正文

轻松学会DataFrame加Series：巧妙融合数据，提升数据分析效率

/0 浏览量
0414

在Python数据分析领域，pandas库是数据处理和分析的利器。其中，DataFrame和Series是pandas的核心数据结构，它们在数据处理和分析中扮演着至关重要的角色。本文将深入浅出地介绍DataFrame和Series的概念、用法，并通过实例帮助读者轻松掌握它们。

什么是DataFrame和Series？

DataFrame

DataFrame可以看作是表格数据的一种表示形式，它由行和列组成，类似于Excel表格。DataFrame中的每一列可以拥有不同的数据类型，这使得DataFrame非常适合存储和分析结构化数据。

import pandas as pd

# 创建一个简单的DataFrame
data = {
    'Name': ['Tom', 'Nick', 'John'],
    'Age': [25, 30, 22],
    'City': ['New York', 'London', 'Paris']
}
df = pd.DataFrame(data)
print(df)

Series

Series是DataFrame的列，也可以看作是一维数组。它与NumPy数组类似，但拥有更多的数据结构功能，例如索引和名称。

# 创建一个简单的Series
age_series = pd.Series([25, 30, 22])
print(age_series)

DataFrame与Series的用法

创建DataFrame

DataFrame可以通过多种方式创建，例如直接从列表、字典、NumPy数组等数据结构中创建。

# 从列表创建DataFrame
data = [['Tom', 25, 'New York'], ['Nick', 30, 'London'], ['John', 22, 'Paris']]
df = pd.DataFrame(data, columns=['Name', 'Age', 'City'])
print(df)

# 从字典创建DataFrame
data = {'Name': ['Tom', 'Nick', 'John'], 'Age': [25, 30, 22], 'City': ['New York', 'London', 'Paris']}
df = pd.DataFrame(data)
print(df)

创建Series

Series可以通过多种方式创建，例如直接从列表、NumPy数组、Pandas DataFrame的列等数据结构中创建。

# 从列表创建Series
age_series = pd.Series([25, 30, 22])
print(age_series)

# 从NumPy数组创建Series
import numpy as np
age_array = np.array([25, 30, 22])
age_series = pd.Series(age_array)
print(age_series)

# 从DataFrame的列创建Series
name_series = df['Name']
print(name_series)

DataFrame与Series的常用操作

1. 数据筛选

# 筛选年龄大于25的记录
filtered_df = df[df['Age'] > 25]
print(filtered_df)

2. 数据合并

# 将两个DataFrame合并
new_data = {'City': ['Berlin', 'Tokyo']}
new_df = pd.DataFrame(new_data)
combined_df = pd.concat([df, new_df], ignore_index=True)
print(combined_df)

3. 数据排序

# 按年龄降序排序
sorted_df = df.sort_values(by='Age', ascending=False)
print(sorted_df)

总结

DataFrame和Series是Python数据分析中不可或缺的工具。通过本文的介绍，相信读者已经对DataFrame和Series有了基本的了解。在实际应用中，熟练运用DataFrame和Series将大大提高数据分析的效率。希望本文能帮助读者在数据分析的道路上越走越远。

-- 展开阅读全文 --