（Pandas）Python做数据处理必选框架之一！（一）：介绍Pandas中的两个数据结构；刨析Series：如何访问数据；数据去重、取众数、总和、标准差、方差、平均值等；判断缺失值、获取索引...

用户11865655

发布于 2025-10-13 17:51:50

300

代码可运行

文章被收录于专栏：CSDN专栏CSDN专栏

运行总次数：0

代码可运行

介绍

Pandas 是一个开源的数据分析和数据处理库，它是基于 Python 编程语言的。

Pandas 提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据（类似于Excel表格）。

Pandas 是数据科学和分析领域中常用的工具之一，它使得用户能够轻松地从各种数据源中导入数据，并对数据进行高效的操作和分析。

Pandas 主要引入了两种新的数据结构：Series 和 DataFrame。

Series：类似于一维数组或列表，是由一组数据以及与之相关的数据标签（索引）构成。Series 可以看作是 DataFrame 中的一列，也可以是单独存在的一维数据结构。
DataFrame：类似于一个二维表格，它是 Pandas 中最重要的数据结构。DataFrame 可以看作是由多个 Series 按列排列构成的表格，它既有行索引也有列索引，因此可以方便地进行行列选择、过滤、合并等操作。

底层调用Numpy，Pandas给numpy的Ndarray添加行列名称，具体的计算还是调用Numpy来实现

MatPlotlib（静态绘图）

Python数据可视化的三方库
Pandas的数据可视化功能调用的是MatPlotLib
Seaborn基于MatPlotLib

基于JS的绘图库（HTML页面展示）

pyecharts

工具	功能特色	适用场景
Excel	图形界面，简单上手	人工分析、小规模数据
SQL	高效读写，最终数据源	数据库查询和联表
Python+Pandas	算法和分析部署核心	数据清晰，统计分析，可视化等

对比Series和DataFrame

特性	Series	DataFrame
维度	一维	二维
索引	单索引	行索引+列名
数据存储	同质化数据类型	各列可不同数据类型
类比	Excel单列	整张Excel工作表
创建方式	pd.Series([1,2,3])	pd.DataFrame({‘col’:[1,2,3]})

Series

	A（Series Name）
1（Series Index）	zhangsan（Series Values）

Series这个数据类型，就可以看作是一个表格，类似excel、数据库那样

Series创建

pd.Series([1,2,3])
'''
0    1
1    2
2    3
dtype: int64
'''

可以输入第二个参数，自定义Series索引名称

s = pd.Series([1,2,3],index=['A','B','C'])
print(s)
'''
A    1
B    2
C    3
dtype: int64
'''

自定索引的数组长度，需要和SeriesValues数组的长度一致

为Series命名，添加第三个参数

s = pd.Series([1,2,3],name='numbers')
print(s)
'''
0    1
1    2
2    3
Name: numbers, dtype: int64
'''

通过字典创建

# 字典创建
s = pd.Series({'a':1,'b':2,'c':3})
print(s)
'''
a    1
b    2
c    3
dtype: int64
'''

截取Series中的某些内容

传入原Series和指定内容的Series索引即可

s = pd.Series({'a':1,'b':2,'c':3})
d = pd.Series(s,index=['a','c'])
print(d)
a = pd.Series([1,2,3],index=['A','B','C'])
e = pd.Series(a,index=['A','C'])
print(e)
'''
a    1
c    3
dtype: int64
A    1
C    3
dtype: int64
'''

Series属性

属性	说明
index	Series的索引对象
values	Series的值
dType/dTypes	Series的元素类型
shape	Series的形状
ndim	Series的维度
size	Series的元素个数
name	Series的名称
loc[]	显示索引，按标签索引或切片
iloc[]	隐式索引，按位置索引或切片
at[]	使用标签访问单个元素
iat[]	使用位置访问单个元素

print(s.index)
print(s.values)
print(s.shape)
s.name = "获取名称"
print(s.ndim,s.size,s.name)
'''
Index(['a', 'b', 'c'], dtype='object')
[1 2 3]
(3,)
1 3 获取名称
'''

索引和获取元素

	测试
A	1
B	2
C	3

s = pd.Series({'a':1,'b':2,'c':3},name='测试')
### 
print(s.loc['a']) # 1
print(s.loc['a':'c'])
'''
a    1
b    2
c    3
Name: 测试, dtype: int64
'''
print(s.iloc[1]) # 隐式按照名称索引来查询
# 2
###
print(s.at['a']) # 1
print(s.iat[2])# 3

loc 和 iloc 可以使用切片形式来获取多个元素而 at 和 iat 无法使用切片形式

访问数据

使用loc或at系列也可以访问到数据

print(s[1]) # 不推荐
print(s['a'])# 不推荐

在Series中，也支持布尔索引

print(s[s<3])
'''
a    1
b    2
Name: 测试, dtype: int64
'''

获取从前或从后指定数量的数据

未指定数量，默认获取5条

print(s.head())
print(s.tail())
'''
a    1
b    2
c    3
d    4
e    5
Name: 测试, dtype: int64
c    3
d    4
e    5
f    6
g    7
Name: 测试, dtype: int64
'''

print(s.head(3))
print(s.tail(3))
'''
a    1
b    2
c    3
Name: 测试, dtype: int64
e    5
f    6
g    7
Name: 测试, dtype: int64
'''

Series常用方法

方法	说明	方法	说明
head()	查看前n行数据，默认5行	max()	最大值
tail()	查看后n行数据，默认5行	var()	方差
isin()	判断元素是否包含在参数集合中	std()	标准差
isna()	判断是否未缺失值（如 NaN 或 None）	median()	中位数
sum()	求和，自动忽略缺失值	mode()	众数(可返回多个)
mean()	平均值	quantile(a)	分位数，a取0~1之间
min()	最小值	describe()	常见统计信息（count、mean、std、min、25%、50%、75%、max）
value_counts()	每个唯一值的出现次数	sort_values()	按值排序
count()	非缺失值数量	sort_index()	按索引排序
nunique()	唯一值个数（去重）	unique()	获取去重后的值数组
drop_duplicates()	去除重复项	sample()	随机抽样
replace()	替换值	keys()	返回Series的索引对象

原始数据

import numpy as np
a = pd.Series({
    'a':3,
    'b':8,
    'c':9,
    'd':9,
    'e':np.nan,
    'f':None,
    'g':10,
    'h':11
},name='data')
print(a)
'''
a     3.0
b     8.0
c     9.0
d     9.0
e     NaN
f     NaN
g    10.0
h    11.0
Name: data, dtype: float64
'''

在Pandas中，np.nan 值也会被定义为 NaN

None 值也是 NaN

当Series中出现其他属性，默认为 float类型

查看所有的描述性信息

a.describe()
'''
count     6.000000
mean      8.333333
std       2.804758
min       3.000000
25%       8.250000
50%       9.000000
75%       9.750000
max      11.000000
Name: data, dtype: float64
'''

不论count()还是describe()中的count，都会舍去掉Series中的缺失值进行统计

print(a.count()) # 6

按个数获取 head(n) tail(n)

print(a.head(3))
print(a.tail(3))
'''
a    3.0
b    8.0
c    9.0
Name: data, dtype: float64
f     NaN
g    10.0
h    11.0
Name: data, dtype: float64
'''

获取索引 keys() .index

keys() 和 .index 这两个本质上无区别，获取的值的都是一致的

print(a.keys())
print(a.index)
'''
Index(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'], dtype='object')
Index(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'], dtype='object')
'''

判断是否为缺失值 isna()

print(a.isna())
'''
a    False
b    False
c    False
d    False
e     True
f     True
g    False
h    False
Name: data, dtype: bool
'''

检查元素是否在参数集合区间中 isin([])

isin() 方法的参数为值的数组

判断依据就是Series值

a.isin([9,10])
'''
a    False
b    False
c     True
d     True
e    False
f    False
g     True
h    False
Name: data, dtype: bool
'''

print(a.isin(a[a>9]))
'''
a    False
b    False
c    False
d    False
e    False
f    False
g     True
h     True
Name: data, dtype: bool
'''

平均值、总和、标准差、方差、最大值、最小值、中位数…

与numpy使用一致

a['i'] = 11
print(a.mean()) # 平均值
print(a.sum()) # 总和
print(a.var()) # 标准差
print(a.std()) # 方差
print(a.max()) # 最大值
print(a.min()) # 最小值
print(a.median()) # 中位数
'''
8.714285714285714
61.0
7.571428571428573
2.751622897751175
11.0
3.0
9.0
'''

排序sort_index() sort_values()

sort_index() 按照索引大小，从小到大排序
sort_values() 按照元素值大小，从小到大排序

print(a.sort_index())
print(a.sort_values())
'''
a     3.0
b     8.0
c     9.0
d     9.0
e     NaN
f     NaN
g    10.0
h    11.0
i    11.0
Name: data, dtype: float64
a     3.0
b     8.0
c     9.0
d     9.0
g    10.0
h    11.0
i    11.0
e     NaN
f     NaN
Name: data, dtype: float64
'''

获取位数值 quantile()

quantile() 位数参数与numpy中的不一样

参数应是在 0 到 1 的区间，如 0.25,0.50,0.75这样

获取值的过程与 numpy 一致

a.quantile(0.25)
'''
np.float64(8.5)
'''

众数 mode()

获取出现次数最多的值

s.mode()
'''
0     9.0
1    11.0
Name: data, dtype: float64
'''

若Series中次数一样多，则返回多个值

统计元素值的个数 value_counts()

a.value_counts()
'''
data
9.0     2
11.0    2
3.0     1
8.0     1
10.0    1
Name: count, dtype: int64
'''

去重

drop_duplicates() 去除重复值，返回一个Series类型值

a.drop_duplicates()
'''
a     3.0
b     8.0
c     9.0
e     NaN
g    10.0
h    11.0
Name: data, dtype: float64
'''

unique() 与 drop_duplicates() 去重后返回的值是一样的，但是类型不一样

unique() 返回np.Array列表

a.unique()
# array([ 3.,  8.,  9., nan, 10., 11.])

nunique() 获取去重后的元素个数

a.nunique()
# 5

案例

学生成绩统计

创建一个包含10名学生数学成绩的Series，成绩范围在50-100之间。计算平均分、最高分、最低分，并找出高于平均分的学生人数。

源码

np.random.seed(42)
scores = pd.Series(np.random.randint(50, 101, 10), index=['学生'+str(i) for i in range(1, 11)])

解题代码

m = scores.mean() # 平均分
print(m) # 73.7
max = scores.max() # 最高峰
min = scores.min() # 最低分
print(max,min) # 92 57
## 高于平均分的学生人数
print(scores[scores>m].count()) # 4

温度数据分析

给定某城市一周每天的最高温度Series，完成以下任务:

找出温度超过30度的天数
计算平均温度
将温度从高到低排序
找出温度变化最大的两天

源码

temperatures =pd.Series([28,31,29,32,30,27,33],index=['周一','周二','周三','周四','周五','周六','周日'])
print(temperatures)

解码

# 温度超30
print(temperatures[temperatures>30].count())# 3
# 平均温度
print(temperatures.mean())# 30.0
# 按温度从高到低排序
print(temperatures.sort_values(ascending=False))
'''
周日    33
周四    32
周二    31
周五    30
周三    29
周一    28
周六    27
dtype: int64
'''

## 温度变化最大的两天
print(temperatures.diff().abs().sort_values(ascending=False).index[:2].tolist())
# ['周日', '周二']

diff() 该方法获取Serise中第n个值到第n+1个值之间的差值，从第一个值开始到最后一个值结束

temperatures.diff()

周一    NaN
周二    3.0
周三   -2.0
周四    3.0
周五   -2.0
周六   -3.0
周日    6.0
dtype: float64

由于第一个值的前面并没有值，所有差值为NaN

股票价格分析

给定某股票连续10个交易日的收盘价Series:

计算每日收益率(当日收盘价/前日收盘价-1)
找出收益率最高和最低的日期
计算波动率(收益率的标准差)

源码

prices=pd.Series([102.3, 103.5,105.1,104.8,106.2, 107.0,106.5,108.1,109.3,110.2],index=pd.date range('2023-01-01',periods=10))

解题：

# 计算每日收益率
# pct_change() 当前值/前一个值 - 1，从第一个元素开始到最后一个元素结束
pct =  prices.pct_change() # pct：percent
print(pct)
'''
2023-01-01         NaN
2023-01-02    0.011730
2023-01-03    0.015459
2023-01-04   -0.002854
2023-01-05    0.013359
2023-01-06    0.007533
2023-01-07   -0.004673
2023-01-08    0.015023
2023-01-09    0.011101
2023-01-10    0.008234
Freq: D, dtype: float64
'''
### 收益最高日期
print(pct.idxmax()) # 2023-01-03 00:00:00
### 收益最低日期
print(pct.idxmin()) # 2023-01-07 00:00:00
### 计算波动率
print(pct.var()) # 5.4370328612877885e-05

pct_change() 与 diff() 一致，只是，在此基础上将求差值变为求商，并且还-1
idxmax() 与在numpy中使用一致，将最大值的索引返回
idxmin() 与在numpy中使用一致，将最小值的索引返回

销售数据分析

某产品过去12个月的销售量Series:

计算季度平均销量(每3个月为一个季度)
找出销量最高的月份
计算月环比增长率
找出连续增长超过2个月的月份

同比和环比增长的区别：

同比：是指今年某个月与去年某个月进行对比
环比：是指今年的某个月与该月的上一个月进行对比

源码

sales=pd.Series([120,135,145,160,155,170,180,175,190,200,210,220],index=pd.date_range('2022-01-01',periods=12, freq='ME'))
print(sales)

解题：

## 季度（每三个月）平均销量
sales.resample('QS').mean()
'''
2022-01-01    133.333333
2022-04-01    161.666667
2022-07-01    181.666667
2022-10-01    210.000000
Freq: QS-JAN, dtype: float64
'''

resample(str) 重新采样
- str 是一种规则，并以此进行将以时间索引的Series分割
- 常见字符：参数说明QS季度（3个月）xMx为数字，M代表月xhx为数字，h代表小时xmin / xTx为数字，m代表分钟，T代表分钟xsx为数字，s代表秒

## 销量最高的月份
print(str(sales.idxmax()).split('-')[1])

str() 强制转换
split(str) 根据 str 字符进行分割成数组

## 月环比增长率
print(sales.pct_change())
'''
2022-01-31         NaN
2022-02-28    0.125000
2022-03-31    0.074074
2022-04-30    0.103448
2022-05-31   -0.031250
2022-06-30    0.096774
2022-07-31    0.058824
2022-08-31   -0.027778
2022-09-30    0.085714
2022-10-31    0.052632
2022-11-30    0.050000
2022-12-31    0.047619
Freq: ME, dtype: float64
'''

## 找出连续增长超过2个月的月份
a = sales.pct_change()
b = a>0
b[b.rolling(3).sum()>=3].keys().tolist()
'''
[Timestamp('2022-04-30 00:00:00'),
 Timestamp('2022-11-30 00:00:00'),
 Timestamp('2022-12-31 00:00:00')]
'''

rolling(x) 依次从索引0处开始获取前x个元素。当不满足x个元素时，当前值为NaN

当前试题的 b.rolling(3)

Rolling [window=3,center=False,axis=0,method=single]

我们看sales.pct_change() 该方法获得了增长率

'''
2022-01-31         NaN
2022-02-28    0.125000
2022-03-31    0.074074
2022-04-30    0.103448
2022-05-31   -0.031250
2022-06-30    0.096774
2022-07-31    0.058824
2022-08-31   -0.027778
2022-09-30    0.085714
2022-10-31    0.052632
2022-11-30    0.050000
2022-12-31    0.047619
Freq: ME, dtype: float64
'''

我们能够发现小于0的都属于负增长元素

满足条件的月份有哪些？4月、11月、12月这三个月份满足本身月份前三个月都保持着增长的月份

将其进行分化，将小于0的都化作布尔值False反之是True

2022-01-31    False
2022-02-28     True
2022-03-31     True
2022-04-30     True
2022-05-31    False
2022-06-30     True
2022-07-31     True
2022-08-31    False
2022-09-30     True
2022-10-31     True
2022-11-30     True
2022-12-31     True
Freq: ME, dtype: bool

再根据rolling(x)，对每三个进行滚动计算；

.sum() 的作用，是将rolling后的每三个值进行了求和。若每三个值求和后>=3，就代表前三个月都保持着增长；

2022-01-31    False
2022-02-28    False
2022-03-31    False
2022-04-30     True
2022-05-31    False
2022-06-30    False
2022-07-31    False
2022-08-31    False
2022-09-30    False
2022-10-31    False
2022-11-30     True
2022-12-31     True
Freq: ME, dtype: bool

最后，再将符合True标准的元素取出并转为list

[Timestamp('2022-04-30 00:00:00'),
 Timestamp('2022-11-30 00:00:00'),
 Timestamp('2022-12-31 00:00:00')]

每小时销售数据分析

某商店每小时销售额Series:

按天重采样计算每日总销售额
计算每天营业时间(8:00-22:00)和非营业时间的销售额比例
找出销售额最高的3个小时

源码

np.random.seed(42)
hourly_sales = pd.Series(np.random.randint(0,100,24),index=pd.date_range('2025-01-01',periods=24, freq='h'))
print(hourly_sales)

解题：

## 按天重采样计算每日总销售额
print(hourly_sales.resample("D").sum())
'''
2025-01-01    1205
Freq: D, dtype: int32
'''

### 计算每天营业时间(8:00-22:00)和非营业时间的销售额比例

# 营业时间 - 三面三种方法求营业时间均可
hourly_sales.between_time('8:00','22:00')
hourly_sales['2025-01-01 08:00':'2025-01-01 22:00']
s =  hourly_sales[(hourly_sales.index.hour >= 8) & (hourly_sales.index.hour <=22)]
# 非营业时间 - 下面两种方法求非营业时间均可 
hourly_sales.drop(s.index)
hourly_sales[hourly_sales.index.hour<8 | hourly_sales.index.hour>22]
d = hourly_sales[~hourly_sales.isin(s)]

# 比例
rate = s.sum()/d.sum()
print(rate)

series.index 获得其索引，根据类型（DateTimeIndex）不同，可以获取不同的值
- series.index.hour 获取索引值的小时
还有方法 series.index.strftime('%H') strftime() 指定的格式化字符串，可以为其获得指定的值
- %H、%M、%S、%Y
~ 波浪号，代表取反值

# 找出销售额最高的3个小时
hourly_sales.sort_values(ascending=False).head(3)
hourly_sales.nlargest(3)
'''
2025-01-01 11:00:00    99
2025-01-01 01:00:00    92
2025-01-01 10:00:00    87
dtype: int32
'''