精华内容
下载资源
问答
  • >>> import pandas as pd>>... print(np.__version__), print(pd.__version__)1.14.30.23.0Series从 numpy 数组创建,并指定索引值>>> s1 = pd.Series(np.random.rand(...

    >>> import pandas as pd

    >>> import numpy as np

    >>> print(np.__version__), print(pd.__version__)

    1.14.3

    0.23.0

    Series

    从 numpy 数组创建,并指定索引值

    >>> s1 = pd.Series(np.random.rand(4), index=['a', 'b', 'c', 'd'])

    >>> s1

    a 0.390501

    b 0.460804

    c 0.176490

    d 0.465754

    dtype: float64

    如果没有指定索引,则默认会创建从 0 到 N-1 的数组作为索引值,这里的 N 是 Series 的长度(即它所包含的元素个数):

    >>> s2 = pd.Series(np.random.rand(4))

    >>> s2

    0 0.210839

    1 0.979725

    2 0.862411

    3 0.780342

    dtype: float64

    通过索引访问元素

    >>> s1['c']

    0.176490

    >>> # 也可以给元素赋值(修改元素值)

    >>> s1['c'] = 3.14

    >>> # 同时访问多个元素

    >>> s1[['c', 'a', 'b']]

    c 3.140000

    a 0.390501

    b 0.460804

    dtype: float64

    从字典中创建

    字典中的键将会作为索引值,字典中的值将会作为元素值:

    >>> s3 = pd.Series({'001': 'Nam', '002': 'Mary', '003': 'Peter'})

    >>> s3

    001 Nam

    002 Mary

    003 Peter

    dtype: object

    从字典中创建 Series 时,也可以自定义索引值或者是添加过滤(即指定只从字典中的某几个键进行创建)。当自定义的索引值不存在于字典中的键时,默认会用NaN来作为这个索引的值:

    >>> s4 = pd.Series({'001': 'Nam', '002': 'Mary', '003': 'Peter'}, index=['002', '001', '024', '065'])

    >>> s4

    002 Mary

    001 Nam

    024 NaN

    065 NaN

    dtype: object

    可以看到,由于传进来的字典中只有001和002这两个键,于是创建的 Series 中只保留了这两项,而024和065对应的值则是NaN。

    判断元素是否为空

    >>> pd.isnull(s4)

    002 False

    001 False

    024 True

    065 True

    dtype: bool

    从标量值创建

    >>> s5 = pd.Series(2.71, index=['x', 'y'])

    >>> s5

    x 2.71

    y 2.71

    dtype: float64

    可以理解为:指定多少个索引,创建的 Series 中就会包含多少个相同值的元素

    相加

    这里主要演示的是,Pandas 会自动根据索引来对齐两个 Series 然后再进行数学运算

    >>> s6 = pd.Series(np.array([2.71, 3.14]), index=['z', 'y'])

    >>> s6

    z 2.71

    y 3.14

    dtype: float64

    >>> s5 + s6

    x NaN

    y 5.85

    z NaN

    dtype: float64

    DataFrame

    从字典中创建

    >>> data = {'Year': [2000, 2005, 2010, 2014],

    'Median_Age': [24.2, 26.4, 28.5, 30.3],

    'Density': [244, 256, 268, 279]}

    >>> df1 = pd.DataFrame(data)

    >>> df1

    Year Median_Age Density

    0 2000 24.2 244

    1 2005 26.4 256

    2 2010 28.5 268

    3 2014 30.3 279

    默认顺序是传进去的字典的顺序,也可以根据列名(column)进行指定:

    >>> df2 = pd.DataFrame(data, columns=['Year', 'Density', 'Median_Age'])

    >>> df2

    Year Density Median_Age

    0 2000 244 24.2

    1 2005 256 26.4

    2 2010 268 28.5

    3 2014 279 30.3

    也可以像 Series 那样指定索引值:

    >>> df3 = pd.DataFrame(data, columns=['Year', 'Density', 'Median_Age'], index=['a', 'b', 'c', 'd'])

    >>> df3.index

    Index(['a', 'b', 'c', 'd'], dtype='object')

    直接从嵌套的列表中创建

    >>> df4 = pd.DataFrame([

    ['Peter', 16, 'pupil', 'TN', 'M', None],

    ['Mary', 21, 'student', 'SG', 'F', None],

    ['Nam', 22, 'student', 'HN', 'M', None],

    ['Mai', 31, 'nurse', 'SG', 'F', None],

    ['John', 28, 'laywer', 'SG', 'M', None]],

    columns=['name', 'age', 'careet', 'province', 'sex', 'award'])

    >>> # 有两种方式可以取到某一列。前提是这个列名不包含空格等特殊字符

    >>> # 如果包含空格,则只能使用第二种方式

    >>> df4.name

    0 Peter

    1 Mary

    2 Nam

    3 Mai

    4 John

    Name: name, dtype: object

    >>> df4['name']

    0 Peter

    1 Mary

    2 Nam

    3 Mai

    4 John

    Name: name, dtype: object

    >>> # 修改某一列(整列)的内容

    >>> df4['award'] = None

    name age careet province sex award

    0 Peter 16 pupil TN M None

    1 Mary 21 student SG F None

    2 Nam 22 student HN M None

    3 Mai 31 nurse SG F None

    4 John 28 laywer SG M None

    从文件中生成

    从 CSV 文件中生成

    假设有名为 person.csv 的文件内容如下:

    name,age,career,province,sex

    Peter,16,pupil,TN,M

    Mary,21,student,SG,F

    Nam,22,student,HN,M

    Mai,31,nurse,SG,F

    John,28,lawer,SG,M

    可使用read_csv来进行读取,直接生成 DataFrame

    >>> df4 = pd.read_csv('person.csv')

    >>> df4

    name age career province sex

    0 Peter 16 pupil TN M

    1 Mary 21 student SG F

    2 Nam 22 student HN M

    3 Mai 31 nurse SG F

    4 John 28 lawer SG M

    0.23.0 版本的 pandas 中的read_csv函数有 49 个参数,分别有不同的用途,比如指定分隔符、指定哪一行做为列名、跳过开头几行、忽略末尾几行等等。可以通过查看文档了解。

    展开全文
  • 新建 Series 数据结构(key 和 value)3. Series 的排序4. 区间求值5. 根据 index 求不同媒体对相同电影评分的均值 # Series (Collection of values) # DataFrame (Collection of Series Objects) ''' Pandas 读取...

    # Series (Collection of values)
    # DataFrame (Collection of Series Objects)
    '''
        Pandas 读取的 csv 文件会形成一个 DataFrame 数据结构,其中的每行就是一个 Series 数据结构,每列同样是一个 Series 数据结构
    '''
    

    1. DataFrame 和 Series 关系

    import pandas as pd
    
    fandago = pd.read_csv('fandango_score_comparison.csv')
    print(type(fandago))
    series_film = fandago['FILM']
    print(type(series_film))
    print(series_film[0:5])
    print('---------------')
    print(fandago['RottenTomatoes'][0:5])
    
    <class 'pandas.core.frame.DataFrame'>
    <class 'pandas.core.series.Series'>
    0    Avengers: Age of Ultron (2015)
    1                 Cinderella (2015)
    2                    Ant-Man (2015)
    3            Do You Believe? (2015)
    4     Hot Tub Time Machine 2 (2015)
    Name: FILM, dtype: object
    ---------------
    0    74
    1    85
    2    80
    3    18
    4    14
    Name: RottenTomatoes, dtype: int64
    

    2. 新建 Series 数据结构(key 和 value)

    from pandas import Series
    
    # 获取 Series 数据结构的值(ndarray 类型)
    values = series_film.values
    print(values[0:5])
    print(type(values))
    
    # 获取索引对象
    index = series_film.index
    print(index)
    
    # 每部电影的名字做作为索引,‘烂番茄’ 网站对每部电影的评分作为值,以此新建一个 Series 数据结构
    series_score = fandago['RottenTomatoes']
    new_series = Series(series_score.values, index=series_film)
    print(new_series.head())
    print(new_series.index[0:3])
    # 根据索引(string 类型)取值
    result = new_series[['Cinderella (2015)', 'Avengers: Age of Ultron (2015)']]
    print(result)
    
    ['Avengers: Age of Ultron (2015)' 'Cinderella (2015)' 'Ant-Man (2015)'
     'Do You Believe? (2015)' 'Hot Tub Time Machine 2 (2015)']
    <class 'numpy.ndarray'>
    RangeIndex(start=0, stop=146, step=1)
    FILM
    Avengers: Age of Ultron (2015)    74
    Cinderella (2015)                 85
    Ant-Man (2015)                    80
    Do You Believe? (2015)            18
    Hot Tub Time Machine 2 (2015)     14
    dtype: int64
    Index(['Avengers: Age of Ultron (2015)', 'Cinderella (2015)',
           'Ant-Man (2015)'],
          dtype='object', name='FILM')
    FILM
    Cinderella (2015)                 85
    Avengers: Age of Ultron (2015)    74
    dtype: int64
    

    3. Series 的排序

    result = new_series.sort_index()
    print(result.head())
    result = new_series.sort_values()
    print(result.tail())
    
    Index(['Avengers: Age of Ultron (2015)', 'Cinderella (2015)',
           'Ant-Man (2015)'],
          dtype='object', name='FILM')
    FILM
    '71 (2015)                    97
    5 Flights Up (2015)           52
    A Little Chaos (2015)         40
    A Most Violent Year (2014)    90
    About Elly (2015)             97
    dtype: int64
    FILM
    Song of the Sea (2014)                        99
    Phoenix (2015)                                99
    Selma (2014)                                  99
    Seymour: An Introduction (2015)              100
    Gett: The Trial of Viviane Amsalem (2015)    100
    dtype: int64
    

    4. 区间求值

    print(new_series.index[0:3])
    print(new_series[new_series.values > 90])
    smaller_values = new_series.values > 80
    bigger_values = new_series.values < 90
    print(new_series[smaller_values & bigger_values])
    
    Index(['Avengers: Age of Ultron (2015)', 'Cinderella (2015)',
           'Ant-Man (2015)'],
          dtype='object', name='FILM')
    FILM
    Shaun the Sheep Movie (2015)                    99
    Leviathan (2014)                                99
    Selma (2014)                                    99
    Ex Machina (2015)                               92
    Wild Tales (2014)                               96
    The End of the Tour (2015)                      92
    Red Army (2015)                                 96
    The Hunting Ground (2015)                       92
    I'll See You In My Dreams (2015)                94
    Timbuktu (2015)                                 99
    About Elly (2015)                               97
    The Diary of a Teenage Girl (2015)              95
    Birdman (2014)                                  92
    The Gift (2015)                                 93
    Monkey Kingdom (2015)                           94
    Mr. Turner (2014)                               98
    Seymour: An Introduction (2015)                100
    The Wrecking Crew (2015)                        93
    Mad Max: Fury Road (2015)                       97
    Spy (2015)                                      93
    Paddington (2015)                               98
    What We Do in the Shadows (2015)                96
    The Salt of the Earth (2015)                    96
    Song of the Sea (2014)                          99
    It Follows (2015)                               96
    Phoenix (2015)                                  99
    Tangerine (2015)                                95
    Mission: Impossible – Rogue Nation (2015)     92
    Amy (2015)                                      97
    Inside Out (2015)                               98
    '71 (2015)                                      97
    Two Days, One Night (2014)                      97
    Gett: The Trial of Viviane Amsalem (2015)      100
    dtype: int64
    FILM
    Cinderella (2015)                        85
    Top Five (2014)                          86
    Love & Mercy (2015)                      89
    Far From The Madding Crowd (2015)        84
    Black Sea (2015)                         82
    Trainwreck (2015)                        85
    Still Alice (2015)                       88
    When Marnie Was There (2015)             89
    Furious 7 (2015)                         81
    Me and Earl and The Dying Girl (2015)    81
    Dope (2015)                              87
    The Overnight (2015)                     82
    While We're Young (2015)                 83
    Clouds of Sils Maria (2015)              89
    Testament of Youth (2015)                81
    The Wolfpack (2015)                      84
    The Stanford Prison Experiment (2015)    84
    Mr. Holmes (2015)                        87
    Kumiko, The Treasure Hunter (2015)       87
    dtype: int64
    

    5. 根据 index 求不同媒体对相同电影评分的均值

    score_critics = Series(fandago['RottenTomatoes'].values, index=fandago['FILM'])
    score_users = Series(fandago['RottenTomatoes_User'].values,index=fandago['FILM'])
    avg_score = (score_critics+score_users)/2
    print(avg_score.head())
    
    FILM
    Avengers: Age of Ultron (2015)    80.0
    Cinderella (2015)                 82.5
    Ant-Man (2015)                    85.0
    Do You Believe? (2015)            51.0
    Hot Tub Time Machine 2 (2015)     21.0
    dtype: float64
    
    展开全文
  • Pandas的Series数据类型

    2019-02-25 21:32:00
    数据为numpy中的array类型,索引为自己新建的index类型,这两者共同构成了Series类型。所以说pandas是基于numpy构成的。 Series类型的创建方法 1.从标量值创建 2.从字典类型创建 3.从ndarray创建 ...

    Series类型由一组数据及与之相关的数据索引组成。

    数据为numpy中的array类型,索引为自己新建的index类型,这两者共同构成了Series类型。所以说pandas是基于numpy构成的。

    Series类型的创建方法

    1.从标量值创建

    2.从字典类型创建

    3.从ndarray创建

    Series数据创建汇总

     

     Series基本操作

    其中array为numpy数据类型,index为新建的数据类型

     

     

     

     

    b.get('f',100) 判断‘f'索引是否存在于b中,若存在则返回对应的值,若不存在则返回100。

     

    索引值相同的值才会相加,基于索引的运算更加准确。

     

    转载于:https://www.cnblogs.com/ldyj/p/10433630.html

    展开全文
  • 今天在nuxtjs项目中引入echarts3D效果图的时候,一直给我提示Component series.scatter3D not exists. Load it first,让我很懵逼。 找了很久终于解决,原因是echarts-gl引入错误(真的是粗心) 记录一下 npm ...

    今天在nuxtjs项目中引入echarts3D效果图的时候,一直给我提示Component series.scatter3D not exists. Load it first,让我很懵逼。

    找了很久终于解决,原因是echarts-gl引入错误(真的是粗心)

    记录一下

    npm install echarts echarts-gl

    安装完成后在plugins文件夹下新建两个文件 echarts.js和echarts-gl.js

    echarts.js

    import Vue from 'vue'
    import echarts from 'echarts' // 引入echarts
    Vue.prototype.$echarts = echarts // 引入组件(将echarts注册为全局)
    复制代码

    echarts-gl.js

    import Vue from 'vue'
    import echartsGL from 'echarts-gl' // 引入echarts
    Vue.prototype.$echartsGL = echartsGL // 引入组件(将echarts注册为全局)
    复制代码

    nuxt.config.js的plugins中加入

    '~plugins/echarts','~plugins/echarts-gl'
    复制代码

    复制一下官网上的代码

    import pointData from '../../data/life-expectancy-table'
        export default {
            layout: 'basic',
            name: 'Echarts',
            data() {
                return {
                }
            },
            methods: {
                echartsInit() {
                    // 找到容器
                    let data = pointData;
                    let myChart = this.$echarts.init(document.getElementById('myChart'))
                    var symbolSize = 2.5;
                    let option = {
                        grid3D: {},
                        xAxis3D: {
                            type: 'category'
                        },
                        yAxis3D: {},
                        zAxis3D: {},
                        dataset: {
                            dimensions: [
                                'Income',
                                'Life Expectancy',
                                'Population',
                                'Country',
                                {name: 'Year', type: 'ordinal'}
                            ],
                            source: data
                        },
                        series: [
                            {
                                type: 'scatter3D',
                                symbolSize: symbolSize,
                                encode: {
                                    x: 'Country',
                                    y: 'Life Expectancy',
                                    z: 'Income',
                                    tooltip: [0, 1, 2, 3, 4]
                                }
                            }
                        ]
                    };
                    myChart.setOption(option)
                },
            },
            mounted() {
                this.echartsInit()
            }
        }
    复制代码

    搞定

    展开全文
  • 以下是您将获得的其他功能的列表:-日期/时间-天气预报-速拨-屏幕保护程序-Google Calendar Sync-“新建”选项卡主题库此插件可更改您的默认搜索。 隐私政策:https://coolstart.com/privacy-policy使用条款:...
  • 在DataFrame中新建列赋值后全部为NaN的问题释疑

    千次阅读 多人点赞 2019-05-20 22:00:41
    在pandas中,有时候我们对一个df以如下方式新创建一个列,然后用一个Series赋值给新建的列,但是发现得到的新列的值全部为NaN,这是什么原因呢? df['newColumn']=df_other['otherColumn'] 注意以上赋值方式中,...
  • 小部件和功能:-日期/时间-天气小部件-书签-最近关闭的页面-访问量最大的站点-屏幕保护程序模式-新建选项卡主题库此扩展名更改您的默认搜索。 隐私政策:https://coolstart.com/privacy-policy使用条款:...
  • 以下是您将获得的其他功能的列表:-日期/时间-天气预报-速拨-屏幕保护程序-Google Calendar Sync-“新建”选项卡主题库此插件可更改您的默认搜索。 隐私政策:https://coolstart.com/privacy-policy使用条款:...
  • 功能:-日期/时间-天气预报-待办事项列表-快速拨号(访问量最大的站点/书签/最近关闭的页面)-新建选项卡主题库此加载项更改您的默认搜索。 隐私政策:https://coolstart.com/privacy-policy使用条款:...
  • 准备工作: 下载CCS开发环境,这种用的版本是...第一步:新建一个CCS Project 第二步:选择芯片,工程路径,点完成 第三步:打开安装好的TivaWare,复制需要的文件 路径:C:\ti\TivaWare_C_Series-2.1.4.178...
  • 小部件和功能:-时钟-天气-快速拨号-Gmail收件箱-屏幕保护程序-“新建”选项卡主题库此扩展名更改您的默认搜索。 隐私政策:https://coolstart.com/privacy-policy使用条款:https://coolstart.com/terms-of-use如何...
  • Pandas 创建DataFrame,Pandas 数据帧(DataFrame)是二维数据结构,它包含一组有序的列,每列可以是不同的数据类型,DataFrame既有行索引,也有列索引,它可以看作是Series组成的字典,不过这些Series共用一个索引。...
  • 准备个web工具,HBuilder.exe,新建web项目,将下载的echarts.js文件,复制过来。开始体验画图。参照官网案例,可复制案例代码,做更改,实现快速作图。<!DOCTYPE html><html> <head> <meta ...
  • 新建winform,我们用vs2010自带的chart控件向winform窗体中添加时,菜单栏中:视图-》工具箱》数据》chart,直接调式:结果如下:chart绘图区域空白,只有一个series1。但是我们想不绑定数据,也能有控件的坐标图...
  • 功能:-日期/时间-天气预报-待办事项列表-快速拨号(访问量最大的站点/书签/最近关闭的页面)-新建选项卡主题库此加载项更改您的默认搜索。 隐私政策:https://coolstart.com/privacy-policy使用条款:...
  • 小部件和功能:-日期/时间-天气小部件-书签-最近关闭的页面-访问量最大的站点-屏幕保护程序模式-新建选项卡主题库此扩展名更改您的默认搜索。 隐私政策:https://coolstart.com/privacy-policy使用条款:...
  • pandas 学习笔记

    2018-11-19 21:44:53
    # encoding:utf-8 # pandas 主要有两个对象 Series 和 DataFrame # 特点就是运算索引和列名会自动对齐 ...obj = Series(np.random.randn(5),index=list('bcda')) #新建 Series obj = Series({'a...
  • 点击“机器学习算法与Python实战”,“置顶”公众号重磅干货,第一时间送达Python数据分析之numpy数组全解析Python数据分析之Pandas读写外部数据文件目录 1引言2 Series数组2.1 Series数组构成2.2 创建Series数组2.3...
  • 【记录】MDK新建工程

    2016-06-24 23:02:49
    声明:参考《STM32F4开发...选择芯片型号,购买的开发板芯片型号是STM32F407ZGT6,在弹出的对话框中选择STMicroelectronics->STM32F4 Series->STM32F407->STM32F407ZG。之后弹出的Manager Run-Time Environment中点击C
  • 打开软件keil,新建工程,命名为【Template】,保存到上面的【USER】文件夹中。 接下来选择我们所使用的芯片,这里我所使用的是正点原子的【STM32F103ZE】,大家按照自己的芯片型号选择即可。这里我们选择 ...
  • 用友NC57新建公司账失败,显示如下提示 请相关业务组解决,模块为:人员信息管理. 正在执行初始化的类:nc.impl.hi.pub.HiInitDataImpl,其所属文件为:6007.dat. 请相关业务组解决 出现此异常是因为人员管理档案表(bd_...
  • 2 在菜单栏中点击PROJECT----creat New Project 弹出一个对话框选择STM8S Series 以及 Empty project 单击OK 3 进入工程文件的保存设置,在你要保存的工程的路径下以当前项目名称为名的文件夹,然后项目名称文件....
  • Welcome to Part 2 of our series covering all major aspects of the WordPress vs Joomla debate.Today we’ll be covering templates, frameworks and themes for Joomla and WordPress. 欢迎来到我们系列的第.....
  • 本文将主要从pandas的工具安装 、基本概念、读取数据、选择性查看数据Series与DataFrame、查看统计信息、筛选数据、groupby操作、value_counts统计、其他工作中已需要用过的记录(如matplot进行画图展示、将数据写入...
  • 西北十红滩砂岩型铀矿床地下水的铀系不平衡研究,闵茂中,彭新建,本文是国内首次报道地下水中铀系不平衡研究结果。在西北十红滩砂岩型铀矿区及周边地区测定了地下水、泉水和爱丁湖水的溶解氧含量
  • 然后读者需要根据自己的情况新建一个项目并且按照如下的方式加载对应的js和css(因为笔者在VS2012环境下新建的,并且所需的js和css都会对应的放到js和css文件夹下,请读者根据自己的情况修正加载的路径) ...
  • 前言 分类数据直白来说就是取值为有限的,或者说是...1.新建Series时直接指定 s_blood = pd.Series(data=["A", "AB", np.nan, "AB", "O", "B"],dtype="category") s_blood 0 A 1 AB 2 NaN 3 AB 4 O 5 B dtype: categ
  • 1、从github上下载源码 ... 2、通过import一个maven项目导入eclipse,xunit项目是源码,xunit-sample是官方的例子。xunit基本的使用方式可以跟着例子慢慢学。editor是图形界面的编辑器,...3、新建一个普通的mave...

空空如也

空空如也

1 2 3 4 5 ... 7
收藏数 133
精华内容 53
关键字:

新建series