pandas数据读取(DataFrame & Series)
2024-09-05 03:46:30
1、pandas数据的读取
pandas需要先读取表格类型的数据,然后进行分析
数据说明 | 说明 | pandas读取方法 |
csv、tsv、txt | 用逗号分割、tab分割的纯文本文件 | pd.read_csv |
excel | 微软xls或者xlsx文件 | pd.read_excel |
mysql | 关系向数据库表 | pd.read_sql |
#本代码示例: import pandas as pd #导入包 #1读取csv,使用默认的标题行、逗号分割
fpath = “要打开文件的路径”
ratings = pd.read_csv(fpath) #使用pd.read_csv读取数据
ratings.head() #查看前几行(默认5行)
ratings.shape #查看数据的形状,返回(行数、列数)
ratings.columns # 查看列名列表
ratings.index #查看索引列
ratings.dtypes #查看每一列的数据类型 #1.2读取txt文件,自己制定分隔符、列名
fpath = “文件的路径”
pvuv = pd.read_csv(
fpath,
sep = “\t”, #l列的分隔符
header = None,
names = ['pdate','pv','uv']
)
print(pvuv) #读取excel文件
fpath = “文件的路径”
pvuv = pd.read_excel(fpath)
print(pvuv) #读取Mysql数据库
import pmysql
conn = pmysql.connect(
host = '127.0.0.1',
user = 'root',
password = '',
database = 'test',
charest = 'utf8'
)
mysql_page = pd.read_sql("select * from 表名",con=conn)
print(mysql_page)
2、pandas数据结构(DataFrame & Series)
DataFrame:二维数据,整个表格,多行多列
df.columns 查询列
df.index 查询行
Series:一维数据,一行或者一列
#1、 Series
#2、DataFrame
#3、从DAtaFrame中查询出Series import pandas as pd
import numpy as np #series是一种类似于一维数组的对象,它由一组数据(不同数据类型)以及一组与之相关的数#据标签(即索引)组成。 #1.1仅有数据列表即可产生最简单的series
s1 = pd.Series([1,'a',5.2,6])
# print(s1) #左侧为索引,右侧为数据
print(s1.index) #获取索引 结果:RangeIndex(start=0, stop=4, step=1)
print(s1.values) #获取数据 结果:[1 'a' 5.2 6] #1.2 创建一个具有标签索引的Series
s2 = pd.Series([1,'a',5.2,6],index = ['d','b','a','c'])
print(s2)
print(s2.index) #Index(['d', 'b', 'a', 'c'], dtype='object') #1.3 使用python字典创建Series
sdata = {'ohio':3500,'Texas':72000,'Oregs':16000,'Ggrqg':5000}
s3 = pd.Series(sdata)
print(s3) #1.4 根据标签索引查询数据(类似python的字典dict)
print(s2['a'])#5.2
print(type(s2['a']))#<class 'float'>
print(s2[['b','a']]) #2 DataFrame
# DataFrame是一个表格型的数据结构
# 每一列可以是不同的值类型(数值、字符串、布尔值)
# 既有行索引index,也有列索引columns
# 可以被看由Series组成的字典 #2.1根据多个字典序列创建dataframe
data = {
'state':['ofjg','sdfg','werw','wrgwer','rgwg'],
'year':[2000,3000,5000,6000,9000],
'pop':[1.5,1.7,1.6,5.3,3.5]
}
df = pd.DataFrame(data)
print(df) #3.从DataFrame中查询Series
# 如果只查询一列,返回的是pd.Series
# 如果查询多行、多列,返回的是pd.DataFrame # 3.1 查询一列 结果是一个pd.Series
print(df['year'])
print(type(df['year']))#<class 'pandas.core.series.Series'> # 3.2 查询多列,结果是一个pd.DataFrame print(df[['year','pop']])
print(type(df[['year','pop']]))#<class 'pandas.core.frame.DataFrame'> # 3.3 查询一行,结果是一个pd.Series
print(df.loc[1])
print(type(df.loc[1]))#<class 'pandas.core.series.Series'> # 3.4 查询多行,结果是一个pd.DataFrame
print(df.loc[1:3])
print(type(df.loc[1:3]))#<class 'pandas.core.frame.DataFrame'>
最新文章
- Word/Excel 在线预览
- windows 计算机 管理 命令
- 12.python中的列表
- android 分区layout以及虚拟内存布局-小结
- 六款最佳Linux教育应用
- Page 的生命周期学习小结(翻译兼笔记)
- ECSHOP在线手册布局参考图--商品详情页 goods.dwt
- LinkedIn第三方登录
- Entity Framework入门教程(12)--- EF进行批量添加/删除
- 多文档界面的实现(DotNetBar的superTabControl)
- 自学华为IoT物联网_12 Huawei LiteOS基础架构
- 洛谷.3369.[模板]普通平衡树(Splay)
- SNF快速开发平台成长史V4.5-Spring.Net.Framework-SNF软件开发机器人
- 使用lite-server
- hihoCoder挑战赛19 A.Rikka with Sequence(状压DP)
- java基础解析系列(二)---Integer
- Hbuild开发App入门
- 【Shell】总结&#183;linux shell脚本攻略
- Websphere安装配置与项目部署
- 降低版本安装flashPlayer
热门文章
- SVM 笔记整理
- 深入理解JVM虚拟机11:Java内存异常原理与实践
- shouyexinlianjie
- Splinter 的认识和基础应用
- 图论之点双&;边双
- mongotemplate 简单使用
- 003-spring-data-elasticsearch 3.0.0.0使用【一】-spring-data之概述、核心概念、查询方法、定义Repository接口
- 阶段1 语言基础+高级_1-3-Java语言高级_06-File类与IO流_09 序列化流_5_InvalidClassException异常_原理
- 阶段1 语言基础+高级_1-3-Java语言高级_06-File类与IO流_07 缓冲流_2_BufferedOutputStream_字节缓冲
- appium xpath元素定位