數據分析的python基底（3）——array、Series、DataFrame筆記

zhuanlan.zhihu.com

（我看的是英文新版，針對Python3，信我，英語過四級的絕對能看懂，別怕！）

Ch4. NumPy

NumPy包中最重要的對象是多維數組（ndarray），數組裡的數據叫元胞（cell）。

ndarray（簡稱array）

數組內元胞必須是同種數據類型，shape-查看行列，.dtype-查看元胞類型，.ndim-查看維度。修改元胞類型可用.astype(np.float64)，這個方法可以把string類型的數值轉換成純數值。

構造方法

（不加dtype參數的話默認創建float64類型）

• list轉array，np.array，指定元素類型：arr = np.array([1,1,2], dtype = np.int32)，註：元素等長的list轉換成array會變成多維
• np.zeros(shape)，單個數字就是一維的，兩個是二維（行，列）
• np.empty((length,shape))，例np.empty((2,2,3))，只分配地址，不賦初值
• np.full((shape),fill_value)
• np.arange(5)，結果是array([0,1,2,3,4])
• arr2 = np.ones_like(arr1) 或zeros_like(arr1)，
• np.random.normal(size=(4,4))，標準正態分布

1. array最重要的特徵是「向量化」，等長的array間能進行數學運算。
2. array的切片和list不同，array的切片不是copy，而是映射view，提取切片修改它的數值原始的array也會被修改！要想複製可用arr[5:8].copy()。切片里可以直接用判斷語句，如data[data < 0]
3. 一個神奇的功能：可以用boolean判斷得到的True作為數組的下標，但boolean數組必須與目標數組等長，返回的是copy，例子：

4. 「fancy index」 ：arr[[1, 5, 7, 2], [0, 3, 1, 2]]，這裡選擇的是(1,0),(5,3),(7,1),(2,2)

5. array.T，最正常的轉置。transpose和swapaxes用shape去理解，<詳細例子理解> 如：transpose(2,1,0) = shape[0,1,3]—>[3,1,0] , swapaxes(2,1) = shape[0,1,3]—>[0,3,1]

array里一些好用的函數

• np.where(條件con，替代值x，替代值y)，相當於語句x if con else y. 例如np.where(arr>0, 2, arr)，數組arr中大於0的元胞變成2，其他不變。
• 求統計值系列：.mean/sum/cumsum(累加)/cumprod(累乘)/min/max/std/var（方差）…...可帶參數axis指定計算方向，0列1行。（這樣能實現統計學上的降維，估計是為了建模時擬合度更好。）
• 排序sort(1)，參數0列1行
• 集合屬性系列：僅對一維數組有效

Ch5. Pandas

Series

Series就是帶索引（index）的一維array，開頭的S必須大寫。

構造方法

• obj = pd.Series([4, 7, -5, 3], index=[d, b, a, c])。不帶參數的話默認使用數字索引0、1、2….（這裡，為了避免數字索引和行數混淆，如果索引是int，在切片時默認[]內是索引而不是行數）
• .Series(dict) 傳入字典，key自動作為索引

關於索引

• 注意，用[索引]切片時左右都是閉區間，如obj[b:c]是b和c行，用行數切片時是左閉右開，如obj[1:3]是1、2行
• 可以通過索引訪問、修改元素，多個索引這樣表示：s[[a,c]]
• 可以直接新增元素，obj[d] = 6
• s.index查看索引和類型（索引不是非要int）

1. 對Series使用函數，作用的是Series的copy，要賦值後才會改變Series本尊，比如s.reindex([b,a,d,c])修改下標，s本身不會變，要s=s.reindex([b,a,d,c])才行。
2. 常用isnull, notnull查缺失值，.sort_index默認按行升序

關於axis的特別提醒

看了一些例子後搞不清楚axis=1到底是按行還是按列。。其實正確來記axis應該被當做動詞理解，就是axis=0代表往跨行（down)，而axis=1代表跨列（across)，

換句話說:

• 使用0值表示沿著每一列或行標籤索引值向下執行方法
• 使用1值表示沿著每一行或者列標籤方向執行對應的方法

DataFrame

理解成「表」，每一列的數據可以是不同類型，每一列是一個Series。列索引叫column，行索引叫index，它們還能有更具體的名字表達實際含義，（看起來更像一張表了）例子：

構造方法

• np.DataFrame()，傳入等長字典（嵌套字典也行）、list或者array，可指定參數column與index
• 讀取文件，比如.read_csv(),.read_Excel()

增刪改查

• 由列索引讀取某列數據：df.name或df[name]。name列不存在的話直接df[name]=[…]就會創建,但df.name不行。
• 由行、列索引讀取：df.loc[a:c,』age『]，ac是行索引，age列索引
• 由行數、列數讀取：如df.iloc[1]是第二行，df.iloc[2,[0,1]]是第三行的一、二列
• df[(df.class ==second) & (df.age < 20)]，[]里寫查詢條件，或者用query函數里寫SQL語句：df.query((age < 20) and (class=="second"))
• 聯合起來用，df.iloc[ :,:3 ][ df.age>5 ]，在指定區域查找
• 粗暴地刪除某列用 del df[age]或 df.drop(age,axis=1)，刪除某行 df.drop(行索引)。如果想只刪除age列為14，15，16的某幾行可以這樣寫：df=df[(True-df[age].isin([14,15,16]))] ，參考自<這裡>
• 修改某列Series的類型，df.age = df.age.astype(str) （牢記上面提到的函數對Series的copy起作用）。

一些函數

排序 .sort_value(by=[索引])

.rename(index= ,columns= ),實際上當做「複製df」來用而不是中文字面的重命名。會創建copy而不是更改本尊，如果想直接改本尊請帶上inplace=True參數。還可以在參數中更改特定的index，如

data.rename(index={OHIO: INDIANA},columns={three: peekaboo})

在實際練習中遇到疑難會再補充