本文实例讲述了Python数据分析pandas模块用法。分享给大家供大家参考，具体如下：

pandas

pandas10分钟入门，可以查看官网：10 minutes to pandas

也可以查看更复杂的cookbook

• pandas是非常强大的数据分析包，pandas 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包。就好比 Numpy的核心是 ndarray，pandas 围绕着 Series 和 DataFrame 两个核心数据结构展开 。Series和DataFrame 分别对应于一维的序列和二维表结构。

创建对象

常规导入方式：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

Series

• Series 可以看做一个定长的有序字典，它是能够保存任何数据类型（整数，字符串，浮点数，Python对象等）的一维标记数组。
• Series对象包含两个主要的属性：index 和 values。
• 数据可以是Python字典、 ndarray、scalar value标量值（如5）等
• 创建时有没有index都会设置默认下标，但是索引用的是数组时会默认使用创建时的索引
• 创建时还可以指定name名字属性，之后可以修改 rename

ser1 = pd.Series(range(10,15),index=list('ABCDE'))
print(ser1)
# 下标和索引等同
print(ser1['A'])
print(ser1[0])

输出：

A    10
B    11
C    12
D    13
E    14
dtype: int64
10
10

取连续多个数据时，下标取值不包含结束位置，索引切片包括结束位置

print(ser1['A':'D'])
print(ser1[0:3])

输出：

A    10
B    11
C    12
D    13
dtype: int64
A    10
B    11
C    12
dtype: int64

取多个数据、条件筛选（布尔索引）

# 注意里面是一个列表
print(ser1[[0,1,3]])
# 布尔索引
print(ser1[(ser1>12)&(ser1<15)])

DataFrame

DataFrame是二维标记数据结构。 您可以将其视为电子表格或SQL表，或Series对象。 它通常是最常用的pandans对象。 像Series一样，DataFrame接受许多不同种类的输入：

• Dict of 1D ndarrays, lists, dicts, or Series
• 2-D numpy.ndarray
• Structured or record ndarray
• A Series
• Another DataFrame

df1 = pd.DataFrame(np.random.randint(10,50,(3,4)), - index=list('ABC'),columns=list('abcd'))

• index是行索引，colums是列索引
• 用字典创建时，键名就是列索引，而且键值可以为列表，会自动补齐

取单行或单列数据，取单个数据

# 列取值，取出的是一个series对象
print(df1['a'])
print(df1['a'].values)
# 取出一行数据的某一行数据，也就是单个数据
print(df1['a']['B']) # 这两个一样
print(df1['a'][1])

取不连续多列，取连续多列（默认不支持连续，需要高级索引）

# 取不连续多列
print(df1[['a','c']])

行索引，可以直接切片,但是默认不能不连续多行取值，下标同理

print('行索引取值##############')
print(df1['A':'A'])
# 取连续多行就是df1['A':'C']

高级索引(花式索引)

一般情况用于DataFrame，这里直接略过Series

loc标签索引

df1 = pd.DataFrame(np.random.randint(10,50,(5,4)), index=list('ABCDE'),columns=list('abcd'))
# 取单行，类型是series
print(df1.loc['A'])
print(type(df1.loc['A']))
# 取连续多行，类型是DataFrame
print(df1.loc['A':'C'])
# 如果没有index索引就用下标，可以取连续多行连续多列
print(df1.loc['A':'D','a':'c'])
# 取不连续多行不连续多列
print(df1.loc[['A','C'],['a','c']])

iloc 位置索引

iloc是下标和lo用法一样，但是下标索引左闭右开，loc是包括最后一位

# DataFrame
print(df1.iloc[0:2, 0]) # 注意和df1.loc['A':'C', 'a']的区别
print(df1.loc['A':'C', 'a'])

ix 标签与位置混合索引

博主使用的pandas 0.24.2版本已经弃用.ix了(warning但还能使用)，所以也就不写了

• ix是以上二者的综合，既可以使用索引编号，又可以使用自定义索引，要视情况不同来使用，
• 如果索引既有数字又有英文，那么这种方式是不建议使用的，容易导致定位的混乱。

增加数据

1 2 增加一行数据 1.df1.loc[‘D'] = [1,2,3,4,5] 2.df1.loc[‘D'] = [np.random.randint(10,20)] 增加一列数据 df1.

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数学运算技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。