目录
8、Series转换为DataFrame（reset_index)
1、使用List创建Series
Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。
Series构造方法：
pandas.Series( data, index, dtype, name, copy)
- data：一组数据(ndarray 类型)。
- index：数据索引标签，如果不指定，默认从 0 开始。
- dtype：数据类型，默认会自己判断。
- name：设置名称。
- copy：拷贝数据，默认为 False。
①：List数据
data=[“11″,”12″,”45″,”56”]
②：使用List创建Series
df=pd.Series(data=data)
2、使用Dict创建Series
Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。
Series构造方法：
pandas.Series( data, index, dtype, name, copy)
- data：一组数据(ndarray 类型)。
- index：数据索引标签，如果不指定，默认从 0 开始。
- dtype：数据类型，默认会自己判断。
- name：设置名称。
- copy：拷贝数据，默认为 False。
①：Dict数据
data={
“语文”:80,
“数学”:90,
“英语”:85,
“计算机”:100
}
②：使用Dict创建Series
df=pd.Series(data=data)
3、将Series转换成List
Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。
Series构造方法：
pandas.Series( data, index, dtype, name, copy)
- data：一组数据(ndarray 类型)。
- index：数据索引标签，如果不指定，默认从 0 开始。
- dtype：数据类型，默认会自己判断。
- name：设置名称。
- copy：拷贝数据，默认为 False。
①：Series数据
data=pd.Series({
“语文”:80,
“数学”:90,
“英语”:85,
“计算机”:100
})
② ：将Series转换成List
df=data.tolist()
4、将Series转换成DataFrame
Series:
Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。
Series构造方法：
pandas.Series( data, index, dtype, name, copy)
- data：一组数据(ndarray 类型)。
- index：数据索引标签，如果不指定，默认从 0 开始。
- dtype：数据类型，默认会自己判断。
- name：设置名称。
- copy：拷贝数据，默认为 False。
DataFrame：
DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。
DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。
Pandas DataFrame 是一个二维的数组结构，类似二维数组。
DataFrame构造方法：
pandas.DataFrame( data, index, columns, dtype, copy)
- data：一组数据(ndarray、series, map, lists, dict 等类型)。
- index：索引值，或者可以称为行标签。
- columns：列标签，默认为 RangeIndex (0, 1, 2, …, n) 。
- dtype：数据类型。
- copy：拷贝数据，默认为 False。
①：Series数据
data=pd.Series({
“语文”:80,
“数学”:90,
“英语”:85,
“计算机”:100
})
②：将Series转换成DataFrame并为列名命名
df=pd.DataFrame(data=data,columns=[‘grade’])
5、借助Numpy创建Series
Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。
Series构造方法：
pandas.Series( data, index, dtype, name, copy)
- data：一组数据(ndarray 类型)。
- index：数据索引标签，如果不指定，默认从 0 开始。
- dtype：数据类型，默认会自己判断。
- name：设置名称。
- copy：拷贝数据，默认为 False。
import numpy as np
s=pd.Series(
np.arange(10,100,10),
index=np.arange(101,110),
dtype=’float’
)
6、转换Series数据类型（要求转换为int）
Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。
Series构造方法：
pandas.Series( data, index, dtype, name, copy)
- data：一组数据(ndarray 类型)。
- index：数据索引标签，如果不指定，默认从 0 开始。
- dtype：数据类型，默认会自己判断。
- name：设置名称。
- copy：拷贝数据，默认为 False。
方法一：astype方法
s=s.astype(int)
方法二：map方法
s=s.map(int)
区别：astype方法里的int是int类型，map方法里的int是一个函数
7、给Series添加新的元素（要求添加物理与化学成绩）
data.append(pd.Series({
“物理”:20,”化学”:10
}))
8、Series转换为DataFrame（reset_index)
DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。
DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。
Pandas DataFrame 是一个二维的数组结构，类似二维数组。
DataFrame构造方法：
pandas.DataFrame( data, index, columns, dtype, copy)
- data：一组数据(ndarray、series, map, lists, dict 等类型)。
- index：索引值，或者可以称为行标签。
- columns：列标签，默认为 RangeIndex (0, 1, 2, …, n) 。
- dtype：数据类型。
- copy：拷贝数据，默认为 False。
①：将Series转换为DataFrame（用.reset_index()方法）
df=data.reset_index()
②：更换列名 （用columns方法）
df.columns=[“course”,”grade”]
9、使用字典创建一个DataFrame
data=pd.DataFrame({
“姓名”:[“小杨”,”小孙”,”小陈”],
“年龄”:[18,18,18]
})
注意：
也可以创建一列一行的DataFrame，数据外面的中括号不可省略。
10、设置DataFrame索引列
data=pd.DataFrame({
“姓名”:[“小杨”,”小孙”,”小陈”],
“年龄”:[18,18,18],
“爱好”:[“打蠢蠢”,”吃饭”,”打游戏”]
})
inplace=True表示直接在data数据上修改输出,inplace=False表示返回一个新的data输出
data.set_index(“姓名”,inplace=True)
11、生成一个月份的所有天（要求输出2022/3）
date_range()是pandas中常用的函数，用于生成一个固定频率的DatetimeIndex时间索引
date_range()语法：
date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, closed=None, **kwargs)
start：生成日期的左侧边界（开始日期）
end：生成日期的右侧边界（结束日期）
periods：生成周期（多少天）
freq：频率
tz：返回本地化的DatetimeIndex时区名
normalize：生成日期之前，将开始/结束时间初始化为午夜
name：产生的DatetimeIndex的名字
closed：使区间相对于给定频率左闭合、右闭合、双向闭合（默认的None）
**kwargs：为了兼容性，对结果没有影响
date_range方法的第一种参数用法：
date_range=pd.date_range(start=”2022-3-1″,end=”2022-3-31″)
date_range方法的第二种参数用法：
date_range=pd.date_range(start=”2022-3-1″,periods=31)
12、生成一年的所有周一
星期一：Monday
星期二：TuesDay
星期三：Wednesday
星期四：Thursday
星期五：Friday
星期六：Saturday
星期日：Sunday
date_range()语法：
date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, closed=None, **kwargs)
start：生成日期的左侧边界（开始日期）
end：生成日期的右侧边界（结束日期）
periods：生成周期（多少天）
freq：频率
date_range=pd.date_range(start=”2022-1-1″,end=”2022-12-31″,freq=”W-MON”)
13、生成一天当中的所有小时
date_range()语法：
date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, closed=None, **kwargs)
start：生成日期的左侧边界（开始日期）
end：生成日期的右侧边界（结束日期）
periods：生成周期（多少天）
freq：频率
date_range=pd.date_range(start=”2022-1-1″,periods=24,freq=”H”)
14、用日期DataFrame
①：使用date_range()生成日期
date_range=pd.date_range(start=”2022-3-1″,periods=31)
②：转成DataFrame
data=pd.DataFrame(data=date_range,columns=[‘day’])
③在此基础上扩展：基于日期时间的数据中的一年的序号（比如3月1号是2022年的第六十天）
.dt.dayofyear属性
data[‘day_of_year’]=data[‘day’].dt.dayofyear
15、使用日期和随机数生成DataFrame
要求：输出一个DataFarame，包含三列
- 正态分布：1000个随机数，loc=0，scale=1
- 均匀分布：1000个随机数，low=0，high=1
- 二项分布：1000个随机数，n=1，p=0.2
①：数据
date_range=pd.date_range(start=”2020-1-1″,periods=1000)
②： 输出一个DataFrame，包含三列
data={
‘norm’:np.random.normal(loc=0,scale=1,size=1000),
‘uniform’:np.random.uniform(low=0,high=1,size=1000),
‘binomial’:np.random.binomial(n=1,p=0.2,size=1000)
}
df=pd.DataFrame(data=data,index=date_range)
Original: https://blog.csdn.net/Yangyuqing_/article/details/123898127
Author: 超爱太阳雨
Title: Pandas基础题一百道（前15）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/753420/
转载文章受原作者版权保护。转载请注明原作者出处！