《PySpark大数据分析实战》-22.Pandas介绍Series介绍

📋 博主简介

• 💖 作者简介：大家好，我是wux_labs。😜
  热衷于各种主流技术，热爱数据科学、机器学习、云计算、人工智能。
  通过了TiDB数据库专员（PCTA）、TiDB数据库专家（PCTP）、TiDB数据库认证SQL开发专家（PCSD）认证。
  通过了微软Azure开发人员、Azure数据工程师、Azure解决方案架构师专家认证。
  对大数据技术栈Hadoop、Hive、Spark、Kafka等有深入研究，对Databricks的使用有丰富的经验。
• 📝 个人主页：wux_labs，如果您对我还算满意，请关注一下吧~🔥
• 📝 个人社区：数据科学社区，如果您是数据科学爱好者，一起来交流吧~🔥
• 🎉 请支持我：欢迎大家 点赞👍+收藏??+吐槽📝，您的支持是我持续创作的动力~🔥

《PySpark大数据分析实战》-22.Pandas介绍Series介绍

前言

大家好！今天为大家分享的是《PySpark大数据分析实战》第3章第2节的内容：Pandas介绍Series介绍。

图书在：当当、京东、机械工业出版社以及各大书店有售！

数据分析库Pandas介绍

Pandas是Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。它基于NumPy库构建，使数据操作变得更加简单、快速和直观。Pandas 适用于处理以下类型的数据：

• 与SQL或Excel表类似的，含异构列的表格数据。
• 有序和无序（非固定频率）的时间序列数据。
• 带行列标签的矩阵数据，包括同构或异构型数据。
• 任意其它形式的观测、统计数据集，数据转入Pandas数据结构时不必事先标记。

要在项目中使用Pandas，需要在Python环境中安装Pandas，命令如下：

$ pip install pandas

在使用时需要在Python脚本中导入pandas，代码如下：

import pandas as pd

Pandas主要提供了两种数据结构：Series和DataFrame。

Series介绍

Series是一种一维的数据结构，类似于数组和Python中的列表，但是它可以支持不同类型的数据。每个Series对象都由两个数组组成：一个由数据本身组成的数组和一个由标签组成的数组，标签用于标识数据。

创建对象

可以基于列表或者数据字典来创建Series对象，基于列表创建时，可以为Series数据定义标签，如果不指定标签，则默认用数字作为标签。在下面的案例中，分别用不同方式创建了Series对象，代码如下：

# 不指定标签创建Series，默认使用数字作为标签
ser1 = pd.Series([1, 3, 5])
# 指定标签创建Series
ser2 = pd.Series([1, 3, 5], index=['a', 'b', 'c'])
# 基于字典创建Series
ser3 = pd.Series({'A': 1, 'B': 3, 'C': 5})

print(ser1)
print(ser2)
print(ser3)

执行代码，输出结果如下：

0    1
1    3
2    5
dtype: int64
a    1
b    3
c    5
dtype: int64
A    1
B    3
C    5
dtype: int64

其中，左边的元素是Series的标签，右边的元素是Series的数据值。

访问数据

Series提供了两个属性，index用来访问Series的标签，values用来访问Series的数据值。要获取Series中具体的元素，可以通过标签、位置、切片等方式来获取。在下面的案例中，分别采用不同的方式来获取Series的元素，代码如下：

ser4 = pd.Series([1, 3, 5, 7, 9], index=['a', 'b', 'c', 'e', 'f'])
print("ser4的标签：", ser4.index)
print("ser4的数据：", ser4.values)
print("通过标签b获取数据：", ser4['b'])
print("通过位置1获取数据：", ser4[1])
print("通过切片获取数据：", ser4[1:3])
print("获取不连续的数据：", ser4[[1, 3, 4]])

执行代码，输入内容如下：

ser4的标签： Index(['a', 'b', 'c', 'e', 'f'], dtype='object')
ser4的数据： [1 3 5 7 9]
通过标签b获取数据： 3
通过位置1获取数据： 3
通过切片获取数据： b    3
c    5
dtype: int64
获取不连续的数据： b    3
e    7
f    9
dtype: int64

数据运算

Series对象可以进行各种运算，例如算术运算、逻辑运算、数学运算等。当两个Series之间进行运算时，Pandas会根据Series的标签自动对齐两个Series的元素进行运算，而不是按照两个Series元素的位置进行对齐，如果两个Series的标签不同，则在对齐时用NaN填充缺失值。在下面的案例中，定义了两个标签不同的Series并进行运算，代码如下：

ser4 = pd.Series([1, 5], index=['a', 'b'])
ser5 = pd.Series([2, 6], index=['b', 'c'])

print("加法运算：", ser4 + ser5)
print("乘法运算：", ser4 * ser5)
print("布尔过滤：", ser5[ser5 > 4])
print("数的运算：", ser4 * 2)
print("数学运算：", np.square(ser4))

执行代码，输出结果如下：

加法运算： a    NaN
b    7.0
c    NaN
dtype: float64
乘法运算： a     NaN
b    10.0
c     NaN
dtype: float64
布尔过滤： c    6
dtype: int64
数的运算： a     2
b    10
dtype: int64
数学运算： a     1
b    25
dtype: int64

结束语

好了，感谢大家的关注，今天就分享到这里了，更多详细内容，请阅读原书或持续关注专栏。