DataFrame和Series之间相乘 dataframe和series的区别

数据分析三剑客（三个模块）:numpy、pandas、matplotlib；前两个属于数据分析，展示数据，后一个用于画图;

pandas中有两个常用的类：Series、DataFrame;

• Series对象是类似一维数组的，由下面两个部分组成：

values：一组数据（ndarray类型）
index：相关的数据索引标签

• DataFrame是一个【表格型】的数据结构，可以看做是【由Series组成的字典】（共用同一个索引）。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引，也有列索引。

行索引：index
列索引：columns
值：values（numpy的二维数组）

---

---

Series

1.Series的创建

两种创建方式：
方式1：

1. 由列表或numpy数组创建

默认索引为0到N-1的整数型索引
# 数组
nd = np.random.randint(0, 150, size=10)
s = Series(nd)
s

# 列表
l = list('qwertyuiop')
s = Series(l)
s

1. 通过设置index参数指定索引
3. name参数



4. copy 属性

当修改数组中的值时，copy属性，只在副本上修改，而不会对原
原数组造成任何影响
s[0] = -1

方式2

1. 由字典创建
   

---

Series的索引和切片

索引

可以使用中括号取单个索引（此时返回的是元素类型），或者中括号里一个列表取多个索引（此时返回的仍然是一个Series类型）。分为显示索引和隐式索引：

1. 显式索引
   使用index中的元素作为索引值
   使用.loc[]（推荐）
2. 隐式索引
   使用整数作为索引值
   使用.iloc[]（推荐）

切片

切片分为显示切片和隐式切片：

1. 显式切片
2. 隐式切片
   。。。。。。。。。。。。。。

---

Series的基本概念

可以把Series看成一个定长的有序字典；

可以通过shape，size，index,values等得到series的属性；

---

可以通过head(),tail()快速查看Series对象的样式

共同都有一个参数n，默认值为5

---

使用pandas读取CSV文件

---

当索引没有对应的值时，可能出现缺失数据显示NaN（not a number）的情况

可以使用pd.isnull()，pd.notnull()，或自带isnull(),notnull()函数检测缺失数据

Series的运算

1. 适用于numpy的数组运算也适用于Series
2. Series之间的运算
   在运算中自动对齐不同索引的数据
   如果索引不对应，则补NaN
   注意：要想保留所有的index，则需要使用.add()函数
3. Series.add()

---

DataFrame

DataFrame的创建

最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一【列】的名称，以字典的值（一个数组）作为每一列。此外，DataFrame会自动加上每一行的索引（和Series一样）。同Series一样，若传入的列与字典的键不匹配，则相应的值为NaN。

---

DataFrame属性：values、columns、index、shape、ndim、dtypes

---

DataFrame的索引

1. 对列进行索引

通过类似字典的方式
通过属性的方式

可以将DataFrame的列获取为一个Series。返回的Series拥有原DataFrame相同的索引，且name属性也已经设置好了，就是相应的列名

1. 对行进行索引

使用.loc[]加index来进行行索引
使用.iloc[]加整数来进行行索引

同样返回一个Series，index为原来的columns。

---

Series之间的运算

在运算中自动对齐不同索引的数据
如果索引不对应，则补NaN
注意：要想保留所有的index，则需要使用.add()函数

同Series一样：

在运算中自动对齐不同索引的数据
如果索引不对应，则补NaN

下面是Python 操作符与pandas操作函数的对应表：

---

对元素索引的方法

使用列索引
使用行索引(iloc[3,1]相当于两个参数;iloc[[3,3]] 里面的[3,3]看做一个参数)
使用values属性（二维numpy数组）

---

Series与DataFrame之间的运算

使用Python操作符：以行为单位操作（参数必须是行），对所有行都有效。（类似于numpy中二维数组与一维数组的运算，但可能出现NaN）

使用pandas操作函数：

axis=0：以列为单位操作（参数必须是列），对所有列都有效。
  axis=1：以行为单位操作（参数必须是行），对所有行都有效。