFrame.iterrows函数
- DataFrame.head函数
- DataFrame.aggregate函数
- DataFrame.groupby函数
- DataFrame.drop_duplicates函数
- DataFrame.describe函数
- DataFrame.count函数
- DataFrame.astype函数
- DataFrame.assign函数
- DataFrame.apply函数
- DataFrame.append函数
- DataFrame.transform函数
- DataFrame.rename函数
- DataFrame.join函数
- DataFrame.cut函数
- DataFrame.where函数
祝学习愉快!(内容编辑有误?请选中要编辑内容 -> 右键 -> 修改 -> 提交!)