00.数据结构关于浮点数运算的越界问题1.数据结构2.Pandas的两种常用数据结构3.Series系列4.DataFrame数据框

关于浮点数运算的越界问题

a = 4.2
b = 2.1
a + b
Out[26]: 6.300000000000001

(a + b) == 6.3
Out[27]: False

from decimal import Decimal
a = Decimal('4.2')
b = Decimal('2.1')
a + b
Out[29]: Decimal('6.3')

(a + b) == Decimal('6.3')
Out[30]: True

1.数据结构

指相互之间存在n种特定关系的数据类型的集合。学习方法:

  1. 概念:概念是什么?
  2. 定义:如何对其定义?
  3. 限制:使用期有何限制?
  4. 访问:访问其内数据的方式是什么?
  5. 修改: 对其增删查改的方法什么?

2.Pandas的两种常用数据结构

类型

注释

Series

系列

DataFrame

数据框

使用前需要将pandas 模块引入

from pandas import Series, DataFrame
import pandas as pd

3.Series系列

类似一维数组(ndarray)的对象,由一组数据(各种NumPy数据类型)以及与之相关的数据标签(索引)组成,用于存储一行或一列数据。

index

A

0

张三

1

李四

2

王五

Series对象本质上是NumPy的数组,因此NumPy的数组处理函数可以直接对Series使用。但是Series除了可以使用位置作为下标存取元素之外,还可以使用标签下标存取元素,这一点和字典相似。

每个Series对象都由两个数组组成:

  • index:从NumPy数组继承的Index对象,保存标签信息。
  • values:保存值的NumPy数组。

3.1 创建Series

Series同时具有数组和字典的功能,因此它也支持一些字典的方法。

#创建数组
In [1]: arr=[1,2,3,4]

#创建Series
series_1 = Series(arr)
series_1
Out[146]: 
0    1
1    2
2    3
3    4
dtype: int64

series_2 = Series([1, 2, 3, 4])
series_2
Out[148]: 
0    1
1    2
2    3
3    4
dtype: int64

series_3 = Series([1, 2, '3', 4, 'a'])
series_3
Out[150]: 
0    1
1    2
2    3
3    4
4    a
dtype: object  #类型变成了字符串

#通过字典创建Series
y=Series({'a':1,'b':2,'c':3})
y
Out[19]: 
a    1
b    2
c    3
dtype: int64

3.2 定义Series

from pandas import Series

x = Series(
    ['a', True, 1]
)

Out[34]: x
0       a
1    True
2       1
dtype: object

x = Series(
    ['a', True, 1],
    index=['first', 'second', 'third']
)

Out[36]: x
first        a
second    True
third        1
dtype: object

3.3 访问Series

from pandas import Series

Out[36]: x
first        a
second    True
third        1
dtype: object

#用索引访问
x[1]
Out[39]: True

#用行标签访问
x['third']
Out[40]: 1

3.4 修改Series

3.4.1 增加与查询

Out[36]: x
first        a
second    True
third        1
dtype: object

#增加数据:append()方法,不会修改原值而是返回新值。
#不允许追加单个值,只允许追加一个Series
x.append('2')
TypeError: cannot concatenate a non-NDFrame object

n = Series(['2'])
x.append(n)

Out[45]: 
first        a
second    True
third        1
0            2
dtype: object

#判断值是否在序列中
#错误方法
'2' in x
#正确方法
'2' in x.values

#序列的切片
#范围值(索引)切片
x
Out[47]: 
first        a
second    True
third        1
dtype: object

x[1:3]
Out[46]: 
second    True
third        1
dtype: object

#通过数组指定需要的值
x[[0, 2, 1]]
Out[48]: 
first        a
third        1
second    True
dtype: object

3.4.2 用索引或行标签或值删除值

x
Out[49]: 
first        a
second    True
third        1
dtype: object

x.drop(x.index[0])  #索引
Out[52]: 
second    True
third        1
dtype: object

x.drop('third')  #行标签
Out[53]: 
first        a
second    True
dtype: object

x[True != x.values]  #值
Out[56]: 
first    a
dtype: object

3.4.3 修改

x
Out[3]: 
first        a
second    True
third        1
dtype: object

x['first']='b'
Out[6]: 
first        b
second    True
third        1
dtype: object

4.DataFrame数据框

4.1 创建DataFrame

from pandas import DataFrame
df = DataFrame({
    'age' : [21, 22, 23],
    'name' : ['Aa', 'Bb', 'Cc'],       
    'sex' : ['F', 'F', 'M']
})

df
Out[16]: 
   age name sex
0   21   Aa   F
1   22   Bb   F
2   23   Cc   M

4.2 查询DataFrame

4.2.1 查询行标签与列标签

df
Out[16]: 
   age name sex
0   21   Aa   F
1   22   Bb   F
2   23   Cc   M

#查询行标签
df.index
Out[59]: RangeIndex(start=0, stop=3, step=1)

#查询列标签
df.columns
Out[58]: Index(['age', 'name', 'sex'], dtype='object')

4.2.2 用列标签[[]]或索引查询

df
Out[16]: 
   age name sex
0   21   Aa   F
1   22   Bb   F
2   23   Cc   M

df[['name']]
Out[19]: 
  name
0   Aa
1   Bb
2   Cc

df[['age', 'name', 'sex']]
Out[17]: 
   age name sex
0   21   Aa   F
1   22   Bb   F
2   23   Cc   M

df[1:2]
Out[55]: 
   age name sex
1   22   Bb   F

4.2.3 用loc与iloc查询

df
Out[16]: 
   age name sex
0   21   Aa   F
1   22   Bb   F
2   23   Cc   M

#loc查询:按标签索引,范围包括start和end
df.loc[2]
Out[23]: 
age     23
name    Cc
sex      M
Name: 2, dtype: object

df.loc[1:2]
Out[24]: 
   age name sex
1   22   Bb   F
2   23   Cc   M

#iloc按位置索引,范围不包括end
df.iloc[1]
Out[53]: 
age     22
name    Bb
sex      F
Name: 1, dtype: object

df.iloc[1:2]
Out[54]: 
   age name sex
1   22   Bb   F

#iloc进行[行, 列]号查询,范围不包括end
df.iloc[1:2, 0:1]
Out[28]: 
   age
1   22

4.3 修改DataFrame

4.3.1 增加行和列

df
Out[81]: 
   age name sex
0   21   Aa   F
1   22   Bb   F
2   23   Cc   M

#增加列
df['home'] = ['BJ', 'SH', 'GZ']
Out[83]: 
   age name sex home
0   21   Aa   F   BJ
1   22   Bb   F   SH
2   23   Cc   M   GZ

4.3.2 修改行标签与列标签

df
Out[16]: 
   age name sex
0   21   Aa   F
1   22   Bb   F
2   23   Cc   M

#修改行标签
df.index = range(1,4)
Out[62]: 
   age name sex
1   21   Aa   F
2   22   Bb   F
3   23   Cc   M

#修改列标签
df.columns = ['age1', 'name1', 'sex1']
Out[68]: 
   age1 name1 sex1
0    21    Aa    F
1    22    Bb    F
2    23    Cc    M

4.3.3 删除DataFrame

df
Out[77]: 
   age name sex
0   21   Aa   F
1   22   Bb   F
2   23   Cc   M

#根据行索引删除行:axis=0代表行
df.drop(0, axis=0)  #如果行是标签:df.drop('标签', axis=0)
Out[76]: 
   age name sex
1   22   Bb   F
2   23   Cc   M

#根据列标签删除列:axis=1代表列
df.drop('age', axis=1)
Out[79]: 
  name sex
0   Aa   F
1   Bb   F
2   Cc   M

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏一个会写诗的程序员的博客

《Kotlin极简教程》第四章 Kotlin基础语法表达式Null Check循环枚举遍历Map拼接字符串基本类型

在Kotlin中,所有东西都是对象,所以我们可以调用成员函数和属性的任何变量对象。有些类型是内置的,他们的实现被优化过, 但是用户看起来他们就像普通的类. 本节...

21830
来自专栏Brian

数据分析利器Pandas基本功能

---- 概述 pandas是基于Numpy构建的,让处理数据、分析数据和可视化数据都会变得更加简单,官网Pandas.正如官网所说: pandas is an...

50070
来自专栏漫漫前端路

谈谈 Object.prototype.toString 。

在ECMAScript 5中,Object.prototype.toString()被调用时,会进行如下步骤:

9920
来自专栏Brian

Pandas进阶之数据规整化

---- 概述 在Pandas基本使用简单了介绍了一下Pandas的基本使用和用法,大家如果没有一点基础的同学可以先看一下那篇文章。今天我们来讲解一下Panda...

30030
来自专栏java、Spring、技术分享

数据结构--线段树

  线段树用于处理区间数据的更新与查询问题,不考虑往区间中增加与删除数据的,主要用于统计数据方面的需求,在更新与查询的时间复杂度都为logn级别。线段树不属...

5410
来自专栏小古哥的博客园

读书笔记-JavaScript面向对象编程(二)

第5章 原型 5.1 原型属性(所有函数拥有一个prototype属性,默认为空对象)   5.1.1 利用原型添加方法和属性 function Gadget(...

44980
来自专栏Golang语言社区

go语言json操作指南

1、Go语言的JSON 库   Go语言自带的JSON转换库为 encoding/json 1.1)其中把对象转换为JSON的方法(函数)为 json.Mar...

44680
来自专栏一“技”之长

JavaScript基础之八——全局函数的应用

    JavaScript中提供了一些常用的全局函数,开发者可以直接对其进行调用,示例如下:

10030
来自专栏salesforce零基础学习

salesforce零基础学习(七十八)线性表链形结构简单实现

前两篇内容为栈和队列的顺序结构的实现,栈和队列都是特殊的线性表,线性表除了有顺序结构以外,还有线性结构。 一.线性表的链形结构--链表 使用顺序存储结构好处为实...

24800
来自专栏跟着阿笨一起玩NET

JSON学习总结

7610

扫码关注云+社区

领取腾讯云代金券