初步了解pandas（学习笔记）

1 pandas简介

pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具，很多机器学习框架都支持将 pandas 数据结构作为输入。 虽然全方位介绍 pandas API 会占据很长篇幅，但它的核心概念非常简单，我们会在下文中进行说明。有关更完整的参考，请访问 pandas 文档网站，其中包含丰富的文档和教程资源。

Pandas 是用于进行数据分析和建模的重要库，广泛应用于 TensorFlow 编码。该教程提供了学习本课程所需的全部 Pandas 信息。

2 学习目标

1）大致了解 pandas 库的 DataFrame 和 Series 数据结构

2）存取和处理 DataFrame 和 Series 中的数据

3）将 CSV 数据导入 pandas 库的 DataFrame

4）对 DataFrame 重建索引来随机打乱数据

3 基本概念

以下行导入了 pandas API 并输出了相应的 API 版本：

from __future__ import print_function
import pandas as pd
pd.__version__

在jupyter中运行结果 '0.23.4'

pandas 中的主要数据结构被实现为以下两类：

- DataFrame，您可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。

- Series，它是单一列。DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称。

数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。

创建 Series 的一种方法是构建 Series 对象。例如：

pd.Series(['San Francisco', 'San Jose', 'Sacramento'])

运行结果

0    San Francisco
1         San Jose
2       Sacramento
dtype: object

pd.Series函数可以将其中的参数（string）作为dict的列名称传递到各自的Series中，从而创建DataFrame对象；如果series的长度不一致，系统会用特殊的NA/NaN值填充至缺失值处。

city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])
pd.DataFrame({ 'City name': city_names, 'Population': population })

运行结果

	City name	Population
0	San Francisco	852469
1	San Jose	1015785
2	Sacramento	485199

当长度不一致时，则有下列结果

city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento','hao'])
population = pd.Series([852469, 1015785, 485199])

pd.DataFrame({ 'City name': city_names, 'Population': population })

运行结果

	City name	Population
0	San Francisco	852469.0
1	San Jose	1015785.0
2	Sacramento	485199.0
3	hao	NaN