python基础教程之点开，看一段，你就会喜欢上学

当前位置:

首页 > Python基础教程 >

python基础教程之点开，看一段，你就会喜欢上学

身为一个啰嗦的博主，还是要说点啥，如果你不想学，直接拖拽到最后，发现彩蛋，然后3秒

我呢，有个小目标，就是把技术类的文章，写的有趣

编程呢，最难的是什么？

我投票给入门

在这里插入图片描述

其实，把一个人带进编程的大门是最难的

而梦想橡皮擦这位大佬，就在做这个事情
（说白了，就是高深的文章写不出来，还要装做大佬，心好累，好不容易找到这么一个借口，真开心）

在这里插入图片描述

我要通过一个系列的pandas文章

让你学会这一个简简单单的模块

然后还能顺便写点好玩的东东

美哉~

每篇文章，让你阅读起来如丝般顺滑
在这里插入图片描述

继续pandas,series函数的学习

上篇博客，咱们就稍微了解了一丢丢series的函数

远远不够的
这篇呢，我们继续

心里默念

pandas是处理数据的，是处理数的，数字的

OK,GET到这个就好多了

后面我就好编了

在这里插入图片描述

import pandas as pd
s = pd.Series([3,1,4,1,5,9,2,6,8,3,6])
print(s)

我创建了一个基本的Series，然后要对它进行处理了

对一个线性的数据来说

我们可以干很多事情

比如，我要获取最大最小值

在这里插入图片描述

import pandas as pd

s = pd.Series([3,1,4,1,5,9,2,6,8,3,6])

print(s.min())
print(s.max())

这个写法还是太简单了，显示不出来我们学到东西了

咱弄点新鲜的(其实就是官网比较复杂的例子)

先给series创建一个带有层次的索引

带有层次的索引，啥意思？

在这里插入图片描述

其实就是excel里面的合并单元格
看代码

idx = pd.MultiIndex.from_arrays([
    ['warm', 'warm', 'cold', 'cold'],
    ['dog', 'falcon', 'fish', 'spider']]
    ,names=['blooded', 'animal'])

s = pd.Series([4, 2, 0, 8], name='legs', index=idx)
print(s)

一个关于冷血动物和温血动物关于有多少足的表格

唉，好长一段文字，输出长这个样子

在这里插入图片描述
看不明白，没关系，放到excel里面瞅瞅

在这里插入图片描述
咋么样，小版一排，清晰明了

在这里插入图片描述

就一个表格
当前前面依旧是index
真正的数据就后面那一列

然后，操作一番


idx = pd.MultiIndex.from_arrays([
    ['warm', 'warm','warm',  'cold', 'cold'],
    ['dog', 'falcon','people', 'fish', 'spider']]
    ,names=['blooded', 'animal'])

s = pd.Series([4, 2,2, 0, 8], name='legs', index=idx)
print(s)
print(s.min())
print(s.max(level='blooded'))

后面的level就是控制多索引的哦~

看到结果，你可以秒懂吗？
在这里插入图片描述

s = pd.Series([4, 2,2, 0, 8], name='legs', index=idx)
print(s)
print(s.min())  # 输出0
print(s.max(level='blooded')) # 输出 下面的表格

没错，我是下面的表格
在这里插入图片描述

学会了吧，这个学会了,min,max,sum,idxmin,idxmax你应该都会了

什么idx是啥？看看上面的代码
那个是索引... ...

还要啰嗦一个属性

对于series来说，还有一个属性非常，非常重要，重要到使用之后，没啥效果？

这个属性就是T
没错，一个大写的字母T

哈哈哈，其实这个属性对于series来说，基本没啥用

在这里插入图片描述

使用之后还是等于自己本身

s = pd.Series([3,1,4],index=['a','b','c'])
print(s)
print(s.T)

继续看函数

好像跑偏了，怎么看到属性去了

继续看函数啊

一个线性杂乱的数据，对于我们来说
还可以排序啊

import pandas as pd

s = pd.Series([3,1,4,1,5,9,2,6,8,3,6])

既然排序了，你一猜，就能猜到（其实一般人根本猜不到，也就老师觉得你能猜到）

在这里插入图片描述

一个是按照值排序，一个是按照索引排序

import pandas as pd

s = pd.Series([3,1,4,1,5,9,2,6,8,3,6])

print(s.sort_values())
print(s.sort_index())

排序的一些参数，可以屡屡

Series.sort_values(axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')

axis 按照哪个参考轴排序. 对于 Series来说，只能设置为0
ascending 倒序还是正序 True升序
inplace 默认false，修改为true，原地修改？咦，不明白吧，一会我给你举个栗子
kind 排序方法快速排序，归并排序，堆排序
na_position 空值，在前还是在后，这个，你试一下就知道了

inplace

看一下下面的代码，原地替换

s = pd.Series([3,1,4,1,5,9,2,6,8,3,6])
sorted_s = s.sort_values(inplace=True)
print(sorted_s)

这时候打印出来的是None，但是你打印s，就能出现排序之后的文字

明白了没？
就是把s变量直接给排序了

排序搞定之后，就要尝试获取series中的部分内容

获取头部几条

头部头部head

获取末尾几条

tail,tail

import pandas as pd

s = pd.Series([3,1,4,1,5,9,2,6,8,3,6])

print(s.head(2))
print(s.tail(2))

获取部分数据可以，那么肯定也可以删除数据喽
（我顺口说的）

Series.drop

import pandas as pd

s = pd.Series([3,1,4,1,5,9,2,6,8,3,6])

print(s.drop(labels=[0,1]))

对于series来说，labels参数是必备的

为什么呢？因为其它的压根不支持

在这里插入图片描述
新版本的可以用index替换labels

好了，又学到新知识点了吧

不多不少，几个正好

每日学一点吧，啊

明天写点啥，可能是DataFrame吧

在这里插入图片描述

最后，欢迎关注一个唠叨的编程工程师的公号，非本科程序员

栏目列表