experiment-03-实验三 pandas的基本使用

本文介绍: （1）pandas的导入。（2）创建Se r i es 对象和Da t aFram e 数据表。（3）Da t aFr a m e 数据表索引与切片。（4）Da t aFr a m e 数据表添加删除行列的操作。（5）DataFram e 数据表的排序、排名、分组和合并操作。（6）DataFrame数据表的分类数据的转换和赋值及缺失值的处理。

（1）pandas的导入。
（2）创建Ser ie s 对象和DataFrame数据表。
（3）DataFrame数据表索引与切片。
（4）DataFrame数据表添加删除行列的操作。
（5）DataFrame数据表的排序、排名、分组和合并操作。
（6）DataFrame数据表的分类数据的转换和赋值及缺失值的处理。

（1）学会 pandas的导入。
（2）掌握Serie s和DataFrae数据表的创建。
（3）掌握DataFrame数据表索引与切片方法。
（4）掌握DataFrame添加删除行列的操作。
（5）掌握DataFrame数据表的排序、排名、分组和合并操作。
（6）掌握DataFrame数据表的分类数据的转换和赋值及缺失值的处理方法。

① 根据列表[2, 8, -5, 6, 7]创建Series 对象 s1并显示。

import pandas as pd
import numpy as np

s1=pd.Series([2, 8, -5, 6, 7]) 
s1

0    2
1    8
2   -5
3    6
4    7
dtype: int64

② 为列表[2, 8, -5, 6, 7]指定索引值[‘d’, ‘b’, ‘a’, ‘c’, ‘e’], 创建Series对象s2，显示s2并使用 index和values 属性查看s2索引名和值。

s2=pd.Series([2, 8, -5, 6, 7],index=['d', 'b', 'a', 'c', 'e'])
s2

d    2
b    8
a   -5
c    6
e    7
dtype: int64

s2.index

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

s2.values

array([ 2,  8, -5,  6,  7], dtype=int64)

③ 字典对象data 定义如下：
data = {‘name’: [‘zs’,‘ls’,‘ww’,‘zl’,‘lq’],‘age’: [23,24,22,25,21],‘ht’: [1.6,1.7,1.65,1.82,1.72]}
使用字典对象data 创建DataFrame对象member，行索引值为[‘101’,‘102’,‘103’,‘104’, ‘105’]。member 输出结果如下所示。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zZ1Qv6FQ-1669126612795)(experiment-03-three–pic/%E5%9B%BE%E7%89%87%201.png)]
要求：显示member并使用 columns、index和values 属性查看 member的列索引名、行索引名和值。

data = {'name': ['zs','ls','ww','zl','lq'],
        'age': [23,24,22,25,21],
        'ht': [1.6,1.7,1.65,1.82,1.72]
        } 
member=pd.DataFrame(data)
member.index=['101','102','103','104', '105']
member

	name	age	ht
101	zs	23	1.60
102	ls	24	1.70
103	ww	22	1.65
104	zl	25	1.82
105	lq	21	1.72

member.columns#查看列

Index(['name', 'age', 'ht'], dtype='object')

member.index#查看行

Index(['101', '102', '103', '104', '105'], dtype='object')

member.values #查看行

array([['zs', 23, 1.6],
       ['ls', 24, 1.7],
       ['ww', 22, 1.65],
       ['zl', 25, 1.82],
       ['lq', 21, 1.72]], dtype=object)

④ 根据numpy的nd array对象np1创建DataFrame对象d2并显示d2。
np1=np.arange(10).re shape(5,2)

import numpy as np
np1=np.arange(10).reshape(5,2)
print(np1)
d2=pd.DataFrame(np1)
d2

[[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]

	0	1
0	0	1
1	2	3
2	4	5
3	6	7
4	8	9

member.name

101    zs
102    ls
103    ww
104    zl
105    lq
Name: name, dtype: object

member['name']

101    zs
102    ls
103    ww
104    zl
105    lq
Name: name, dtype: object

member[['name','age']]

	name	age
101	zs	23
102	ls	24
103	ww	22
104	zl	25
105	lq	21

member[:'103']

	name	age	ht
101	zs	23	1.60
102	ls	24	1.70
103	ww	22	1.65

member.loc[['101','103']]

	name	age	ht
101	zs	23	1.60
103	ww	22	1.65

member.iloc[[0,2]]

	name	age	ht
101	zs	23	1.60
103	ww	22	1.65

member.loc[['102'],['name']]

	name
102	ls

member.iloc[[1],[0]]

	name
102	ls

member.loc[['101','103'],['name','ht']]

	name	ht
101	zs	1.60
103	ww	1.65

member.iloc[[0,2],[0,2]]

	name	ht
101	zs	1.60
103	ww	1.65

member['wt']=[55, 60, 70, 68, 57]
member['gender']=['f','m','f','m','m']
member

	name	age	ht	wt	gender
101	zs	23	1.60	55	f
102	ls	24	1.70	60	m
103	ww	22	1.65	70	f
104	zl	25	1.82	68	m
105	lq	21	1.72	57	m

member.rename(columns={'wt':'weight'},inplace=True)
member

	name	age	ht	weight	gender
101	zs	23	1.60	55	f
102	ls	24	1.70	60	m
103	ww	22	1.65	70	f
104	zl	25	1.82	68	m
105	lq	21	1.72	57	m

del member['gender']
member

	name	age	ht	weight
101	zs	23	1.60	55
102	ls	24	1.70	60
103	ww	22	1.65	70
104	zl	25	1.82	68
105	lq	21	1.72	57

str_stu={
    'Class':[1,2,3,1,2,2,2],
    'Major':['network ','network ','hardware','hardware','software ','hardware','hardware'],
    'Name':['Zhang San','Li Si','Wang Laowu','Zhao Liu','Qian Qi','Sun Ba','Hu Jiu']
}
stu=pd.DataFrame(str_stu)
stu.index=[101,102,103,104, 105,106,107]
stu

	Class	Maj or	Name
101	1	network	Zhang San
102	2	network	Li Si
103	3	hardware	Wang Laowu
104	1	hardware	Zhao Liu
105	2	software	Qian Qi
106	2	hardware	Sun Ba
107	2	hardware	Hu Jiu

str_scoresheet={
    'Name':['Zhang San','Li Si','Wang Laowu','Zhao Liu','Qian Qi','Sun Ba'],
    'Score':[98,76,84,70,93,83],
    'Subject':['Python','C++','Python','C++','Python','Java']
}
scoresheet=pd.DataFrame(str_scoresheet)
scoresheet.index=[101,102,103,104, 105,106]
scoresheet

	Name	Score	Subject
101	Zhang San	98	Python
102	Li Si	76	C++
103	Wang Laowu	84	Python
104	Zhao Liu	70	C++
105	Qian Qi	93	Python
106	Sun Ba	83	Java

stu.sort_values(by=['Major','Class'],axis=0,ascending=[True,True],inplace=True)
stu

	Class	Major	Name
104	1	hardware	Zhao Liu
106	2	hardware	Sun Ba
107	2	hardware	Hu Jiu
103	3	hardware	Wang Laowu
101	1	network	Zhang San
102	2	network	Li Si
105	2	software	Qian Qi

scoresheet.sort_values(by='Score',axis=0,ascending=False,inplace=True)
scoresheet

	Name	Score	Subject
101	Zhang San	98	Python
105	Qian Qi	93	Python
103	Wang Laowu	84	Python
106	Sun Ba	83	Java
102	Li Si	76	C++
104	Zhao Liu	70	C++

scoresheet.iloc[1,1]=98
scoresheet.iloc[5,1]=98
scoresheet.sort_index()

	Name	Score	Subject
101	Zhang San	98	Python
102	Li Si	76	C++
103	Wang Laowu	84	Python
104	Zhao Liu	98	C++
105	Qian Qi	98	Python
106	Sun Ba	83	Java

scoresheet.sort_values(by=['Score']).rank(method="min",ascending=False).sort_index()

	Name	Score	Subject
101	2.0	1.0	1.0
102	6.0	6.0	5.0
103	3.0	4.0	1.0
104	1.0	1.0	5.0
105	5.0	1.0	1.0
106	4.0	5.0	4.0

scoresheet.groupby('Subject').get_group('Python')

	Name	Score	Subject
101	Zhang San	98	Python
105	Qian Qi	98	Python
103	Wang Laowu	84	Python

scoresheet.groupby('Subject').describe()

	Score
C++	2.0	87.000000	15.556349	76.0	81.5	87.0	92.5	98.0
Java	1.0	83.000000	NaN	83.0	83.0	83.0	83.0	83.0
Python	3.0	93.333333	8.082904	84.0	91.0	98.0	98.0	98.0

pd.concat([stu,scoresheet],axis=1).sort_index()

	Class	Major	Name	Name	Score	Subject
101	1	network	Zhang San	Zhang San	98.0	Python
102	2	network	Li Si	Li Si	76.0	C++
103	3	hardware	Wang Laowu	Wang Laowu	84.0	Python
104	1	hardware	Zhao Liu	Zhao Liu	98.0	C++
105	2	software	Qian Qi	Qian Qi	98.0	Python
106	2	hardware	Sun Ba	Sun Ba	83.0	Java
107	2	hardware	Hu Jiu	NaN	NaN	NaN

pd.merge(stu.sort_index(),scoresheet.sort_index(),on='Name')

	Class	Major	Name	Score	Subject
0	1	network	Zhang San	98	Python
1	2	network	Li Si	76	C++
2	3	hardware	Wang Laowu	84	Python
3	1	hardware	Zhao Liu	98	C++
4	2	software	Qian Qi	98	Python
5	2	hardware	Sun Ba	83	Java

stu['Class'].astype('category')

101    1
102    2
103    3
104    1
105    2
106    2
107    2
Name: Class, dtype: category
Categories (3, int64): [1, 2, 3]

Class_name = pd.DataFrame({'Class':[1,2,3],
                            'Class_name':['17物联网1班','17物联网2班','17物联网3班']},
                            index=[101,102,103],dtype='category')
stu_Class_name = pd.merge(stu,Class_name,on='Class',how='left',indicator=False,validate=None)
stu_Class_name.index=[101,102,103,104, 105,106,107]
stu_Class_name

	Class	Major	Name	Class_name
101	1	network	Zhang San	17物联网1班
102	2	network	Li Si	17物联网2班
103	3	hardware	Wang Laowu	17物联网3班
104	1	hardware	Zhao Liu	17物联网1班
105	2	software	Qian Qi	17物联网2班
106	2	hardware	Sun Ba	17物联网2班
107	2	hardware	Hu Jiu	17物联网2班

stu_Class_name['Class_name'] = stu_Class_name['Class_name'].cat.set_categories(['17物联网2班','17物联网3班','17物联网1班'])
stu_Class_name_1 = stu_Class_name.sort_values(by=['Class_name'], ascending=True)
stu_Class_name_1

	Class	Major	Name	Class_name
102	2	network	Li Si	17物联网2班
105	2	software	Qian Qi	17物联网2班
106	2	hardware	Sun Ba	17物联网2班
107	2	hardware	Hu Jiu	17物联网2班
103	3	hardware	Wang Laowu	17物联网3班
101	1	network	Zhang San	17物联网1班
104	1	hardware	Zhao Liu	17物联网1班

scoresheet.iloc[3,1]=None
scoresheet.iloc[4,1]=None
scoresheet.interpolate().sort_index()

	Name	Score	Subject
101	Zhang San	98.000000	Python
102	Li Si	76.000000	C++
103	Wang Laowu	84.000000	Python
104	Zhao Liu	83.666667	C++
105	Qian Qi	83.333333	Python
106	Sun Ba	83.000000	Java

显示所有内容

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。

实验三 pandas的基本 使用

1．实验内容

2．目的要求

3．实验方法手段及其条件

（1）编写程序完成Series和DataFrame对象的基本 创建。

（2）编写程序完成DataFrame数据表对象member的索引与切片的操作。

（3）编写程序完成DataFrame数据表对象member的列/行添加 删除 操作。

（4）编写 程序完成DataFrame数据表对象stu和score sheet的排序、排名、分组和合并操作。

（5）编写 程序完成DataFrame数据表对象stu和scoresheet的分类数据和缺失数据操作。

发表回复取消回复

实验三 pandas的基本使用

1．实验内容

2．目的要求

3．实验方法手段及其条件

（1）编写程序完成Series和DataFrame对象的基本创建。

（2）编写程序完成DataFrame数据表对象member的索引与切片的操作。

（3）编写程序完成DataFrame数据表对象member的列/行添加删除操作。

（4）编写程序完成DataFrame数据表对象stu和scoresheet的排序、排名、分组和合并操作。

（5）编写程序完成DataFrame数据表对象stu和scoresheet的分类数据和缺失数据操作。

相关文章

发表回复 取消回复

（4）编写程序完成DataFrame数据表对象stu和score sheet的排序、排名、分组和合并操作。

发表回复取消回复