前言

Python是一门实现数据可视化很好的语言，他们里面的很多库可以很好的画出图形，形象明了。

今天我们就来说说:Pandas数据分析核心支持库

初识Pandas：

Pandas 是 Python 语言的一个扩展程序库，用于数据分析。

Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。

Pandas 名字衍生自术语 “panel data”（面板数据）和 “Python data analysis”（Python 数据分析）。

Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算），其次数series，还有一个DataFrame，这三个比较常用。

Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。

Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。

Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。

Pandas的主体：

Pandas 的主要数据结构是 Series （一维数据）与 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。

Series:带标签的一维同构数组，一种类似于一维数组的对象，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。

DataFrame：带标签，大小可变，二维异构表格。一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

Pandas的安装：

终端输入，如果你跟我一样使用Anaconda中的Jupyter进行代表编写的话，也可以在Anaconda的终端里输入，之后就可以直接用了，他是Python中的一个库，使用不需要安装什么其他软件，拥有Python编译器即可。

pip install pandas

Pandas的应用：

1：导入pandas库

import pandas as pd

2：pandas之series

Pandas Series 类似表格中等一个列（column），类似于一维数组，可以保存任何数据类型 Series 由索引（index）和列组成，函数如下：

pandas.Series( data, index, dtype, name, copy)

参数说明：

data：一组数据(ndarray 类型)。

index：数据索引标签，如果不指定，默认从 0 开始。

dtype：数据类型，默认会自己判断。

name：设置名称。

copy：拷贝数据，默认为 False。

Demo:

FIrst：

import pandas as pd

a = ["shimmer", "zhuzhu", "recently祝祝"]

myvar = pd.Series(a)

print(myvar)

代码结果：

Second：可修改索引值、

Third:使用字典创建， key/value 对象，类似字典来创建 Series

Fourth:可以通过索引值的指定来取值

3:pandas之Dataframe

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

DataFrame 构造方法如下：

pandas.DataFrame( data, index, columns, dtype, copy)

参数说明：

data：一组数据(ndarray、series, map, lists, dict 等类型)。

index：索引值，或者可以称为行标签。

columns：列标签，默认为 RangeIndex (0, 1, 2, …, n) 。

dtype：数据类型。

copy：拷贝数据，默认为 False。

Demo:

First:指定列标

Second：列分开插入,通过字典的形式创建

Third：使用字典（key/value），其中字典的 key 为列名:

fourth:通过loc取值，类似于列表里x,index【number】取值

Fifth:可以返回多行数据，使用 [[ … ]] 格式，… 为各行的索引，以逗号隔开：

Sixth:指定索引值

Seventh:取指定索引值

本篇就到这吧，希望看完这篇文章对你有用。

总结

到此这篇关于python学习之panda数据分析核心支持库的文章就介绍到这了,更多相关python之panda模块内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！