申明：本系列文章是自己在学习《利用Python进行数据分析》这本书的过程中，为了方便后期自己巩固知识而整理。
首先，需要导入pandas库的Series和DataFrame
In [21]: from pandas import Series,DataFrame In [22]: import pandas as pd
Series
是一种类似一维数组的对象，是一组数据与索引的组合。如果没设置索引，默认会加上。
In [23]: obj = Series([4,3,5,7,8,1,2]) In [24]: obj Out[24]: 0 4 1 3 2 5 3 7 4 8 5 1 6 2 dtype: int64
自定义索引
In [28]: obj = Series([4,3,2,1],index=['a','b','c','d']) In [29]: obj Out[29]: a 4 b 3 c 2 d 1 dtype: int64
获取values和index的值
In [30]: obj.index Out[30]: Index(['a', 'b', 'c', 'd'], dtype='object') In [31]: obj.values Out[31]: array([4, 3, 2, 1], dtype=int64)
通过索引获取Series的元素值
In [32]: obj['c'] Out[32]: 2
还能当字典
In [33]: if 'a' in obj: ...: print("a在对象里！") ...: a在对象里！
也能将字段转换成Series对象（有序）
In [56]: data = {'a':1,'b':2,'c':3,'d':4}
In [57]: obj = Series(data)
In [58]: obj
Out[58]:
a 1
b 2
c 3
d 4
dtype: int64
In [59]: data = {'a':1,'b':2,'d':3,'c':4}
In [60]: obj = Series(data)
In [61]: obj
Out[61]:
a 1
b 2
c 4
d 3
dtype: int64
字典data中，我加一个index会怎样？
In [72]: datas = {'a','b','d','c','e'}
In [73]: objs = Series(data,index=datas)
In [74]: objs
Out[74]:
c 4.0
e NaN
b 2.0
d 3.0
a 1.0
dtype: float64
isnull 检测缺失
In [75]: pd.isnull(objs) Out[75]: c False e True b False d False a False dtype: bool
notnull 检测不缺失
In [76]: pd.notnull(objs) Out[76]: c True e False b True d True a True dtype: bool
Series的检测缺失方法
In [78]: objs.isnull() Out[78]: c False e True b False d False a False dtype: bool In [79]: objs.notnull() Out[79]: c True e False b True d True a True dtype: bool
DataFrame
DataFrame 是表格型数据结构，含有一组有序的列。
In [86]: data = {'class':['语文','数学','英语'],'score':[120,130,140]}
In [87]: frame = DataFrame(data)
In [88]: frame
Out[88]:
class score
0 语文 120
1 数学 130
2 英语 140
In [95]: frame = DataFrame(data) In [96]: frame Out[96]: class score 0 语文 120 1 数学 130 2 英语 140
按指定序列进行排序
In [98]: DataFrame(data,columns={'score','class'})
Out[98]:
score class
0 120 语文
1 130 数学
2 140 英语
NaN补充
In [99]: DataFrame(data,columns={'score','class','teacher'})
Out[99]:
score class teacher
0 120 语文 NaN
1 130 数学 NaN
2 140 英语 NaN
给NaN批量赋值
方法一：
In [107]: frame['teacher'] = '周老师' In [108]: frame Out[108]: score class teacher 0 120 语文 周老师 1 130 数学 周老师 2 140 英语 周老师
方法二：
In [110]: frame.teacher = '应老师' In [111]: frame Out[111]: score class teacher 0 120 语文 应老师 1 130 数学 应老师 2 140 英语 应老师
通过字典标记的方式，可以将DataFrame的列转成一个Series
In [112]: frame.teacher Out[112]: 0 应老师 1 应老师 2 应老师 Name: teacher, dtype: object
将列表或数组赋值给Frame的某一列
In [114]: val = Series(['周老师','应老师','小周周'],index=[0,1,2]) In [115]: frame['teacher'] = val In [116]: frame Out[116]: score class teacher 0 120 语文 周老师 1 130 数学 应老师 2 140 英语 小周周
为Frame创建一个新的列
In [125]: frame['yesorno'] =0 In [126]: frame Out[126]: score class teacher yesorno 0 False 语文 周老师 0 1 True 数学 应老师 0 2 False 英语 小周周 0
创建一个新列，并赋值一个布尔类型的Series
In [119]: frame['yesorno'] = frame.teacher == '应老师' In [120]: frame Out[120]: score class teacher yesorno 0 False 语文 周老师 False 1 True 数学 应老师 True 2 False 英语 小周周 False
删除Frame的列
In [122]: del frame['yesorno'] In [123]: frame Out[123]: score class teacher 0 False 语文 周老师 1 True 数学 应老师 2 False 英语 小周周
嵌套字典
外层字典的键作为Frame的列，内层键作为行索引。
In [10]: from pandas import DataFrame,Series In [11]: data = {'a':{'aa':2,'aaa':3},'b':{'bb':4,'bbb':5}} In [12]: frame = DataFrame(data) In [13]: frame Out[13]: a b aa 2.0 NaN aaa 3.0 NaN bb NaN 4.0 bbb NaN 5.0
索引对象
pandas的索引index其实也是一个对象。由index类继承而衍生出来的还有Int64IndexMultiIndexDatetimeIndexPeriodIndex等。
In [31]: frame.index Out[31]: Index(['aa', 'aaa', 'bb', 'bbb'], dtype='object')
index对象有以下属性（方法）：
insert(i,str)属性的使用案例：
In [31]: frame.index Out[31]: Index(['aa', 'aaa', 'bb', 'bbb'], dtype='object') In [32]: frame.index.insert(5,'fff') Out[32]: Index(['aa', 'aaa', 'bb', 'bbb', 'fff'], dtype='object')