数据可视化笔记 五、pandas

已于 2024-11-09 22:06:22 修改
阅读量695 收藏 8
点赞数 16
CC 4.0 BY-SA版权
分类专栏： 数据可视化技术 文章标签： 信息可视化 笔记 pandas 数据可视化
于 2024-10-27 13:40:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_74774974/article/details/143267569

在这里插入图片描述

1、pandas概述

pandas
panel data
Python构建
数据操作和分析
开源软件库
数据结构和运算
模拟电子表格
速度快
数据加载
对齐
操作与合并
数据规模大
GB单位

2、pandas工作原理

pandas内置DataFrame
数据框架
支持不同格式的数据源
CSV
JSON

DataFrame
二维数组式数据表
列，行
一系列对象的字典或集合

在这里插入图片描述
pandas操作
子集
衍生列
排序
连接
在这里插入图片描述
填充
替换
汇总统计
在这里插入图片描述
绘图
在这里插入图片描述
场景
异构类型列的表格数据，如SQL表或EXCEL电子表格
有序和无序时间序列数据
行列标签的矩阵数据

3、pandas

轻松处理浮点和非浮点数据中的缺失数据（表示为 NaN）
大小易变性：可以从 DataFrame 和更高维度的对象中插入和删除列
自动和显式数据对齐：可以将对象显式对齐到一组标签；或者用户只需忽略标签，让序列、DataFrame 等在计算中自动调整数据
强大、灵活的分组功能，对数据集执行分割-应用-组合操作，进行数据聚合和转换
可轻松将其他 Python 和 Numpy 数据结构中参差不齐、索引不同的数据转换为 DataFrame 对象

大型数据集基于标签的智能切片、精美索引和子集构建
直观的数据集合并与连接
灵活的数据集重塑和旋转
坐标轴的分层标记（每个记号可能具有多个标签）
强大的 I/O 工具，用于加载平面文件（CSV 和分隔文件）、Excel 文件和数据库中的数据，以及保存/加载超快速 HDF5 格式的数据
特定于时间序列的功能：日期范围生成和频率转换、窗口统计数据迁移、日期调整和延迟

4、Series

Series
一维数组的对象
一维数组
数据
数据标签
索引
如果没有提供数据标签即索引，会自动创建一个0到N-1的整数型索引，也称为索引下标
Series = values + index

示例
在这里插入图片描述
在这里插入图片描述
运行结果
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5、DataFrame

DataFrame
表格型的数据结构
包含一组有序的列，每列可以是不同的数据类型
有行索引，也有列索引
Series组成的字典，公用同一个索引
存储结构是一个或多个二维块存储
不是列表
不是字典
不是别的一维数据结构

示例
在这里插入图片描述
运行结果
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

6、索引对象

pandas索引对象
管理轴标签和轴名称
构建DataFrame时，数据或其它序列的标签被转换成一个Index对象
索引对象不可修改
Series和DataFrame中的索引，均是索引对象

示例
在这里插入图片描述
运行结果
在这里插入图片描述

7、访问与索引

示例
在这里插入图片描述
在这里插入图片描述
运行结果
在这里插入图片描述
运行结果

a    0.775554
b    0.142155
c   -1.000090
d    1.371588
e    1.100195
f    0.247216
g   -0.698275
h   -0.324256
i   -1.878088
j    0.871693
k    1.527245
l    1.799806
m   -0.177290
n   -0.448485
o   -0.539379
p   -0.530034
dtype: float64
0.7755540431743843
a    0.775554
b    0.142155
c   -1.000090
dtype: float64
0.7755540431743843
0.7755540431743843
--------------------------------
a      0.775554
b      0.142155
c     -1.000090
d      1.371588
e      1.100195
f      0.247216
g     -0.698275
h     -0.324256
i     -1.878088
j      0.871693
k      1.527245
l      1.799806
m     -0.177290
n     -0.448485
o     -0.539379
p     -0.530034
q    666.000000
r    666.000000
s    666.000000
t    666.000000
dtype: float64
a    0.775554
b    0.142155
c   -1.000090
d    1.371588
e    1.100195
f    0.247216
g   -0.698275
h   -0.324256
i   -1.878088
j    0.871693
k    1.527245
l    1.799806
m   -0.177290
n   -0.448485
o   -0.539379
p   -0.530034
q   -0.530034
r   -0.530034
s   -0.530034
t   -0.530034
dtype: float64
a    0.775554
b    0.142155
c   -1.000090
d    1.371588
e    1.100195
f    0.247216
g   -0.698275
h   -0.324256
i   -1.878088
j    0.871693
k    1.527245
l    1.799806
m   -0.177290
n   -0.448485
o   -0.539379
p   -0.530034
q         NaN
r         NaN
s         NaN
t         NaN
dtype: float64
a    0.775554
b    0.142155
c   -1.000090
d    1.371588
dtype: float64
--------------------------------
          a         b         c         d
0 -2.327724  0.941760 -0.191070 -0.343348
1 -2.157858  0.024083 -1.161059 -0.000259
2  0.465327  1.700753 -0.616983 -0.228065
3 -0.478469  0.263984  0.572611  0.414599
4  0.624138  1.158723  0.255059  0.217472
    a   b   c   d
a NaN NaN NaN NaN
b NaN NaN NaN NaN
c NaN NaN NaN NaN
d NaN NaN NaN NaN
e NaN NaN NaN NaN
          a         b         c         d   e
0 -2.327724  0.941760 -0.191070 -0.343348 NaN
1 -2.157858  0.024083 -1.161059 -0.000259 NaN
2  0.465327  1.700753 -0.616983 -0.228065 NaN
3 -0.478469  0.263984  0.572611  0.414599 NaN
4  0.624138  1.158723  0.255059  0.217472 NaN
    a   b   c   d
a NaN NaN NaN NaN
b NaN NaN NaN NaN
c NaN NaN NaN NaN
d NaN NaN NaN NaN
e NaN NaN NaN NaN
a    0
b    1
c    2
d    3
dtype: int32
c    2
d    3
dtype: int32
    a   b   c   d
0   0   1   2   3
1   4   5   6   7
2   8   9  10  11
3  12  13  14  15
    c   d
0   2   3
1   6   7
2  10  11
3  14  15
    a   b   c   d
2   8   9  10  11
3  12  13  14  15
--------------------------------
          a         b         c         d
w  0.343838 -0.243311 -1.595647 -1.713982
x -0.986665  1.220836 -0.125944  0.372096
y -0.967382  0.013282  1.298156 -0.289570
z  0.440129  0.846885 -0.342147 -2.106836
w    0.343838
x   -0.986665
y   -0.967382
z    0.440129
Name: a, dtype: float64
          a         b
w  0.343838 -0.243311
x -0.986665  1.220836
y -0.967382  0.013282
z  0.440129  0.846885
          a         b         c         d
w  0.343838 -0.243311 -1.595647 -1.713982
x -0.986665  1.220836 -0.125944  0.372096
a    0.343838
b   -0.243311
c   -1.595647
d   -1.713982
Name: w, dtype: float64
          a         b         c         d
w  0.343838 -0.243311 -1.595647 -1.713982
x -0.986665  1.220836 -0.125944  0.372096
          a         b
w  0.343838 -0.243311
x -0.986665  1.220836
y -0.967382  0.013282
a    0.343838
b   -0.243311
c   -1.595647
d   -1.713982
Name: w, dtype: float64
          a         b         c         d
w  0.343838 -0.243311 -1.595647 -1.713982
x -0.986665  1.220836 -0.125944  0.372096
          a         b
w  0.343838 -0.243311
x -0.986665  1.220836
0.343838072538288
0.343838072538288
          a         b         c         d
w  0.343838       NaN       NaN       NaN
x       NaN  1.220836       NaN  0.372096
y       NaN  0.013282  1.298156       NaN
z  0.440129  0.846885       NaN       NaN
          a         b         c         d
w  0.343838       NaN       NaN       NaN
x       NaN  1.220836       NaN  0.372096
y       NaN  0.013282  1.298156       NaN
z  0.440129  0.846885       NaN       NaN
          a         b         c         d
w  0.343838 -0.243311 -1.595647 -1.713982
z  0.440129  0.846885 -0.342147 -2.106836
          a         b         c         d
w  0.343838 -0.243311 -1.595647 -1.713982
z  0.440129  0.846885 -0.342147 -2.106836
          a         b         c         d
z  0.440129  0.846885 -0.342147 -2.106836
          a         b         c         d
w  0.343838 -0.243311 -1.595647 -1.713982
x -0.986665  1.220836 -0.125944  0.372096
y -0.967382  0.013282  1.298156 -0.289570
z  0.440129  0.846885 -0.342147 -2.106836

8、常用运算

示例
在这里插入图片描述
运行结果
在这里插入图片描述
在这里插入图片描述

9、函数

示例
在这里插入图片描述
在这里插入图片描述
运行结果
在这里插入图片描述
在这里插入图片描述

10、排序、排名与汇总统计

示例
在这里插入图片描述

在这里插入图片描述
运行结果
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

11、其它

特征工程（数据特别大，可以丢弃，但数据量少，不能丢失数据，必须填充）
缺失值
值判断
为空处理
丢失数据
值统计
……

示例
在这里插入图片描述
运行结果
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

12、绘图

原理
使用matplotlib模块

方法一：
在这里插入图片描述
在这里插入图片描述
方法二：
在这里插入图片描述
在这里插入图片描述

【Python百日基础系列】Day19 - Pandas 数据可视化(1)
专注于医院数据分析技术与系统开发的创作与分享。
11-06 335
文章目录
数据分析案例-笔记本电脑价格数据可视化分析2
m0_64336780的博客
12-24 9980
本实验数据集来源于Kaggle，原始数据集共有1303条数据，13个变量，各变量含义如下：0 laptop_ID-数字-产品ID1 Company-字符串-笔记本电脑制造商2 Product-字符串-品牌和型号3 TypeName-字符串-类型（笔记本电脑、超极本、游戏机等）4 Inches-数字-屏幕尺寸5 ScreenResolution-字符串-屏幕分辨率6 Cpu-字符串-中央处理器 (CPU)7 Ram-字符串-笔记本电脑 RAM8 Memory-字符串-硬盘/SSD 内存。
使用pandas做数据可视化
码农-Vax天道的时间宝藏
06-08 1751
数据可视化可以让我们很直观的发现数据中隐藏的规律，察觉到变量之间的互动关系，可以帮助我们更好的给他人解释现象，做到一图胜千文的说明效果。 常见的数据可视化库有: matplotlib 是最常见的2维库，可以算作可视化的必备技能库，由于matplotlib是比较底层的库，api很多，代码学起来不太容易。 seaborn 是建构于matplotlib基础上，能满足绝大多数可视化需求。更特殊的需求还是需要学习matplotlib pyecharts 上面的两个库都是静态的可视化库，..
6.Pandas 数据可视化图-1
最新发布
学习与分享
06-07 2103
数据分析可视化图表
Pandas 数据可视化
架构师亮哥的博客
07-29 796
基本图形 柱状图 reviews['points'].value_counts().sort_index().plot.bar() 散点图 reviews[reviews['price'] < 100].sample(100).plot.scatter(x='price', y='points') image 蜂窝图 reviews[reviews['price'] &l...
pandas数据可视化
weixin_46167028的博客
08-26 803
数据可视化 开始之前，导入numpy、pandas包和数据 %matplotlib inline import numpy as np import pandas as pd import matplotlib.pyplot as plt text = pd.read_csv(r'result.csv') text.head() Unnamed: 0 PassengerId Survived Pclass N
Pandas数据处理可视化
weixin_63866037的博客
11-05 3454
Hallo，各位小伙伴大家好啊！这个专栏是用来分享数据处理以及数据可视化的一些常见操作，以及自己的一些学习笔记，希望能给大家带来帮助呀！感兴趣的小伙伴也欢迎私信或者评论区交流呀！
数据可视化笔记.zip
05-23
本笔记将深入探讨数据可视化的概念、工具和实践技巧。 1. 数据可视化的基本概念 数据可视化是通过视觉表示来传达信息的过程。这通常涉及到使用图表、图形、地图和其他视觉元素来展示数据。关键在于选择合适的可视化...
算法学习笔记—-Day31（pandas中时间序列、数据可视化）
12-22
文件中读取日期序列第二部分：pandas数据可视化一.线形图二.柱状图(bar)三.直方图(histogram)四.密度图(kde)五.散布图(scatter)六.散饼图(pie) 第一部分：pandas时间序列 一.python中的时间日期 datetime模块和...
知识领域: 数据科学 技术关键词: Pandas、NumPy、数据分析、数据可视化 内容关键词: 数据清洗、数据处理、统计分析
06-01
技术关键词: Pandas、NumPy、数据分析、数据可视化 内容关键词: 数据清洗、数据处理、统计分析 用途: 学习使用Python进行数据科学工作 资源描述: Kaggle是一个数据科学竞赛和社区平台，提供了丰富的数据集、笔记本和...
Pandas——数据可视化
weixin_37763870的博客
03-18 703
文章目录1.前言2.Series可视化3.Dataframe 可视化4.画散点图 1.前言 首先import我们需要用到的模块，除了 pandas，我们也需要使用 numpy 生成一些数据，这节里使用的 matplotlib 仅仅是用来 show 图片的, 即 plt.show()。 import pandas as pd import numpy as np import matplotlib....
Python--Pandas-数据可视化
热门推荐
苦作舟的人呐
06-08 2万+
1.Pandas 简介 我们做数据可视化，其实就是就数据进行分析，使用Python做数据分析的，我想pandas必然是一个利器，一个非常强大的数据分析工具包，也集成了数据可视化的功能，一个集数据处理、分析、可视化于一身的工具，非常强大好用。pandas中的数据可视化已经可以满足我们大部分的要求了，也就省下了我们很多自己使用 如 matplotlib 来数据可视化的工作。 2.数据集 在对...
pandas_数据可视化
qq_34229228的博客
10-14 378
import pandas as pd import numpy as np import matplotlib.pyplot as plt # 将图片画在网页里 %matplotlib inline ts=pd.Series(np.random.randn(1000),index=pd.date_range('2000/1/1',periods=1000)) ts=ts.cumsum() ...
上手Pandas，带你玩转数据（6）-- 摆脱对pandas可视化丑图的刻板印象吧
看，未来的博客
04-08 2319
摆脱对pandas可视化丑图的刻板印象吧，对前端不熟的小伙伴，却想用pandas做出媲美pyechart的漂亮图吗？
数据可视化：Pandas库的可视化功能
AI天才研究院
01-21 1432
1.背景介绍 在现代数据科学中，数据可视化是一个至关重要的领域。它允许我们以直观的方式展示和理解数据，从而帮助我们发现隐藏的模式、趋势和关系。在Python中，Pandas库是一个强大的数据分析和处理工具，它提供了一系列的可视化功能，使得数据分析变得更加简单和直观。在本文中，我们将深入探讨Pandas库的可视化功能，揭示其核心概念、算法原理、最佳实践以及实际应用场景。 1. 背景介绍 Pan...
python数据分析(七)—pandas数据可视化
ex_6450的博客
07-22 1998
frame.plot(kind=‘barh’,stacked=True)#柱状图barh是水平方向制作。frame.plot(kind=‘bar’,stacked=True)#stacked设置重叠区域。stacked是否堆积，在折线图和柱状图中默认为False，在区域图中默认为True。x和y表示标签或者位置，用来指定显示的索引，默认为None。subplots是否对列分别作子图，默认False。kind表示绘图的类型，默认为line，折线图。Kernel概率密度线。......
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值