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
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
用户1250179
发布于 2018-08-02 16:35:43
发布于 2018-08-02 16:35:43
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]: True1.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：
- 概念：概念是什么？
- 定义：如何对其定义？
- 限制：使用期有何限制？
- 访问：访问其内数据的方式是什么？
- 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 pd3.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: int643.2 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: object3.3 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]: 13.4 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: object3.4.2 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: object3.4.3 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: object4.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 M4.2 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 F4.2.3 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
1 224.3 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 GZ4.3.2 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 M4.3.3 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，分享自作者个人站点/博客。
原始发表：2018.06.29 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录