金母鸡量化教学场pandas基本用法之Series和Dataframe区别

无可非议，pandas是Python最强大的数据分析和探索工具之一，因金融数据分析工具而开发，支持类似于SQL语句的模型，可以对数据进行增删改查等操作，支持时间序列分析，也能够灵活的处理缺失的数据。它含有使数据分析工作变得更快更简单的高级数据结构和操作工具。pandas是基于NumPy构建的，让以NumPy为中心的应用变得更加简单。

这里所说的让pandas变得更快更简单的高级数据结构就是Series和DataFrame。要熟练使用pandas，首先得要熟悉它的这两个主要的数据结构：Series和DateFrame。今天一起简单了解一下Series和Dataframe吧！

一、pandas常用数据类型（Series）

Series是一个有索引(或者说标签)的由同一类型数据组成的一组数据，其数据是一维的。

Series的特点如下:

1、直观上的感觉Series相当于python中的字典；

2、Series中的索引（index）相当于字典中的关键字，Series中的值（index）相当于字典中的值；

3、Series中value的值是list时，首先通过索引得到对应的值，然后通过list的索引操作得到最后值；

4、Series的问题只能通过行索引访问元素，但是无法直接操作列操作，索引pandas引入了DataFrame。

二、pandas常用数据类型（Dataframe）

DataFrame 是一个表格型的数据结构，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典。DataFrame是将数个Series按列合并而成的二维数据结构，每一列单独取出来是一个Series，这和SQL数据库中取出的数据是很类似的。

所以，按列对一个DataFrame进行处理更为方便，开发者在编程时注意培养按列构建数据的思维。DataFrame的优势在于可以方便地处理不同类型的列。

因此，就不要考虑如何对一个全是浮点数的DataFrame求逆之类的问题了，处理这种问题还是把数据存成NumPy的matrix类型比较便利一些。

在Python中，del 和drop方法都能够删除dataframe中的列数据，但两者也有着些许区别。

首先 del 属于 Python的内置函数函数，drop属于pandas中的内置函数

1、drop对列和行都可进行操作；del仅可对列进行操作。

2、drop一次可以处理多个项目；del一次只能操作一个。

3、drop可以就地操作或返回副本；del仅是就地操作。

两种函数在执行效率上很接近，但是在较大数据上，drop函数优势更明显，尤其实在处理多列数据时

DataFrame的特点如下:

1、同样DataFrame和python中字典结构相同；

2、DataFrame中关键字对应的是列名，关键字的值对应的是某列的值；

3、DataFrame中，既有行索引又有列索引，行索引默认是(0, n-1) ， 列索引对应的是列名。

三、DataFrame创建，可以通过index和columns指定索引名称

方式一：

a = pd.DataFrame(np.arange(1e).reshape(2,5)print(a)

方式二：

a= pd.DataFrame(np.arange(10).reshape(2,5),index=list(“ab”),columns=list(“qwxyz”))print(a)

方式三：

temp_dict=[“name”:[“yangwj”,”ywj”],”age”:[28,29],”tel”:[“10080″,”10010”]}a= pd.DataFrame(temp dict)print(a)

布尔型DataFrame的any/all方法用于判断布尔数组在行/列轴向上的逻辑运算情况，any即或运算，任何一个元素为真即为真；all即并运算，全部元素为真即为真。

pd.DataFrame.any(self, axis=0, bool_only=None, skipna=True, level=None, **kwargs)

Return whether any element is True over requested axis.

pd.DataFrame.all(self, axis=0, bool_only=None, skipna=True, level=None, **kwargs)

Return whether all elements are True, potentially over an axis.