前言

如果说tensorflow是机器学习过程中的框架，那numpy&pandas则是他需要使用重要的数据分析工具，虽然tensorflow可以神经网络大部分功能，但是预处理任务，序列化，绘图则需要另外的数据包。

提示：以下是本篇文章正文内容，下面案例可供参考

一、pandas是什么？

示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

3.创建Series以及访问

series是类似一维数组的结构，具有标签以及数据，并且对应着

import pandas as pd
s = pd.Series(['a','b','c','d'],index = ['q','w','e','r'])
print(s)
print(s[1])
print(s['q'])

series的一些返回值?

import pandas as pd
import numpy as np
s = pd.Series(np.random.random(4))
print(s)
print(s.axes)
print(s.empty)
print(s.values)

创建随机series 并且访问指定位置

import pandas as pd
import numpy as np
s = pd.Series(np.random.random(4))
s.head(3)
s.tail(2)

4.Dataframe

dataframe是一种表格型数据结构，既有行标签又有列标签

?同 Series 一样，DataFrame 自带行标签索引，默认为“隐式索引”即从 0 开始依次递增

创建dataframe有多种方法，也可以进行计算

import pandas as pd
import numpy as np
#列表直接创建
data = [['a',10],['b',5]]
df = pd.DataFrame(data,columns=['c','v'])
#字典嵌套列表创建
data2 = {'n':['a','b'],'m':[1,2]}
df2 = pd.DataFrame(data2,index = [1,2])
#series创建
data3 = {'one':pd.Series([1,2,3],index = ['a','b','c']),'two':pd.Series([4,5,6],index = ['a','b','c'])}
df3 = pd.DataFrame(data3)
print(df3)
print(df2)
print(df)

print(df3['one'])

#添加series
df3['three'] = pd.Series([7,7,7],index = ['a','b','c'])
print(df3)

#列计算
df3['four'] = df3['three'] + df3['two']
print(df3)
#删除列
del df3['three']
print(df3)


#行操作
print(df3.iloc[2])

row1 = pd.DataFrame([[1,2,3]],columns=['one','two','four'])
df3 = df3.append(row1)
print(df3)

df3.drop(0)

合并dataframe以及删除填充

#合并
import numpy as np
import pandas as pd

df1 = pd.DataFrame({'A':['a','b','c'],'B':['a','b','c'],'C':['a','b','c']},index=[1,2,3])
df2 = pd.DataFrame({'A':['a','b','c'],'E':['a','b','c'],'F':['a','b','c']})
df3 = pd.concat([df1,df2],axis=0)
print(pd.concat([df1,df2],axis=0))

print(pd.merge(df1,df2,on = ['A']))

print(df3.fillna(0))

print(df3.dropna())