import pandas as pd
# 1. 表的列索引
# 列索引是最常见的索引形式，一般通过[]来实现。通过[列名]可以从DataFrame中取出相应的列，返回值为Series，例如从表中取出姓名一列：
df = pd.read_csv('D:/pandas_rui/joyful-pandas/data/learn_pandas.csv',
usecols=['School', 'Grade', 'Name', 'Gender', 'Weight', 'Transfer'])
print(df['Name'].head()) # 返回值为Series
# 0 Gaopeng Yang
# 1 Changqiang You
# 2 Mei Sun
# 3 Xiaojuan Sun
# 4 Gaojuan You
# Name: Name, dtype: object
# 如果要取出多个列，则可以通过[列名组成的列表]，其返回值为一个DataFrame，例如从表中取出性别和姓名两列：
print(df[['Gender', 'Name']].head()) # 返回值为一个DataFrame
# Gender Name
# 0 Female Gaopeng Yang
# 1 Male Changqiang You
# 2 Male Mei Sun
# 3 Female Xiaojuan Sun
# 4 Male Gaojuan You
# 此外，若要取出单列，且列名中不包含空格，则可以用.列名取出，这和[列名]是等价的：
print(df.Name.head()) # 列名中不包含空格
# 0 Gaopeng Yang
# 1 Changqiang You
# 2 Mei Sun
# 3 Xiaojuan Sun
# 4 Gaojuan You
# Name: Name, dtype: object
# 2. 序列的行索引
# 【a】以字符串为索引的Series
# 如果取出单个索引的对应元素，则可以使用[item]，若Series只有单个值对应，则返回这个标量值，如果有多个值对应，则返回一个Series：
s = pd.Series([1, 2, 3, 4, 5, 6], index=['a', 'b', 'a', 'a', 'a', 'c']) # Series第一个参数一直都是列表 VS DataFrame是字典列表
print(s)
print(s['a'])
# a 1
# a 3
# a 4
# a 5
# dtype: int64
print(s['b'])
# 2
# 如果取出多个索引的对应元素，则可以使用[items的列表]：
# s[['c', 'b']]
# c 6
# b 2
# dtype: int64
# 如果想要取出某两个索引之间的元素，并且这两个索引是在整个索引中唯一出现，则可以使用切片,，同时需要注意这里的切片会包含两个端点：
print(s['c': 'b': -2]) # 包含两个端点
# c 6
# a 4
# b 2
# dtype: int64
print(s['b': 'c':2]) # 包含两个端点
# b 2
# a 4
# c 6
# dtype: int64
# 如果前后端点的值重复出现，那么需要经过排序才能使用切片：
try:
s['a': 'b']
except Exception as e:
Err_Msg = e
print(Err_Msg)
# KeyError("Cannot get left slice bound for non-unique label: 'a'")
print(s.sort_index()['a': 'b'])
# a 1
# a 3
# a 4
# a 5
# b 2
# dtype: int64
# 【b】以整数为索引的Series
# 在使用数据的读入函数时，如果不特别指定所对应的列作为索引，那么会生成从0开始的整数索引作为默认索引。当然，任意一组符合长度要求的整数都可以作为索引。
# 和字符串一样，如果使用[int]或[int_list]，则可以取出对应索引元素的值：
s = pd.Series(['a', 'b', 'c', 'd', 'e', 'f'], index=[1, 3, 1, 2, 5, 4])
# s[1]
# 1 a
# 1 c
# dtype: object
# s[[2,3]]
# 2 d
# 3 b
# dtype: object
# 如果使用整数切片，则会取出对应索引位置的值，注意这里的整数切片同Python中的切片一样不包含右端点：
print(s[1:-1:2]) # 不包含右端点
# 3 b
# 2 d
# dtype: object
# 【WARNING】关于索引类型的说明
# 如果不想陷入麻烦，那么请不要把纯浮点以及任何混合类型（字符串、整数、浮点类型等的混合）作为索引，否则可能会在具体的操作时报错或者返回非预期的结果，并且在实际的数据分析中也不存在这样做的动机。
# 【END】
# 3. loc索引器
# 前面讲到了对DataFrame的列进行选取，下面要讨论其行的选取。
# 对于表而言，有两种索引器，
# 一种是基于元素的loc索引器， 元素
# 另一种是基于位置的iloc索引器。 整数
# loc索引器的一般形式是loc[*, *]，其中第一个*代表行的选择，第二个*代表列的选择，
# 如果省略第二个位置写作loc[*]，这个*是指行的筛选。其中，*的位置一共有五类合法对象，分别是：单个元素、元素列表、元素切片、布尔列表以及函数，下面将依次说明。
# 为了演示相应操作，先利用set_index方法把Name列设为索引，关于该函数的其他用法将在多级索引一章介绍。
df_demo = df.set_index('Name')
print(df_demo.head())
# School Grade Gender Weight Transfer
# Name
# Gaopeng Yang Shanghai Jiao Tong University Freshman Female 46.0 N
# Changqiang You Peking University Freshman Male 70.0 N
# Mei Sun Shanghai Jiao Tong University Senior Male 89.0 N
# Xiaojuan Sun Fudan University Sophomore Female 41.0 N
# Gaojuan You Fudan University Sophomore Male 74.0 N
# 【a】*为单个元素
# 此时，直接取出相应的行或列，如果该元素在索引中重复则结果为DataFrame，否则为Series：
print(df_demo.loc['Qiang Sun']) # 多个人叫孙强 该元素在索引中重复则结果为DataFrame 基于元素的loc索引器，行
# School Grade Gender Weight Transfer
# Name
# Qiang Sun Tsinghua University Junior Female 53.0 N
# Qiang Sun Tsinghua University Sophomore Female 40.0 N
# Qiang Sun Shanghai Jiao Tong University Junior Female NaN N
print(df_demo.loc['Quan Zhao']) # 赵权唯一 该元素在索引中唯一则结果为Series 基于元素的loc索引器，行
# School Shanghai Jiao Tong University
# Grade Junior
# Gender Female
# Weight 53.0
# Transfer N
# Name: Quan Zhao, dtype: object
# 也可以同时选择行和列：
print(df_demo.loc['Qiang Sun', 'School']) # 返回Series 基于元素的loc索引器，行 列
# Name
# Qiang Sun Tsinghua University
# Qiang Sun Tsinghua University
# Qiang Sun Shanghai Jiao Tong University
# Name: School, dtype: object
print(df_demo.loc['Quan Zhao', 'School']) # 返回单个元素 基于元素的loc索引器，行 列
# 'Shanghai Jiao Tong University'
# 【b】*为元素列表
# 此时，取出列表中所有元素值对应的行或列：
print(df_demo.loc[['Qiang Sun', 'Quan Zhao'], ['School', 'Gender']]) # 取特定多行多列
# School Gender
# Name
# Qiang Sun Tsinghua University Female
# Qiang Sun Tsinghua University Female
# Qiang Sun Shanghai Jiao Tong University Female
# Quan Zhao Shanghai Jiao Tong University Female
# 【c】*为切片
# 之前的Series使用字符串索引时提到，如果是唯一值的起点和终点字符，那么就可以使用切片，并且包含两个端点，如果不唯一则报错：
print(df_demo.loc['Gaojuan You':'Gaoqiang Qian', 'School':'Gender'])
# School Grade Gender
# Name
# Gaojuan You Fudan University Sophomore Male
# Xiaoli Qian Tsinghua University Freshman Female
# Qiang Chu Shanghai Jiao Tong University Freshman Female
# Gaoqiang Qian Tsinghua University Junior Female
# 需要注意的是，如果DataFrame使用整数索引，其使用整数切片的时候和上面字符串索引的要求一致，都是元素切片，包含端点且起点、终点不允许有重复值。
df_loc_slice_demo = df_demo.copy()
df_loc_slice_demo.index = range(df_demo.shape[0], 0, -1)
print(df_loc_slice_demo.loc[5:3])
# School Grade Gender Weight Transfer
# 5 Fudan University Junior Female 46.0 N
# 4 Tsinghua University Senior Female 50.0 N
# 3 Shanghai Jiao Tong University Senior Female 45.0
pandas_rui_sql.zip （36个子文件） 
pandas_rui_sql 第五章 变形 
索引的变形.py 4KB 长宽表的变形.py 16KB 第二章 pandas基础 文件的读取和写入.py 6KB 基本数据结构.py 3KB 窗口对象.py 4KB 常用基本函数.py 15KB 第三章 索引 多级索引.py 13KB 索引器.py 21KB 索引运算.py 3KB 索引的常用方法.py 9KB .idea workspace.xml 18KB misc.xml 189B inspectionProfiles Project_Default.xml 444B profiles_settings.xml 174B modules.xml 287B .gitignore 184B pandas_rui_sql.iml 291B 第一章 预备知识 .idea workspace.xml 16KB misc.xml 189B inspectionProfiles profiles_settings.xml 174B modules.xml 283B .gitignore 184B pandas基础.iml 317B Numpy基础 广播机制.py 2KB np数组的构造.py 5KB 常用函数.py 3KB np数组的变形与合并.py 2KB 向量与矩阵的计算.py 2KB np数组的切片与索引.py 855B python基础 zip对象与enumerate方法.py 2KB 匿名函数与map方法.py 1KB 列表推导式与条件赋值.py 1KB 第四章 分组 跨列分组.py 7KB 分组模式及其对象.py 10KB 变换和过滤.py 4KB 聚合函数.py 5KB资源评论
smile_8887
- 粉丝: 0
- 资源: 1
最新资源
- Python 模块和 IPython Notebooks，用于《Python 统计学入门》一书.zip
- Python 概览.zip
- 基于深度学习的火焰场景识别matlab仿真，包括程序，中文注释，仿真操作步骤
- 机械臂RLS控制程序matlab simulink
- bellsoft-jdk8u432+7-windows-amd64.msi
- android 移动应用与开发
- 运动物体识别 opencv python
- 技术资料分享uCOS-II信号量集很好的技术资料.zip
- 技术资料分享ucOS-II入门教程(任哲)很好的技术资料.zip
- 技术资料分享UCOSII 2.90 ReleaseNotes很好的技术资料.zip
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
