記事のディレクトリ
パンダのデータ構造
import pandas as pd
：パンダは、主に2つの最も重要なデータの構造を有するシリーズとデータフレームを
シリーズ
一連の一次元配列と類似しているオブジェクトデータの組から（numpyの様々なデータタイプ）と、それに組成物を対応するインデックスのセット（タグデータ）。
- オブジェクトの類似の一次元アレイ
- データとインデックス組成によって
- インデックス、右の左とデータ（値）の（インデックス）
- インデックスが自動的に作成されます
[画像のダンプはチェーンが失敗し、発信局は（IMG-waI0n9v4-1579951800260）（... /画像/ Series.png）直接アップロードダウン画像を保存することが推奨され、セキュリティチェーン機構を有していてもよいです]
1.建設シリーズリスト
ser_obj = pd.Series（範囲（10））
サンプルコード：
# 通过list构建Series
ser_obj = pd.Series(range(10, 20))
print(ser_obj.head(3))
print(ser_obj)
print(type(ser_obj))
結果：
0 10
1 11
2 12
dtype: int64
0 10
1 11
2 12
3 13
4 14
5 15
6 16
7 17
8 18
9 19
dtype: int64
<class 'pandas.core.series.Series'>
データとインデックスを取得します。2.
ser_obj.index和ser_obj.values
サンプルコード：
# 获取数据
print(ser_obj.values)
# 获取索引
print(ser_obj.index)
結果：
[10 11 12 13 14 15 16 17 18 19]
RangeIndex(start=0, stop=10, step=1)
データのインデックスを取得します。3.
ser_obj [IDX]
サンプルコード：
#通过索引获取数据
print(ser_obj[0])
print(ser_obj[8])
結果：
10
18
前記インデックスデータと計算結果との対応関係は影響を受けません
サンプルコード：
# 索引与数据的对应关系不被运算结果影响
print(ser_obj * 2)
print(ser_obj > 15)
結果：
0 20
1 22
2 24
3 26
4 28
5 30
6 32
7 34
8 36
9 38
dtype: int64
0 False
1 False
2 False
3 False
4 False
5 False
6 True
7 True
8 True
9 True
dtype: bool
辞書5.建設シリーズ
サンプルコード：
# 通过dict构建Series
year_data = {2001: 17.8, 2002: 20.1, 2003: 16.5}
ser_obj2 = pd.Series(year_data)
print(ser_obj2.head())
print(ser_obj2.index)
結果：
2001 17.8
2002 20.1
2003 16.5
dtype: float64
Int64Index([2001, 2002, 2003], dtype='int64')
name属性
オブジェクト名：ser_obj.name
オブジェクトインデックス名：ser_obj.index.name
サンプルコード：
# name属性
ser_obj2.name = 'temp'
ser_obj2.index.name = 'year'
print(ser_obj2.head())
結果：
year
2001 17.8
2002 20.1
2003 16.5
Name: temp, dtype: float64
データフレーム
データフレームは、列の順序集合を含む、表形式のデータ構造であり、各列は、値の異なるタイプであってもよいです。両方の行インデックス列インデックスを有するデータフレームがシリーズ（株同じインデックス）を構成辞書として見ることができ、データは、二次元構造体に格納されています。
- 同様に多次元アレイ/テーブルデータ（例えば、エクセル、data.frameでR）
- データの各列は、異なるタイプのものであってもよいです
- インデックスは、列と行のインデックスを含みます
[画像チェーンが失敗したダンプ、ソースステーションは、セキュリティチェーン機構を有していてもよい、画像を保存するためにダウンをお勧めは、（IMG-chEUi9KJ-1579951800261）（... /画像/ DataFrame.png）直接アップロード]
ndarray 1.建設DATAFRAME
サンプルコード：
import numpy as np
# 通过ndarray构建DataFrame
array = np.random.randn(5,4)
print(array)
df_obj = pd.DataFrame(array)
print(df_obj.head())
結果：
[[ 0.83500594 -1.49290138 -0.53120106 -0.11313932]
[ 0.64629762 -0.36779941 0.08011084 0.60080495]
[-1.23458522 0.33409674 -0.58778195 -0.73610573]
[-1.47651414 0.99400187 0.21001995 -0.90515656]
[ 0.56669419 1.38238348 -0.49099007 1.94484598]]
0 1 2 3
0 0.835006 -1.492901 -0.531201 -0.113139
1 0.646298 -0.367799 0.080111 0.600805
2 -1.234585 0.334097 -0.587782 -0.736106
3 -1.476514 0.994002 0.210020 -0.905157
4 0.566694 1.382383 -0.490990 1.944846
辞書による2.建設DATAFRAME
サンプルコード：
# 通过dict构建DataFrame
dict_data = {'A': 1,
'B': pd.Timestamp('20170426'),
'C': pd.Series(1, index=list(range(4)),dtype='float32'),
'D': np.array([3] * 4,dtype='int32'),
'E': ["Python","Java","C++","C"],
'F': 'ITCast' }
#print dict_data
df_obj2 = pd.DataFrame(dict_data)
print(df_obj2)
結果：
A B C D E F
0 1 2017-04-26 1.0 3 Python ITCast
1 1 2017-04-26 1.0 3 Java ITCast
2 1 2017-04-26 1.0 3 C++ ITCast
3 1 2017-04-26 1.0 3 C ITCast
3.カラムのインデックスで（シリーズタイプ）列データを取得します
df_obj [col_idx]或df_obj.col_idx
サンプルコード：
# 通过列索引获取列数据
print(df_obj2['A'])
print(type(df_obj2['A']))
print(df_obj2.A)
結果：
0 1.0
1 1.0
2 1.0
3 1.0
Name: A, dtype: float64
<class 'pandas.core.series.Series'>
0 1.0
1 1.0
2 1.0
3 1.0
Name: A, dtype: float64
列データを増やす4.
df_obj [new_col_idx] =データ
同様のPythonの辞書追加キー値
サンプルコード：
# 增加列
df_obj2['G'] = df_obj2['D'] + 4
print(df_obj2.head())
結果：
A B C D E F G
0 1.0 2017-01-02 1.0 3 Python ITCast 7
1 1.0 2017-01-02 1.0 3 Java ITCast 7
2 1.0 2017-01-02 1.0 3 C++ ITCast 7
3 1.0 2017-01-02 1.0 3 C ITCast 7
5.削除列
デルdf_obj [col_idx]
サンプルコード：
# 删除列
del(df_obj2['G'] )
print(df_obj2.head())
結果：
A B C D E F
0 1.0 2017-01-02 1.0 3 Python ITCast
1 1.0 2017-01-02 1.0 3 Java ITCast
2 1.0 2017-01-02 1.0 3 C++ ITCast
3 1.0 2017-01-02 1.0 3 C ITCast
