[Python知识库]Python复杂操作

类 Class

定义类

• __init()__定义构造函数，与其他面向对象语言不同的是，Python语言中，会明确地把代表自身实例的self作为第一个参数传入
• 创建一个实例化对象，init()方法接收参数
• 使用点号.来访问对象的属性

class Animal:
    def __init__(self,name):
        self.name = name
        print('动物名称实例化')
    def eat(self):
        print(self.name + '要吃东西啦！')
    def drink(self):
        print(self.name + '要喝水啦！')
        
cat = Animal('miaomiao')
print(cat.name)
cat.eat()
cat.drink()

## 输出
# 动物名称实例化
# miaomiao
# miaomiao要吃东西啦！
# miaomiao要喝水啦！

继承

通过继承创建的新类称为子类或派生类

被继承的类被称为基类、父类或超类

class Person:
    def __init__(self,name):
        self.name = name
        print('调用父类构造函数')
        
    def eat(self):
        print('调用父类方法')
        
class Student(Person):	# 定义子类
    def __init__(self):
        print('调用子类构造方法')
        
    def study(self):
        print('调用子类方法')
        
    s = Student()
    s.study()
    s.eat()
 
# 调用子类构造方法
# 调用子类方法
# 调用父类方法

JSON序列化与反序列化

JSON序列化

json.dumps用于将Python对象编码成JSON字符串

import json
data = [ {'b':2, 'd':4, 'a':1, 'c':3, 'e':5} ]
# json = json.dumps(data)
# print(json)
json_format = json.dumps(data, sort_keys=True, indent=4, separators=(',',': '))
print(json_format)

JSON反序列化

json.loads用于解码JSON数据。该函数返回Python字段的数据类型

import json
jsonData = '{"a":1,"b":2,"c":3,"d":4,"e":5}'
text = json.loads(jsonData)
print(text)

Pandas库

• Pandas提供高性能易用数据类型和分析工具
• Pandas基于Numpy实现，常与Numpy和matplotlib一同使用
• Pandas中有两大核心数据结构：Series（一维数据，为”键值对形式“。区别于字典，键可以重复）和DataFrame（多特征数据，既有行索引，又有列索引）

Pandas中文网：https://pypandas.cn/

Series

• series是一种类似与一维数组的对象，它由一维数组（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成
• series创建：使用Python数组、Numpy数组、Python字典创建。
• 与字典不同的：Series允许索引重复。

import pandas as pd
import numpy as np
pd.Series([11,12], index=["北京","上海"])

pd.Series(np.arange(3,6))

pd.Series({"北京":11,"上海":12, "深圳":14})

• series字符串表现形式为：索引在左边，值在右边
• 如果没有为数据指定索引，则自动创建一个0到N-1（N为数据的长度）的整数型索引
• 可以通过Series的values和index属性获取其数组表现形式和索引对象
• 与普通Numpy数组相比，可以通过索引的方式选取Series中的单个或一组值

obj = pd.Series([4,7,-5,3])
obj.values	# array([ 4,  7, -5,  3], dtype=int64)
obj.index	# RangeIndex(start=0, stop=4, step=1)

obj[2]	# -5
obj[1] = 8
obj[[0,1,3]]

• 在算术运算中自动对齐不同索引的数据

obj2 = pd.Series({"Ohio":35000,"Oregon":16000,"Texas":71000,"Utah":5000})
obj3 = pd.Series({"California":np.nan,"Ohio":35000,"Oregon":16000,"Texas":71000})

obj2 + obj3

DataFrame

• DataFrame是一个表格型的数据结构，它含有一组有序的列。每列可以是不同的值类型（数值、字符串、布尔值等）

• DataFrame既有行索引也有列索引，它可以被看做有Series组成的字典（共用同一个索引）

• 与其他类似的数据结构相比（例如R语言的data.frame），DataFrame面向行和面向列的操作基本上是平衡的。

• 构成DataFrame的方法有很多，最常用的一种是直接传入一个由等长列表或Numpy数组组成的字典

• DataFrame结果会自动加上索引（跟Series一样），且全部会被有序排列。

data = {'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],'year':[2000,2001,2002,2001,2002],'pop':[1.5,1.7,3.6,2.4,2.9]}
frame = pd.DataFrame(data)
frame

• 如果指定了列顺序，则DataFrame的列就会按照指定顺序进行排列。

pd.DataFrame(data, columns=['year','state','pop'])

• 跟原Series一样，如果传入的列在数据中找不到，就会产生NAN值

frame2 = pd.DataFrame(data, columns=['year','state','pop','debt'], index=['one','two','three','four','five'])

• 列可以通过赋值的方式进行修改。例如，给那个空的“delt”列附上一个标值量或一组值

frame2['debt'] = 16.5
frame2['debt'] = np.arange(5.)

• 将列表或数组赋值给某个列时，其长度必须跟DataFrame的长度相匹配
• 如果赋值的是一个Series，就会精确匹配DataFrame的索引，所有空位都将被填上缺失值

val = pd.Series([-1.2,-1.5,-1.7], index=['two','three','five'])
frame2['debt'] = val

• 为不存在的列赋值，会创建一个新列

frame2['eastern'] = frame2.state == 'Ohio'

• 关键词del用于删除列

del frame2['eastern']
frame2.columns

• 将嵌套字典（也就是字典的字典）传给DataFrame，它就会被解释为：外层字典的键作为列，内层键则作为行索引

pop = {'Nevada':{2021:2.4,2002:2.9},'Ohio':{2000:1.5,2001:1.7,2002:3.6}}
frame3 = pd.DataFrame(pop)

• 也可以对上述结果进行转置

frame3.T

• 如果设置了DataFrame的index和columns的name属性，则这些信息也会被显示出来。

frame3.index.name = 'year'
frame3.columns.name = 'state'

• 跟Series一样，values属性也会以二维数组ndarray的形式返回DataFrame中的数据

frame3.values

• 如果DataFrame各列的数据类型不同，则数组类型就会选用能兼容所有列的数据类型
  

• Pandas的索引对象负责管理轴标签和其他元数据（比如轴名称）

• 构建DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一个Index

• Index对象时不可修改的

obj = pd.Series(range(3), index=['a','b','c'])
index = obj.index

• Pandas的每一个索引都有一些方法和属性，它们可用于设置逻辑并回答有关该索引包含的数据的常见问题。