本篇内容介绍了“Pandas的Series和DataFrame怎么创建”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：空间域名、网页空间、营销软件、网站建设、苍溪网站维护、网站推广。
Pandas是使用Python语言开发的用于数据处理和数据分析的第三方库。它擅长处理数字型数据和时间序列数据，当然文本型的数据也能轻松处理。 Pandas 可以处理的数据格式非常多，常见的数据文件格式都可以快速导入，比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
Pandas 的主要数据结构有两种，分别是： Series （一维数据）与 DataFrame（二维数据）;所以后面的内容也是围绕着这两部门展开的；
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。即：Series 与Numpy 数组基本是一样的，只不过多了数据标签（索引）；
Series 格式： pandas.Series( data, index, dtype, name, copy)
参数说明：
| 参数 | 解释说明 |
|---|---|
| data | 一组数据(ndarray 类型) ，即Numpy数据； |
| 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。（不常用） |
| copy | 拷贝数据，默认为 False。（不常用） |
Series 举例：
import pandas as pd a = ['x','y','z'] b = [1,2,3] mynum1 = pd.Series(b) print(mynum1) # 0 1 # 1 2 # 2 3 mynum2 = pd.Series(b,index=a) print(mynum2) # x 1 # y 2 # z 3 # dtype: int64 mynum3 = pd.Series(b,index=a,dtype=float) print(mynum3) # x 1.0 # y 2.0 # z 3.0 # dtype: float64
注意事项：
一般情况下，当我们导入pandas的时候，都会将Pandas重命名为pd（因为大家都这么做；）
当不指定index时，会默认index是一个从0开始的整数数组，即：0,1,2....；例如：上例中的mynum1；
当不指定dtype时，pandas会自己判断一个最合适的数据类型；例如：上例中的mynum2；
也可以自己指定index与dtype, 这样pandas会按照我们指定的数据生成；例如：上例中的mynum3；
类似于二维数组的对象，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；可以当作是许多个共用同一个索引的Series组成的数据结构；DataFrame 图解如下：
上图所表示的就是一个由n 个Series组成的DataFrame; 所有的Series 共享同一个Index ;
DataFrame 格式：pandas.DataFrame( data, index, columns, dtype, copy)
参数说明：
| 参数 | 解释说明 |
|---|---|
| data | 一组数据(ndarray 类型) ，即Numpy数据； |
| index | 数据索引标签，也可称为行标签 |
| columns | 数据列标签，如果不指定，默认从 0 开始。也可称为列标签。 |
| dtype | 数据类型，默认会自己判断。 |
| copy | 拷贝数据，默认为 False。（不常用） |
不指定Index的时候，用单个数值只能创建一个元素的Series;
mySer = pd.Series(2) print(mySer) # 0 2 # dtype: int64
通过指定Index 可以生成多个相同元素的Series，举例如下：
mySer = pd.Series(2,index=range(3)) print(mySer) # 0 2 # 1 2 # 2 2 # dtype: int64
当不指定Index的时候，会默认生成RangeIndex(start=0, stop=n-1, step=1)的Index; 举例如下：
lis = [3,4,5] mySer = pd.Series(lis) print(mySer) # 0 3 # 1 4 # 2 5 # dtype: int64 print(mySer.index) # RangeIndex(start=0, stop=3, step=1) print(mySer.values) # [3 4 5]
也可以指定Index, 举例如下：
lis = [3,4,5] ind = ["马里奥","路易吉","林克"] mySer = pd.Series(lis,index=ind) print(mySer) # 马里奥 3 # 路易吉 4 # 林克 5 # dtype: int64 print(mySer.index) # Index(['马里奥', '路易吉', '林克'], dtype='object') print(mySer.values) # [3 4 5]
dic = {'马里奥':3,'路易吉':4,'林克':5}
mySer = pd.Series(dic)
print(mySer)
# 马里奥 3
# 路易吉 4
# 林克 5
# dtype: int64
print(mySer.index)
# Index(['马里奥', '路易吉', '林克'], dtype='object')
print(mySer.values)
# [3 4 5]array = np.array([0, 1, 2, 3]) mySer = pd.Series(array) print(mySer) # 0 0 # 1 1 # 2 2 # 3 3 # dtype: int32 print(mySer.index) # RangeIndex(start=0, stop=4, step=1) print(mySer.values) # [0 1 2 3]
dict1 = {'马里奥':[2,3,4],'路易吉':[5,6,7],'林克':[8,9,0]}
df = pd.DataFrame(dict1,index=["英雄%s"%i for i in range(1,4)])
print(df)
# 马里奥 路易吉 林克
# 英雄1 2 5 8
# 英雄2 3 6 9
# 英雄3 4 7 0ser1 = pd.Series(np.arange(0,5,1))
ser2 = pd.Series(np.arange(5,10,1))
df = pd.DataFrame({'A':ser1,'B':ser2})
print(df)
# A B
# 0 0 5
# 1 1 6
# 2 2 7
# 3 3 8
# 4 4 9arr = np.arange(9).reshape(3,3) df = pd.DataFrame(arr,columns=['A','B','C'],index=['IN1','IN2','IN3']) print(df) # A B C # IN1 0 1 2 # IN2 3 4 5 # IN3 6 7 8
lis1=[1,2,3]
lis2=[2,3,4]
df = pd.DataFrame({'A':lis1,'B':lis2},index=['IN1','IN2','IN3'])
print(df)
# A B
# IN1 1 2
# IN2 2 3
# IN3 3 4“Pandas的Series和DataFrame怎么创建”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！
