Pandas 教程介绍 首页PandasPandas 教程

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。我们的教程提供了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简介

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，清理或合并等。有多种工具可用于快速数据处理，例如 Numpy，Scipy ，Cython 和 Panda 。但是我们更喜欢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，操作，准备，建模和分析。

Pandas特点

• 它具有快速高效的DataFrame对象，具有默认的和自定义的索引。
• 用于重塑和旋转数据集。
• 按数据分组以进行汇总和转换。
• 它用于数据对齐和丢失数据的集成。
• 提供时间序列的函数。
• 处理各种格式不同的数据集，例如矩阵数据，表格异构数据，时间序列。
• 处理数据集的多种操作，例如子集，切片，过滤，groupBy，重新排序和重新整形。
• 它与SciPy和scikit-learn等其他库集成。
• 提供快速的性能，如果您想提高性能，甚至可以提高速度，可以使用 Cython 。

Pandas优势

与使用其他语言相比，pandas的好处如下:

• 数据表示形式  -  它以适合于通过其DataFrame和Series进行数据分析的形式表示数据。
• 清除代码          -  Pandas的清除API使您可以专注于代码的核心部分。因此，它为用户提供了清晰简洁的代码。

Pandas数据结构

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:

1)Series

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)。我们可以使用" 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，我们必须导入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，我们导入了 pandas 和 numpy 库以及 pd 和 np 别名。然后，我们获取了一个名为" info"的变量，该变量由一些值的数组组成。我们已经通过 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。

2) DataFrame

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:

• 这些列可以是int，bool等。
• 可以看作是Series结构的字典，其中行和列都被索引了。如果是列，则表示为"columns"；如果是行，则表示为"index"。

我们可以使用list在Pandas中轻松创建一个DataFrame。

import pandas as pd
# a list of strings
x = ['Python', 'Pandas']

# Calling DataFrame constructor on list
df = pd.DataFrame(x)
print(df)

输出

      0
0   Python
1   Pandas

说明:在此代码中，我们定义了一个名为" 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。