'''numpy 和 pandas 有什麼不同
如果用 python 的列表和字典來作比較, 那麼可以說 numpy 是列表形式的，沒有數值標籤，而 pandas 就是字典形式。pandas是基於numpy構建的，讓numpy為中心的應用變得更加簡單。
要使用pandas，首先需要了解他主要兩個資料結構：series和dataframe。
'''#todo 可以說 numpy 是列表形式的，沒有數值標籤，而 pandas 就是字典形式!!
import pandas as pd
import numpy as np
s = pd.series([1,3,6,np.nan,44,1])#輸入的引數是乙個列表
#此時s（series）包含了三個部分 1.索引 2.資料 3.資料型別dtype
print(s)
"""0 1.0
1 3.0
2 6.0
3 nan
4 44.0
5 1.0
dtype: float64
"""# dataframe
dates = pd.date_range('20160101',periods=6)
df = pd.dataframe(np.random.randn(6,4),index=dates,columns=['a','b','c','d'])
print(df)
""" a b c d
2016-01-01 -0.253065 -2.071051 -0.640515 0.613663
2016-01-02 -1.147178 1.532470 0.989255 -0.499761
2016-01-03 1.221656 -2.390171 1.862914 0.778070
2016-01-04 1.473877 -0.046419 0.610046 0.204672
2016-01-05 -1.584752 -0.700592 1.487264 -1.778293
2016-01-06 0.633675 -1.414157 -0.277066 -0.442545
"""# dataframe是乙個**型的資料結構，它包含有一組有序的列，每列可以是不同的值型別（數值，字串，布林值等）。dataframe既有行索引也有列索引， 它可以被看做由series組成的大字典。
# 我們可以根據每乙個不同的索引來挑選資料, 比如挑選 b 的元素:
# dataframe 的一些簡單運用
print(df['b'])#挑選b的元素
#此時返回的4各引數 是 1.行索引 2.數值 3.freq（頻率）？？ 4.dtype
"""2016-01-01 -2.071051
2016-01-02 1.532470
2016-01-03 -2.390171
2016-01-04 -0.046419
2016-01-05 -0.700592
2016-01-06 -1.414157
freq: d, name: b, dtype: float64
"""# 我們在建立一組沒有給定行標籤和列標籤的資料 df1:
df1 = pd.dataframe(np.arange(12).reshape((3,4)))
print(df1)
#此時沒有給定index和column 預設返回0開始的索引
""" 0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
"""df2 = pd.dataframe()
print(df2)
""" a b c d e f
0 1.0 2013-01-02 1.0 3 test foo
1 1.0 2013-01-02 1.0 3 train foo
2 1.0 2013-01-02 1.0 3 test foo
3 1.0 2013-01-02 1.0 3 train foo
"""# 這種方法能對每一列的資料進行特殊對待. 如果想要檢視資料中的型別, 我們可以用 dtype 這個屬性:
# 這個相當於excel的**？
print(df2.dtypes)#使用df2.dtype檢視每一行的資料型別
"""df2.dtypes
a float64
b datetime64[ns]
c float32
d int32
e category
f object
dtype: object
"""print(df2.index)
# 如果想看對列的序號: 相當於行號（行的名稱）
# int64index([0, 1, 2, 3], dtype='int64')
print(df2.columns)#相當於檢視列的名稱
# index(['a', 'b', 'c', 'd', 'e', 'f'], dtype='object')
print(df2.values)#只返回df2的所有值，不返回行號和列號
"""array([[1.0, timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
[1.0, timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo'],
[1.0, timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
[1.0, timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo']], dtype=object)
"""# 想知道資料的總結, 可以用 describe():
df2.describe()#使用describe相當於打個總結 返回count mean
""" a c d
count 4.0 4.0 4.0
mean 1.0 1.0 3.0
std 0.0 0.0 0.0
min 1.0 1.0 3.0
25% 1.0 1.0 3.0
50% 1.0 1.0 3.0
75% 1.0 1.0 3.0
max 1.0 1.0 3.0
"""print(df2.t) #轉置資料 反轉資料
#對資料的index（也就是行號）進行排序並且輸出
print(df2.sort_index(axis=1, ascending=false)) #ascending 上公升
""" f e d c b a
0 foo test 3 1.0 2013-01-02 1.0
1 foo train 3 1.0 2013-01-02 1.0
2 foo test 3 1.0 2013-01-02 1.0
3 foo train 3 1.0 2013-01-02 1.0
"""# 對資料 值 排序輸出:
print(df2.sort_values(by='b'))
""" a b c d e f
0 1.0 2013-01-02 1.0 3 test foo
1 1.0 2013-01-02 1.0 3 train foo
2 1.0 2013-01-02 1.0 3 test foo
3 1.0 2013-01-02 1.0 3 train foo
"""
出處：pandas主要的兩個資料結構series，dataframe
可以說numpy是列表形式的，沒有資料標籤，pandas是字典型別的，**形式的dateframe！！
s = pd.series([1,3,6,np.nan,44,1])#輸入的引數是乙個列表 輸出包含了三個部分 1.索引 2.資料 3.資料型別dtype
df = pd.dataframe(np.random.randn(6,4),index=dates,columns=['a','b','c','d']) 相當於生成了乙個**，行是index 列是columns
df2 = pd.dataframe()
這是建立的第二種形式，可以看到是按照每列每列的建造，非常的方便啊！在訓練神經結構的時候對資料處理的時候起到了很大的作用
dateframe.index 返回行的名稱
dateframe.columes 返回列的名稱
dateframe.values 返回的只有值
dateframe.describe 打個總結，在**問題上，對生成的資料進行總結
dateframe.t 轉置翻轉資料
dateframe.sort_index
dateframe.sort_values 都可以起到排序的作用
Pandas 基本介紹
本文是pandas的基本介紹 若用 python 的列表和字典來作比較,那麼可以說 numpy 是列表形式，而 pandas 就是字典形式。pandas是基於numpy構建的，讓numpy為中心的應用變得更加簡單。要使用pandas，首先要了解他主要兩個資料結構 series和dataframe。s...
Pandas介紹安裝 （1）
pandas通常和numpy一起學習，抽時間我會把numpy部分也更新上來。初學者建議按照上面的編號來學習，這樣以來知識點會比較全面，不需要你每個都掌握，只要你每個都是用過，都有一些印象，使用的時候再過來檢視就行了，這才是學習，一定要掌握學習方法。pandas是python裡對資料進行處理和分析比較...
pandas基本操作 1
這裡來介紹一下pandas。由於知識點比較多，決定分幾篇介紹。import numpy as np import pandas as pd pandas是基於numpy的乙個開源python庫。我認為相當於python版excel series是一種一維陣列，是基於ndarray設計的，但是他多了乙...