访问DataFrame元素
由于DataFrame由Series对象组成，因此可以使用完全相同的工具来访问其元素。 关键的区别是DataFrame的维度更大。 可对列使用索引运算符，对行使用.loc和.iloc访问方法。
- 使用索引运算符
将DataFrame视为字典，其值为Series，那么可以使用索引运算符访问其列：
>>> city_data["revenue"]
Amsterdam 4200
Tokyo 6500
Toronto 8000
Name: revenue, dtype: int64
>>> type(city_data["revenue"])
pandas.core.series.Series
如果列名是字符串，还可以使用带点符号的属性样式访问：
>>> city_data.revenue
Amsterdam 4200
Tokyo 6500
Toronto 8000
Name: revenue, dtype: int64
>>> toys = pd.DataFrame([
... {"name": "ball", "shape": "sphere"},
... {"name": "Rubik's cube", "shape": "cube"}
... ])
>>> toys["shape"]
0 sphere
1 cube
Name: shape, dtype: object
>>> toys.shape
(2, 2)
列名与DataFrame属性或方法名相同不能使用这种方法。生产代码或操作数据（例如定义新列）尽量不要使用属性的方法。
- 使用.loc和.iloc
与Series相似，DataFrame还提供.loc和.iloc数据访问方法。
>>> city_data.loc["Amsterdam"]
revenue 4200.0
employee_count 5.0
Name: Amsterdam, dtype: float64
>>> city_data.loc["Tokyo": "Toronto"]
revenue employee_count
Tokyo 6500 8.0
Toronto 8000 NaN
>>> city_data.iloc[1]
revenue 6500.0
employee_count 8.0
Name: Tokyo, dtype: float64
对于DataFrame，数据访问方法.loc和.iloc也接受第二个参数。 当第一个参数根据索引选择行时，第二个参数选择列。 您可以将这些参数一起使用，以从DataFrame中选择行和列的子集：
用逗号分隔参数，逗号之前表示行，之后表示列。
现在是时候在更大的nba数据集中看到相同的构造了。 选择标签5555和5559之间的所有比赛。您只对球队的名称和得分感兴趣，因此也请选择这些元素。 展开下面的代码块以查看解决方案：
>>> nba.loc[5555:5559, ["fran_id", "opp_fran", "pts", "opp_pts"]]
scores_5555_5559.ac34be4fb1c1.png
查询数据集
>>> current_decade = nba[nba["year_id"] > 2010]
>>> current_decade.shape
(12658, 23)
>>> games_with_notes = nba[nba["notes"].notnull()] # 等效 games_with_notes = nba[nba["notes"].notna()]
>>> games_with_notes.shape
(5424, 23)
>>> ers = nba[nba["fran_id"].str.endswith("ers")]
>>> ers.shape
(27797, 23)
>>> nba[
... (nba["_iscopy"] == 0) &
... (nba["pts"] > 100) &
... (nba["opp_pts"] > 100) &
... (nba["team_id"] == "BLB")
... ]
>>> nba[
(nba["_iscopy"] == 0) &
(nba["team_id"].str.startswith("LA")) &
(nba["year_id"]==1992) &
(nba["notes"].notnull())
]
图片.png
分组和汇总数据
Series具有二十多种不同的计算描述统计的方法。 这里有些例子：
>>> city_revenues.sum()
18700
>>> city_revenues.max()
8000
>>> points = nba["pts"]
>>> type(points)
<class 'pandas.core.series.Series'>
>>> points.sum()
12976235
>>> nba.groupby("fran_id", sort=False)["pts"].sum()
fran_id
Huskies 3995
Knicks 582497
Stags 20398
Falcons 3797
Capitols 22387
>>> nba[
... (nba["fran_id"] == "Spurs") &
... (nba["year_id"] > 2010)
... ].groupby(["year_id", "game_result"])["game_id"].count()
year_id game_result
2011 L 25
W 63
2012 L 20
W 60
2013 L 30
W 73
2014 L 27
W 78
2015 L 31
W 58
Name: game_id, dtype: int64
>>> nba[
... (nba["fran_id"] == "Warriors") &
... (nba["year_id"] == 2015)
... ].groupby(["is_playoffs", "game_result"])["game_id"].count()
is_playoffs game_result
0 L 15
W 67
1 L 5
W 16
默认情况下，Pandas在对.groupby()的调用过程中对组进行排序。 如果您不想排序，请传递sort=False 。 此参数可以提高性能。
操作列
>>> df = nba.copy()
>>> df.shape
(126314, 23)
>>> df["difference"] = df.pts - df.opp_pts
>>> df.shape
(126314, 24)
>>> df["difference"].max()
68
>>> renamed_df = df.rename(
... columns={"game_result": "result", "game_location": "location"}
... )
>>> renamed_df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 126314 entries, 0 to 126313
Data columns (total 24 columns):
gameorder 126314 non-null int64
...
location 126314 non-null object
result 126314 non-null object
forecast 126314 non-null float64
notes 5424 non-null object
difference 126314 non-null int64
dtypes: float64(6), int64(8), object(10)
memory usage: 23.1+ MB
>>> df.shape
(126314, 24)
>>> elo_columns = ["elo_i", "elo_n", "opp_elo_i", "opp_elo_n"]
>>> df.drop(elo_columns, inplace=True, axis=1)
>>> df.shape
(126314, 20)
修改数据类型
>>> df.info()
>>> df["date_game"] = pd.to_datetime(df["date_game"])
>>> df["game_location"].nunique()
>>> df["game_location"].value_counts()
A 63138
H 63138
N 38
>>> df["game_location"] = pd.Categorical(df["game_location"])
>>> df["game_location"].dtype
CategoricalDtype(categories=['A', 'H', 'N'], ordered=False)
categorical与非结构化文本相比，数据具有一些优势。当您指定categorical数据类型时，由于Pandas仅在内部使用唯一值，因此使验证更加容易并节省了大量内存。总值与唯一值的比率越高，您将获得更多的空间节省。
网友评论