Pandas简易入门（四）

本节主要介绍一下Pandas的另一个数据结构：DataFrame，本文的内容来源：https://www.dataquest.io/mission/147/pandas-internals-dataframes

在上一节中已经介绍过了Series对象，Series对象可以理解为由一列索引和一列值，共两列数据组成的结构。而DataFrame就是由一列索引和多列值组成的结构，其中，在DataFrame中的每一列都是一个Series对象。

 

行选择

不管何时，你调用了一个方法返回或者打印一个DataFrame时，最左边的一列必然是索引值，可以通过index属性来直接访问DataFrame的索引值，本节所用的数据来源于：https://github.com/fivethirtyeight/data/tree/master/fandango

import pandas as pd

fandango = pd.read_csv('fandango_score_comparison.csv')

# print(fandango.head(2))  输出前两行

print(fandango.index)  # 打印索引列的值

这是原始的数据：

 

在Series中，每一个索引都对应着一个值，在DataFrame中，每一个索引则对应着一行的数据，可以通过几种方法来选择多数据

# 选择前五行

fandango[0:5]

# 选择索引号140及其以后的行

fandango[140:]

# 只选择索引号为50的那一行

fandango.loc[50]

# 选择索引号为45和90的两行

fandango.loc[[45,90]]

总结：要选择连续的多行，就是用列表的切片功能，选择一行就是用loc[]方法或者iloc[]方法（二者的区别可以看我的另一篇博客“Pandas之让人容易混淆的行选择和列选择“）

当选择一行的数据时，Pandas会返回一个Series对象，当选择多行数据时，会返回一个DataFrame对象

 

自定义索引

Pandas可以使用某一列来重新自定义DataFrame的索引，通过set_index()方法来实现，该方法主要有两个参数：

• inplace，如果设置为True就不会返回一个新的DataFrame，而是直接修改该DataFrame
• drop，如果设置为True，就会移出掉该列的数据

# 我要把电影名称作为该DataFrame的索引

fandango = pd.read_csv('fandango_score_comparison.csv')

fandango_films = fandango.set_index('FILM', inplace=False, drop=True)

可以看到索引值已经变了，并且该DataFrame中也移除了名为FILM的列（该列变成了索引）

使用了自定义的索引后，类似于之前的行选择一样进行选择，只是把整数索引换成了电影名称而已，例如

# 使用切片或者loc[]函数

fandango_films["Avengers: Age of Ultron (2015)":"Hot Tub Time Machine 2 (2015)"]

fandango_films.loc["Avengers: Age of Ultron (2015)":"Hot Tub Time Machine 2 (2015)"]

# 指定要返回的电影

fandango_films.loc['Kumiko, The Treasure Hunter (2015)']

# 选择要返回的多部电影

movies = ['Kumiko, The Treasure Hunter (2015)', 'Do You Believe? (2015)', 'Ant-Man (2015)']

fandango_films.loc[movies]

 

 

Apply方法

apply()方法是运行在Series对象中的，而Pandas中任何单独一列或者单独一行的数据就是一个Series对象，apply()方法中要传递的是一个向量运算方法

如果该方法返回一个单独的值（譬如将整列（行）的值相加），那么就会返回一个Series，该Series保存的是全部列的运行结果，如下

import numpy as np

# 得出每一列的数据类型

types = fandango_films.dtypes

# 选择具有浮点数据的那些列

float_columns = types[types.values == 'float64'].index

float_df = fandango_films[float_columns]

# 对选择的列计算总分，在lambda中的x是一个Series，代表了某一列

count = float_df.apply(lambda x: np.sum(x))

如果该方法没有合并运算结果（譬如将整列（行）的值都分别乘2），那么就会返回一个DataFrame。如下

double_df = float_df.apply(lambda x: x*2)

 

如果要在行上使用apply()方法，只要指定参数axis = 1即可

# 计算每部电影的平均分

means = float_df.apply(lambda x: np.mean(x), axis = 1)