English | 简体中文 | 繁體中文 | Русский язык | Français | Español | Português | Deutsch | 日本語 | 한국어 | Italiano | بالعربية

Учебник Pandas

DataFrame Pandas

　 　Основные операции с Pandas DataFrame

DataFrame является двумерной структурой данных, то есть данные выстраиваются в таблицу по строкам и столбцам.

Функции DataFrame

Возможные столбцы могут быть различных типов Размеры могут изменяться Маркированные оси (строки и столбцы) Можно выполнять арифметические операции над строками и столбцами

Структура

pandas.Series

Структура Series такова:

Предположим, что мы создаем DataFrame с данными студентов.

Мы можем рассматривать его как представление данных в виде SQL-таблицы или электронной таблицы.

pandas.DataFrame

Можна использовать следующие конструкторы для создания pandas DataFrame-

　pandas.DataFrame(data, index, columns, dtype, copy)

Описание параметров:

data: данные принимают различные формы, такие как ndarray, серия, карта, список, dict, константы и другой DataFrame. index: для меток строк, если индекс не передается, индекс результирующего кадра - Optional Default np.arange(n). columns: для меток столбцов, опциональнаяdefault-синтаксис - np.arange(n). Это происходит только в том случае, если индекс не передается. dtype: тип данных каждого столбца. copy: если значение по умолчанию равно False, то этот командный (или любой из его команд) используется для копирования данных.

Создание DataFrame

Can be created with various inputs to create pandas DataFrame-

Lists dict Series Numpy ndarrays Другой DataFrame

В后续ной части этой главы мы увидим, как использовать эти входные данные для создания DataFrame.

Создание пустого DataFrame

Можно создать базовый DataFrame - это Empty Dataframe.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　df = pd.DataFrame()
　print(df)

Результат выполнения:

　Empty DataFrame
　Columns:  []
　Index:  []

Создание DataFrame из Lists

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　data = [1, 2, 3, 4, 5]
　df = pd.DataFrame(data)
　print(df)

Результат выполнения:

　0
　0  1
　1  2
　2  3
　3  4
　4  5
　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　data = [['Alex', 10], ['Bob', 12], ['Clarke', 13]]
　df = pd.DataFrame(data, columns=['Name', 'Age'])
　print(df)

Результат выполнения:

　　　　　　　Name    Age
　0      Alex         10
　1      Bob          12
　2      Clarke      13
　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　data = [['Alex', 10], ['Bob', 12], ['Clarke', 13]]
　df = pd.DataFrame(data, columns=['Name', 'Age'], dtype=float)
　print　df

Результат выполнения:

　
　　　　　　Name    Age
　0      Alex         10.0
　1      Bob          12.0
　2      Clarke      13.0
Обратите внимание:Параметр dtype изменяет тип столбца Age на浮понт.

Создание DataFrame из ndarray / Dict List

Длина всех ndarray должна быть одинаковой. Если передан index, длина индекса должна быть равна длине массива.
Если индекс не передается, то по умолчанию индекс будет равен range(n), где n - это длина массива.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'], 'Age': [28, 34, 29, 42]}
　df = pd.DataFrame(data)
　print(df)

Результат выполнения:

　
　　　　Age Name
　0 28 Tom
　1 34 Jack
　2 29 Steve
　3 42 Ricky
Обратите внимание:Следуя значениям 0, 1, 2, 3. Это являютсяdefaultindексы, которые назначаются каждому объекту с помощью функции range(n).

Мы используем массив для создания DataFrame с индексом.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'], 'Age': [28, 34, 29, 42]}
　df = pd.DataFrame(data, index=['rank1','rank2','rank3','rank4'])
　print(df)

Результат выполнения:

　
　　　　　　　Age Name
　rank1 28 Tom
　rank2 34 Jack
　rank3 29 Steve
　rank4 42 Ricky
Обратите внимание:Параметр indexassignит индекс каждой строке.

Создание DataFrame из списка словарей

Список словарей можно передавать в качестве входных данных для создания DataFrame. По умолчанию, ключи словаря используются в качестве имен столбцов.
Ниже приведен пример того, как создать DataFrame, передавая список словарей.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]
　df = pd.DataFrame(data)
　print(df)

Результат выполнения:

　　　　　a b c
　0 1 2 NaN
　1 5 10 20.0
Обратите внимание:NaN (нечисловое значение) добавляется в области отсутствия данных.

Ниже приведен пример того, как создать DataFrame, передавая список словарей и строковый индекс.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]
　df = pd.DataFrame(data, index=['first', 'second'])
　print(df)

Результат выполнения:

　　　　　　　　　　a b c
　first 1 2 NaN
　second 5 10 20.0

Ниже приведен пример того, как создать DataFrame, содержащий список словарей, строковый индекс и индекс столбцов.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]
　# У двух столбцов индекс, значения соответствуют ключам словаря
　df1 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b'])
　# У двух столбцов индекс
　df2 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b1'])
　print(df1)
　print(df2)

Результат выполнения:

　#output df1
　　　　　　　a b
　first　1　2
　second　5　10
　#output df2
　　　　　　　a　b1
　first　1　NaN
　second　5　NaN
Обратите внимание:DataFrame df2 создан с использованием индексов столбцов, отличных от ключей словаря; поэтому, в этих местах добавлен NaN. А df1 создан с использованием индексов столбцов, таких как ключи словаря, поэтому добавлен NaN.

Создание DataFrame из Dict Series

Можно передать словарь последовательностей, чтобы сформировать DataFrame. Индекс результата — это объединение всех переданных индексов последовательностей.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
　　　　'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
　df = pd.DataFrame(d)
　print(df)

Результат выполнения:

　　　one two
　a　1.0　1
　b　2.0　2
　c 3.0 3
　d NaN 4

Для первой последовательности метка 'd' не была передана, но результатом является то, что для метки 'd' был добавлен NaN.
Теперь давайте разберемся с выбором, добавлением и удалением столбцов на примере.

Запрос столбца

Мы выберем столбец из DataFrame, чтобы понять это.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　
　import pandas as pd
　d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
　　　　'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
　df = pd.DataFrame(d)
　print(df　['one'])

Результат выполнения:

　　　a　1.0
　b　2.0
　c　3.0
　d NaN
　Name:　one,　dtype:　float64

Добавление столбца

Мы рассмотрим, как добавить новый столбец в существующий DataFrame.

# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
　　　　'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
　df = pd.DataFrame(d)
　#Добавляем новый столбец, передавая новую последовательность, к существующему DataFrame с метками столбцов
　print　("Добавляем новый столбец, передавая его как Series:")
　df['three'] = pd.Series([10,20,30],index=['a','b','c'])
　print　df
　print　("Используя существующие столбцы в DataFrame, добавляем новый столбец:")
　df['four'] = df['one'] + df['three']
　print(df)

Результат выполнения:

　Добавляем новый столбец, передавая его как Series:
　one　two　three
　a　1.0　1　10.0
　b　2.0　2　20.0
　c　3.0　3　30.0
　d　NaN　4　NaN
　Используя существующие столбцы в DataFrame, добавляем новый столбец:
　one　two　three　four
　a　1.0　1　10.0　11.0
　b　2.0　2　20.0　22.0
　c　3.0　3　30.0　33.0
　d　NaN　4　NaN　NaN

Удаление столбца

Можем удалить или вынуть столбцы; давайте разберемся на примере, как это сделать.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),　
　　　　'two'　:　pd.Series([1,　2,　3,　4],　index=['a',　'b',　'c',　'd']),　
　　　　'three': pd.Series([10, 20, 30], index=['a', 'b', 'c'])
　df = pd.DataFrame(d)
　print("Our dataframe is:")
　print(df)
　# using del function
　print("Deleting the first column using del function:")
　del df['one']
　print(df)
　# using pop function
　print("Deleting another column using POP function:")
　df.pop('two')
　print(df)

Результат выполнения:

　Our dataframe is:
　one three two
　a 1.0 10.0 1
　b 2.0 20.0 2
　c 3.0 30.0 3
　d NaN NaN 4
　Deleting the first column using del function:
　　　three two
　a 10.0 1
　b 20.0 2
　c 30.0 3
　d NaN 4
　Deleting another column using POP function:
　　　three
　a 10.0
　b 20.0
　c 30.0
　d NaN

行查询、添加和删除

现在，我们将通过示例了解行的选择，添加和删除。让我们从选择的概念开始。

按标签查询

可以通过将行标签传递给loc函数来选择行。

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),　
　　　　'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
　df = pd.DataFrame(d)
　print(df.loc['b'])

Результат выполнения:

　
　　　one 2.0
　two 2.0
　Name: b, dtype: float64

结果是一系列带有标签作为DataFrame列名称的系列。并且，系列的名称是用来检索它的标签。

通过整数位置查询

可以通过将整数位置传递给iloc函数来选择行。

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
　　　　'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
　df = pd.DataFrame(d)
　print(df.iloc[2])

Результат выполнения:

　
　　　one 3.0
　two 3.0
　Name: c, dtype: float64

切片行

可以使用'：'运算符选择多行。

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　d = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),　
　　　　'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
　df = pd.DataFrame(d)
　print(df[2:4])

Результат выполнения:

　
　　　　　one two
　c 3.0 3
　d NaN 4

Добавление строк

Использование функции append для добавления новых строк в DataFrame. Эта функция добавляет строки в конец.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])
　df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])
　df = df.append(df2)
　print(df)

Результат выполнения:

　
　　　　　a b
　0 1 2
　1 3 4
　0 5 6
　1 7 8

Удаление строк

Удаление строк из DataFrame с помощью индексных меток. Если метки повторяются, то удаляются несколько строк.
Если вы заметили, что в вышеупомянутом примере, метки повторяются. Давайте удалим одну метку и увидим, сколько строк будет удалено.

　# Filename: pandas.py
　# Автор: ru.oldtoolbag.com　
　# Импортировать пакет зависимости pandas и дать ему别名
　import pandas as pd
　df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])
　df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])
　df = df.append(df2)
　# Удалить строки с меткой 0
　df = df.drop(0)
　print(df)

Результат выполнения:

　
　　　　　a b
　1 3 4
　1 7 8

В上面的示例е, были удалены две строки, так как они содержат одинаковые метки 0.

Операции SQL PandasSeries Pandas