小编点评

**pandas数据结构的创建方式** 1. **Series**：包含标签索引的一维数据结构。 2. **DataFrame**：包含行和列组成的多维数据结构。 **创建 Series 的两种方式** * 从列表创建：```python s = pd.Series(l) ``` * 从字典创建：```python s = pd.Series(d) ``` **创建 DataFrame 的两种方式** * 从列表创建：```python df = pd.DataFrame(l, index=[\"小明\", "小红\"], columns=[\"语文\", "数学\", "英语\"]) ``` * 从 numpy 数组创建：```python df = pd.DataFrame(np.array([[78, 89, 95], [65, 84, 100]])) ``` **两者的互相转换** * Series 到 DataFrame：通过字典中转。```python d = {\"语文\": 78, "数学\": 89, "英语\": 95}s = pd.Series(d)s.head() ``` * DataFrame 到 Series：通过 `pandas.DataFrame({...})` 创建。```python l = [[78, 89, 95], [65, 84, 100]]df = pd.DataFrame(l, index=[\"小明\", "小红\"], columns=[\"语文\", "数学\", "英语\"])df.head() ```

正文

pandas中用来承载数据的两个最重要的结构分别是：

1. Series：相当于增强版的一维数组
2. DataFrame：相当于增强版的二维数组

pandas最大的优势在于处理表格类数据，如果数据维度超过二维，一般我们会使用另一个 python的库 numpy。

本篇主要介绍这两种核心数据结构的创建方式。

1. Series

pandas的Series是一种带有标签索引的一维数据结构。
它可以表示任何一维带标签的数据，例如时间序列数据、运动员数据、股票价格等等。

pandas的Series由两个数组构成：一个是数据数组，它可以是numpy数组、列表、字典等；另一个是索引数组，它指定数据数组中每个元素的标签。

Series可以进行各种数学运算、逻辑运算和复制操作，可以轻松创建、操作和使用。
pandas的Series特别强大之处就是可以使用各种方法进行数据的操作、处理和分析，因此在数据分析、数据处理和科学计算方面非常有用。

常用的创建 Series有两种方式：

1.1 从列表创建

l = [78, 89, 95]
s = pd.Series(l)
s.head()

从列表可以直接创建出 Series，可以看出，与一般的一维数组相比，Series多了一列索引信息。
其实，除此之外，Series还有很多用于分析和统计的方法，后续我们再介绍。

索引默认是从0开始的数字，也可以在创建时设置有意义的索引名称。

l = [78, 89, 95]
s = pd.Series(l, index=["语文", "数学", "英语"])
s.head()

1.2 从字典创建

d = {"a": 78, "b": 89, "c": 95}
s = pd.Series(d)
s.head()

从字典创建Series时，会将字典的 key作为了索引。
修改索引不用 index参数，而是直接修改字典的 key。

d = {"语文": 78, "数学": 89, "英语": 95}
s = pd.Series(d)
s.head()

2. Dataframe

pandas的DataFrame是一个二维的数据结构，可以存储各种类型的数据，类似于Excel中的表格。
它由行和列组成，每一行和每一列都有一个索引值，可以通过索引值进行读写操作。

DataFrame支持许多操作，包括对数据的过滤、切片、排序、连接和聚合等。
它还可以从各种数据源（如CSV、SQL数据库和Excel）中读取数据，并将数据写入这些数据源。

在 pandas中，DataFrame可以使用字典、列表、Numpy数组、其他pandas数据框等构建。
DataFrame还有一些重要的属性和方法，例如head、tail、describe等，用于查看数据、统
计数据、随机抽样等。

除此之外，DataFrame还支持pandas中的许多高级操作，例如多重索引、透视表、重塑等。
这些功能使DataFrame成为数据分析中必不可少的工具。

2.1 从列表创建

l = [[78, 89, 95], [65, 84, 100]]
df = pd.DataFrame(l)
df.head()

从列表创建DataFrame之后，默认的索引和列名称都是从0开始的数字。
也可以自定义DataFrame的索引名称和列名称，通过 index和 columns参数。

l = [[78, 89, 95], [65, 84, 100]]
df = pd.DataFrame(l, index=["小明", "小红"], columns=["语文", "数学", "英语"])
df.head()

2.2 从字典创建

d = [{"语文": 78, "数学": 89, "英语": 95}, {"语文": 65, "数学": 84, "英语": 100}]
df = pd.DataFrame(d)
df.head()

字典的key作为列名称，索引不设置的话，默认还是从0开始的数字。

2.3 从 numpy 数组创建

import numpy as np

data = np.array([[78, 89, 95], [65, 84, 100]])
df = pd.DataFrame(data)
df.head()

从 numpy二维数组创建 DataFrame和直接从列表创建类似。
注意，这里只能从 numpy的二维数组创建，如果是维度更高的数组，创建时会出错。

data = np.array([[[78, 89, 95], [65, 84, 100]]])
df = pd.DataFrame(data)
df.head()

上面的 data是三维数组，执行上面的代码会有如下的错误信息：

3. 两种结构互相转换

pandas的两种核心结构之间是可以互相转换的，可以将 Series理解为 DataFrame的一列。

3.1 Series 到 DataFrame

对于一个 Series来说，可以理解成一列是索引，一列是数据。
将 Series转换为 DataFrame有多种方式，通过字典来中转是比较直观的一种方式。

d = {"语文": 78, "数学": 89, "英语": 95}
s = pd.Series(d)
s.head()

由前面的介绍可知，红色框内的是 Series的索引（即 s.index），
右边一列数字部分是Series的值（即s.values）。

df = pd.DataFrame({"学科": s.index, "分数": s.values})
df.head()

这样就转换成了一个 DataFrame，列名就是字典的key，学科和分数。

3.2 DataFrame 到 Series

DataFrame转 Series更加简单，DataFrame的每一列都可以转成 Series。

l = [[78, 89, 95], [65, 84, 100]]
df = pd.DataFrame(l, index=["小明", "小红"], columns=["语文", "数学", "英语"])
df.head()

df["数学"]

type(df["数学"])

注意，DataFrame只有选择一列的时候才是一个 Series，如果选择多列的话，则还是一个 DataFrame。

print(type(df[["数学", "语文"]]))
df[["数学", "语文"]]

4. 总结回顾

本篇主要介绍了pandas的两个核心数据结构 Series和 DataFrame。
首先介绍了它们各自的创建方式，即从普通的python数据结构创建 Series和 DataFrame的常用方式。
然后也介绍了它们之间常用的互相转换方法。

Series和 DataFrame的数据部分就是一维数组和二维数组，pandas不过是在数据部分之上封装了各种各样的管理和分析统计的函数。
然而正因为有了这些函数，才让pandas成为数据分析的一件利器。

本文关联的微信视频号短视频：