pandas1

Author: qiwsir

311.md

@@ -106,21 +106,21 @@ DataFrame是一种二维的数据结构，非常接近于电子表格或者类
     >>> data = {"name":["yahoo","google","facebook"], "marks":[200,400,800], "price":[9, 3, 7]} 
     >>> f1 = DataFrame(data) 
     >>> f1 
-           marks      name           price 
-    0    200           yahoo          9 
-    1    400           google         3 
-    2    800          facebook     7 
+         marks  name      price 
+    0    200    yahoo     9 
+    1    400    google    3 
+    2    800    facebook  7 
 
 这是定义一个DataFrame对象的常用方法——使用dict定义。字典的“键”（"name"，"marks"，"price"）就是DataFrame的columns的值（名称），字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。上面的定义中没有确定索引，所以，按照惯例（Series中已经形成的惯例）就是从0开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构（类似excel或者mysql中的查看效果）。
 
 上面的数据显示中，columns的顺序没有规定，就如同字典中键的顺序一样，但是在DataFrame中，columns跟字典键相比，有一个明显不同，就是其顺序可以被规定，向下面这样做：
 
     >>> f2 = DataFrame(data, columns=['name','price','marks']) 
     >>> f2 
-           name          price  marks 
-    0     yahoo        9          200 
-    1    google        3          400 
-    2  facebook     7          800 
+           name     price  marks 
+    0     yahoo     9      200 
+    1    google     3      400 
+    2  facebook     7      800 
 
 跟Series类似的，DataFrame数据的索引也能够自定义。
 
@@ -142,9 +142,9 @@ DataFrame是一种二维的数据结构，非常接近于电子表格或者类
     >>> f3 = DataFrame(data, columns=['name', 'price', 'marks', 'debt'], index=['a','b','c']) 
     >>> f3 
            name      price  marks  debt 
-    a     yahoo      9         200       NaN 
-    b    google      3        400       NaN 
-    c  facebook      7      800       NaN 
+    a     yahoo      9      200     NaN 
+    b    google      3      400     NaN 
+    c  facebook      7      800     NaN 
 
 读者还要注意观察上面的显示结果。因为在定义f3的时候，columns的参数中，比以往多了一项('debt')，但是这项在data这个字典中并没有，所以debt这一竖列的值都是空的，在Pandas中，空就用NaN来代表了。
 
@@ -153,17 +153,17 @@ DataFrame是一种二维的数据结构，非常接近于电子表格或者类
     >>> newdata = {"lang":{"firstline":"python","secondline":"java"}, "price":{"firstline":8000}} 
     >>> f4 = DataFrame(newdata) 
     >>> f4 
-                             lang          price 
-    firstline          python   8000 
-    secondline    java         NaN 
+                  lang     price 
+    firstline     python   8000 
+    secondline    java     NaN 
 
 在字典中就规定好数列名称（第一层键）和每横行索引（第二层字典键）以及对应的数据（第二层字典值），也就是在字典中规定好了每个数据格子中的数据，没有规定的都是空。
 
     >>> DataFrame(newdata, index=["firstline","secondline","thirdline"]) 
-                              lang          price 
-    firstline           python   8000 
-    secondline    java          NaN 
-    thirdline         NaN         NaN 
+                  lang     price 
+    firstline     python   8000 
+    secondline    java     NaN 
+    thirdline     NaN      NaN 
 
 如果额外确定了索引，就如同上面显示一样，除非在字典中有相应的索引内容，否则都是NaN。
 
@@ -186,10 +186,10 @@ DataFrame对象的columns属性，能够显示素有的columns名称。并且，
 
     >>> f3['debt'] = 89.2 
     >>> f3 
-           name        price  marks  debt 
-    a     yahoo        9        200       89.2 
-    b    google       3        400       89.2 
-    c  facebook     7        800      89.2
+           name     price  marks  debt 
+    a     yahoo     9        200  89.2 
+    b    google     3        400  89.2 
+    c  facebook     7        800  89.2
 
 除了能够统一赋值之外，还能够“点对点”添加数值，结合前面的Series，既然DataFrame对象的每竖列都是一个Series对象，那么可以先定义一个Series对象，然后把它放到DataFrame对象中。如下：
 
@@ -199,26 +199,26 @@ DataFrame对象的columns属性，能够显示素有的columns名称。并且，
 将Series对象(sdebt变量所引用) 赋给f3['debt']列，Pandas的一个重要特性——自动对齐——在这里起做用了，在Series中，只有两个索引（"a","c"），它们将和DataFrame中的索引自动对齐。于是乎：
 
     >>> f3 
-           name        price  marks  debt 
-    a     yahoo         9        200       2.2 
-    b    google        3        400      NaN 
-    c  facebook      7        800      3.3
+           name  price  marks  debt 
+    a     yahoo  9        200   2.2 
+    b    google  3        400   NaN 
+    c  facebook  7        800   3.3
 
 自动对齐之后，没有被复制的依然保持NaN。
 
 还可以更精准的修改数据吗？当然可以，完全仿照字典的操作：
 
     >>> f3["price"]["c"]= 300 
     >>> f3 
-           name      price     marks  debt 
-    a     yahoo      9           200       2.2 
-    b    google      3          400       NaN 
-    c  facebook    300     800       3.3 
+           name   price   marks  debt 
+    a     yahoo   9       200    2.2 
+    b    google   3       400    NaN 
+    c  facebook   300     800    3.3 
 
 这些操作是不是都不陌生呀，这就是Pandas中的两种数据对象。
 
 ------
 
 [总目录](./index.md)   |   [上节：Pandas使用(1)](./310.md)   |   [下节：Pandas使用(3)](./312.md)
 
-如果你认为有必要打赏我，请通过支付宝：**qiwsir@126.com**,不胜感激。
+如果你认为有必要打赏我，请通过支付宝：**qiwsir@126.com**,不胜感激。