上一篇文章中介绍了数据结构，其中尤为重要的是DataFrame。
Series的基本属性和方法
DataFrame的基本属性和方法
代码示例
import pandas as pd
df = pd.DataFrame([{
'名字':'小明','年龄':18},
{
'名字':'小亮','年龄':16},
{
'名字':'小红','年龄':17},
{
'名字':'小黑'}],index=['A','B','C','D'])
=====输出=====
名字 年龄
A 小明 18.0
B 小亮 16.0
C 小红 17.0
D 小黑 NaN
df.T # 转置行列
=====输出=====
A B C D
名字 小明 小亮 小红 小黑
年龄 18 16 17 NaN
df.axes # 返回行轴标签和列轴标签列表
=====输出=====
[Index(['A', 'B', 'C', 'D'], dtype='object'),
Index(['名字', '年龄'], dtype='object')]
df.dtypes # 返回每列的数据类型
=====输出=====
名字 object
年龄 float64
dtype: object
df.empty # 显示对象是否为空
=====输出=====
False # 为空返回True
df.ndim # 输出数据的维度
=====输出=====
2 # DataFrame 二维数据结构
df.shape# 对象的维数
=====输出=====
(4, 2) # 4行2列
df.size # 返回DataFrame中的元素数
=====输出=====
8 # 8个元素
df.values # 将DataFrame中的实际数据作为NDarray返回
=====输出=====
array([['小明', 18.0],
['小亮', 16.0],
['小红', 17.0],
['小黑', nan]], dtype=object)
df.head()，df..tail() # 返回数据的前几行、后几行可肤质默认是5
统计函数
以下是比较重要的统计函数
注 - 由于DataFrame是异构数据结构。通用操作不适用于所有函数。一些如sum()，cumsum() 的函数 虽然对字符操作不会报错，但是一些函数如abs()报错。
DataFrame作为二维数据结构，对不同的轴使用不同的函数会有不同的效果，以下以sum() 为例
import pandas as pd
df = pd.DataFrame([{
'名字':'小明','年龄':18},
{
'名字':'小亮','年龄':16},
{
'名字':'小红','年龄':17},
{
'名字':'小黑'}],index=['A','B','C','D'])
df.sum(0) # 默认是0即按照列进行操作
=====输出=====
名字 小明小亮小红小黑 # 对于字符串直接进行拼接操作
年龄 51
dtype: object
df.sum(1) # 忽略了字符，对数字操作
=====输出=====
A 18.0
B 16.0
C 17.0
D 0.0
dtype: float64
汇总方法
除了以上的几种方法，还有一个汇总方法：describe()函数是用来计算有关DataFrame列的统计信息的摘要。include属性是用于传递关于什么列需要考虑用于总结的必要信息的参数。获取值列表; 默认情况下是”数字值”。
| object | number | all |
|---|---|---|
| 汇总字符串列 | 汇总数字列 | 将所有列汇总在一起(不应将其作为列表值传递) |
f4.describe()
=====输出=====
年龄
count 3.0
mean 17.0
std 1.0
min 16.0
25% 16.5
50% 17.0
75% 17.5
max 18.0
f4.describe(include=['object'])
=====输出=====
名字
count 4
unique 4
top 小红
freq 1
f4.describe(include='all') # 将上方两种输出结果一起输出
唯一去重和按值计数
这里包括两个方法：unique()、value_counts()要对某一列进行使用，直接对DataFrame对象使用会报错。
import pandas as pd
df = pd.DataFrame([{
'名字':'小明','年龄':18},
{
'名字':'小亮','年龄':16},
{
'名字':'小红','年龄':17},
{
'名字':'小明','年龄':16},
{
'名字':'小红','年龄':18},
{
'名字':'小黑'}],index=['A','B','C','D'])
df['名字'].unique() # 输出唯一的
=====输出=====
array(['小明', '小亮', '小红', '小黑'], dtype=object)
df['名字'].value_counts() # 统计出现的次数并降序排列
=====输出=====
小明 2
小红 2
小亮 1
小黑 1
Name: 名字, dtype: int64
相关系数和协方差
- 协方差:衡量同向反向程度,如果协方差为正，说明X, Y同向变化，协方差越大说明同向程度
越高;如果协方差为负，说明X, Y反向运动，协方差越小说明反向程度越高。当Cov(X,Y) = 0 时 二者不相关。 - 相关系数:衡量相似度程度,当他们的相关系数为1时，说明两个变量变化时的正向相似度最
大，当相关系数为- 1时,说明两个变量变化的反向相似度最大。
为了体现这两个函数，上面的DataFrame不足以支撑，我直接引用了篮球比赛的得分情况作为示例，对数据源有兴趣的话可以去网站爬取。
df.corr()
=====输出=====
命中 投篮数 投篮命中率 3分命中率 篮板 助攻 得分
命中 1.000000 0.634690 0.839126 0.798088 -0.150331 -0.100641 0.867068
投篮数 0.634690 1.000000 0.123891 0.294384 -0.001462 -0.233715 0.675462
投篮命中率 0.839126 0.123891 1.000000 0.829982 -0.204990 0.052883 0.650011
3分命中率 0.798088 0.294384 0.829982 1.000000 -0.092656 -0.061292 0.776918
篮板 -0.150331 -0.001462 -0.204990 -0.092656 1.000000 -0.132013 -0.086104
助攻 -0.100641 -0.233715 0.052883 -0.061292 -0.132013 1.000000 -0.131812
得分 0.867068 0.675462 0.650011 0.776918 -0.086104 -0.131812 1.000000
df.cov()
=====输出=====
命中 投篮数 投篮命中率 3分命中率 篮板 助攻 得分
命中 9.083333 6.408333 0.263117 0.370050 -1.233333 -0.983333 22.800000
投篮数 6.408333 11.223333 0.043182 0.151727 -0.013333 -2.538333 19.743333
投篮命中率 0.263117 0.043182 0.010824 0.013285 -0.058055 0.017837 0.590035
3分命中率 0.370050 0.151727 0.013285 0.023669 -0.038803 -0.030570 1.042848
篮板 -1.233333 -0.013333 -0.058055 -0.038803 7.410000 -1.165000 -2.045000
助攻 -0.983333 -2.538333 0.017837 -0.030570 -1.165000 10.510000 -3.728333
得分 22.800000 19.743333 0.590035 1.042848 -2.045000 -3.728333 76.123333
# 我们还可以分析两个因素之间的关系
df['得分'].corr(f6['命中'])
Out[7]: 0.8670683274541471
f6['得分'].corr(f6['助攻'])
Out[8]: -0.13181185657005592