数据结构-向量化

`导入相关库
In [2]:

import numpy as np
import pandas as pd
`Pandas常用的数据结构有两种： Series 和 DataFrame (这些数据结构都是构建在Numpy 数组之上的，则意味着效率很高)
Series series 是一个带有名称 & 索引的一堆数组。 ·数据类型可以是整数、浮点数、字符串以及python的对象等！ EG: 我们可以通过series 存储年龄： 18/19/20/21/22 操作： 只需要将要存储的数据构建成一个数组，然后赋值给data 参数即可。
#构建索引
In [3]:

name = pd.Index(["A","B","C","D","E"],name = "name")
In [4]:

#构建Series
age = pd.Series(data=[18,19,20,21,22],index=name, name="user_age")
print(age)
name
A    18
B    19
C    20
D    21
E    22
Name: user_age, dtype: int64
In [ ]:


In [5]:

#指定数据类型为浮点型
age = pd.Series(data=[18,19,20,21,22],index = name,name="user_age",dtype=float)
print(age)
name
A    18.0
B    19.0
C    20.0
D    21.0
E    22.0
Name: user_age, dtype: float64
In [ ]:


Series
特点： 包含了 dict的特点，也就是意味着可以使用与dict类似的一些操作。我们可以将index中的元素看成是dict中的key。
In [6]:

#获取第一个元素
print(age[0])
18.0
In [ ]:


In [7]:

#获取前三个元素
print(age[:3])
name
A    18.0
B    19.0
C    20.0
Name: user_age, dtype: float64
In [ ]:


In [8]:

#获取年龄大女20岁的元素
print(age[age>20])
name
D    21.0
E    22.0
Name: user_age, dtype: float64
In [ ]:


获取第四个和第二个元素
In [9]:

#可以看到，无论我们通过切片如何操作 Series ，它都能够自动对齐 index。
print(age[[3,1]])
name
D    21.0
B    19.0
Name: user_age, dtype: float64
In [ ]:


Series 的向量化操作
series 与 ndarray 一样，支持向量化操作的。同时也可以传递给大多数期望ndarray的Numpy方法！
In [10]:

#针对年龄 整体+ 1
print(age + 1)
name
A    19.0
B    20.0
C    21.0
D    22.0
E    23.0
Name: user_age, dtype: float64
In [ ]:


In [11]:

print(np.exp(age))
name
A    6.565997e+07
B    1.784823e+08
C    4.851652e+08
D    1.318816e+09
E    3.584913e+09
Name: user_age, dtype: float64