pandas中用來承載數據的兩個最重要的結構分別是： Series：相當於增強版的一維數組 DataFrame：相當於增強版的二維數組 pandas最大的優勢在於處理表格類數據，如果數據維度超過二維，一般我們會使用另一個 python的庫 numpy。 本篇主要介紹這兩種核心數據結構的創建方式。 1 ...
pandas中用來承載數據的兩個最重要的結構分別是：
- Series：相當於增強版的一維數組
- DataFrame：相當於增強版的二維數組
pandas最大的優勢在於處理表格類數據，如果數據維度超過二維，一般我們會使用另一個 python的庫 numpy。
本篇主要介紹這兩種核心數據結構的創建方式。
1. Series
pandas的Series是一種帶有標簽索引的一維數據結構。
它可以表示任何一維帶標簽的數據，例如時間序列數據、運動員數據、股票價格等等。
pandas的Series由兩個數組構成：一個是數據數組，它可以是numpy數組、列表、字典等；另一個是索引數組，它指定數據數組中每個元素的標簽。
Series可以進行各種數學運算、邏輯運算和複製操作，可以輕鬆創建、操作和使用。
pandas的Series特別強大之處就是可以使用各種方法進行數據的操作、處理和分析，因此在數據分析、數據處理和科學計算方面非常有用。
常用的創建 Series有兩種方式：
1.1 從列表創建
l = [78, 89, 95]
s = pd.Series(l)
s.head()
從列表可以直接創建出 Series，可以看出，與一般的一維數組相比，Series多了一列索引信息。
其實，除此之外，Series還有很多用於分析和統計的方法，後續我們再介紹。
索引預設是從0開始的數字，也可以在創建時設置有意義的索引名稱。
l = [78, 89, 95]
s = pd.Series(l, index=["語文", "數學", "英語"])
s.head()
1.2 從字典創建
d = {"a": 78, "b": 89, "c": 95}
s = pd.Series(d)
s.head()
從字典創建Series時，會將字典的 key作為了索引。
修改索引不用 index參數，而是直接修改字典的 key。
d = {"語文": 78, "數學": 89, "英語": 95}
s = pd.Series(d)
s.head()
2. Dataframe
pandas的DataFrame是一個二維的數據結構，可以存儲各種類型的數據，類似於Excel中的表格。
它由行和列組成，每一行和每一列都有一個索引值，可以通過索引值進行讀寫操作。
DataFrame支持許多操作，包括對數據的過濾、切片、排序、連接和聚合等。
它還可以從各種數據源（如CSV、SQL資料庫和Excel）中讀取數據，並將數據寫入這些數據源。
在 pandas中，DataFrame可以使用字典、列表、Numpy數組、其他pandas數據框等構建。
DataFrame還有一些重要的屬性和方法，例如head、tail、describe等，用於查看數據、統
計數據、隨機抽樣等。
除此之外，DataFrame還支持pandas中的許多高級操作，例如多重索引、透視表、重塑等。
這些功能使DataFrame成為數據分析中必不可少的工具。
2.1 從列表創建
l = [[78, 89, 95], [65, 84, 100]]
df = pd.DataFrame(l)
df.head()
從列表創建DataFrame之後，預設的索引和列名稱都是從0開始的數字。
也可以自定義DataFrame的索引名稱和列名稱，通過 index和 columns參數。
l = [[78, 89, 95], [65, 84, 100]]
df = pd.DataFrame(l, index=["小明", "小紅"], columns=["語文", "數學", "英語"])
df.head()
2.2 從字典創建
d = [{"語文": 78, "數學": 89, "英語": 95}, {"語文": 65, "數學": 84, "英語": 100}]
df = pd.DataFrame(d)
df.head()
字典的key作為列名稱，索引不設置的話，預設還是從0開始的數字。
2.3 從 numpy 數組創建
import numpy as np
data = np.array([[78, 89, 95], [65, 84, 100]])
df = pd.DataFrame(data)
df.head()
從 numpy二維數組創建 DataFrame和直接從列表創建類似。
註意，這裡只能從 numpy的二維數組創建，如果是維度更高的數組，創建時會出錯。
data = np.array([[[78, 89, 95], [65, 84, 100]]])
df = pd.DataFrame(data)
df.head()
上面的 data是三維數組，執行上面的代碼會有如下的錯誤信息：
3. 兩種結構互相轉換
pandas的兩種核心結構之間是可以互相轉換的，可以將 Series理解為 DataFrame的一列。
3.1 Series 到 DataFrame
對於一個 Series來說，可以理解成一列是索引，一列是數據。
將 Series轉換為 DataFrame有多種方式，通過字典來中轉是比較直觀的一種方式。
d = {"語文": 78, "數學": 89, "英語": 95}
s = pd.Series(d)
s.head()
由前面的介紹可知，紅色框內的是 Series的索引（即 s.index），
右邊一列數字部分是Series的值（即s.values）。
df = pd.DataFrame({"學科": s.index, "分數": s.values})
df.head()
這樣就轉換成了一個 DataFrame，列名就是字典的key，學科和分數。
3.2 DataFrame 到 Series
DataFrame轉 Series更加簡單，DataFrame的每一列都可以轉成 Series。
l = [[78, 89, 95], [65, 84, 100]]
df = pd.DataFrame(l, index=["小明", "小紅"], columns=["語文", "數學", "英語"])
df.head()
df["數學"]
type(df["數學"])
註意，DataFrame只有選擇一列的時候才是一個 Series，如果選擇多列的話，則還是一個 DataFrame。
print(type(df[["數學", "語文"]]))
df[["數學", "語文"]]
4. 總結回顧
本篇主要介紹了pandas的兩個核心數據結構 Series和 DataFrame。
首先介紹了它們各自的創建方式，即從普通的python數據結構創建 Series和 DataFrame的常用方式。
然後也介紹了它們之間常用的互相轉換方法。
Series和 DataFrame的數據部分就是一維數組和二維數組，pandas不過是在數據部分之上封裝了各種各樣的管理和分析統計的函數。
然而正因為有了這些函數，才讓pandas成為數據分析的一件利器。
本文關聯的微信視頻號短視頻：
