时间序列

通过date_range函数生成序列并加入数据中，例如创建从2019年9月21日开始的连续4天的时间序列。使用pandas包中的read_csv()方法读取之前保存的学生数据，更新数据后可以看到生成的时间序列已经加入到了数据框中。

创建

  1. myTime=pd.date_range('2019/9/21', periods=4, freq='7D')
  2. print('产生的时间序列是：\n',myTime)
  3. df10=df1
  4. print('设置索引前的df1是：\n',df1)
  5. df10.index=myTime
  6. print('设置索引后的df10是：\n',df10)
  1. 产生的时间序列是：
  2.  DatetimeIndex(['2019-09-21', '2019-09-28', '2019-10-05', '2019-10-12'], dtype='datetime64[ns]', freq='7D')
  3. 设置索引前的df1是：
  4.        name   no  age gender
  5. id                         
  6. 0      Tom  001   16      m
  7. 1     Lily  002   16      f
  8. 2    Cindy  003   15      f
  9. 3   Petter  004   16      m
  10. 设置索引后的df10是：
  11.                name   no  age gender
  12. 2019-09-21     Tom  001   16      m
  13. 2019-09-28    Lily  002   16      f
  14. 2019-10-05   Cindy  003   15      f
  15. 2019-10-12  Petter  004   16      m

时间序列

查询

  1. print('\n根据时间序列索引得到的值\n',df10.loc["2019-09-21":"2019-09-30",['gender','age','name']])
  1. 根据时间序列索引得到的值
  2.             gender  age  name
  3. 2019-09-21      m   16   Tom
  4. 2019-09-28      f   16  Lily

查询总结

  1. 1.pandas的索引
  2. * 注意df.iloc、df.loc、df[]的区别
  4.     1.四种索引形式:
  5.         使用位置做索引
  6.         使用列表做索引
  7.         使用切片做索引
  8.         使用bool类型索引
  10.     2.df.loc与df.iloc
  11.         2.1 选取行
  12.             df.loc       是基于索引值的，切片是左闭右闭的
  13.             df.iloc   是基于位置的，切片是左闭右开的
  15.         2.2 选取行和列
  16.             [,] 逗号左边索引行，逗号右边索引行(左值和右值均可为空)
  17.             df.loc[,]    
  18.             df.iloc[,]    方括号内必须均为数字
  20.             如df.loc[0:5,'年龄']  等同于 df['年龄'].iloc[0:5]
  22.         2.3 选取列
  23.             df['列名'] df['列名','列名2',...]
  24.             df.loc[df['年龄']>18]
  26.     3.df.loc与df
  27.         3.1 语法上：
  28.             相同点：选取行时，即df.loc[] 等同于 df[]
  29.             不同点：切片是左闭右闭，df切片是左闭右开的
  31.     4.总结
  32.         df 
  33.            *选取列(主要)：df['列名']选取单列，df['列名','列名2',...]选取多列，
  34.             选取行：df是df.loc的选取行的一种简单形式
  36.         df.loc    
  37.             功能强大：主要用于便捷选取行和列，如df.loc[0:3,['性别','年龄']]，不需要多次[]，还可以对字符类型的列切片
  39.         df.iloc    
  40.             *选取行: 当索引不为0,1,2,3...时，如设置时间为索引，仍然可采用df.iloc[n]的形式

类型转换

DataFrame由于具有相对复杂的结构，故其数据类型转换与其他类型略有不同。

  1. print("DataFrame转ndarray\n",df10.values,
  2.       "\nDataFrame转series\n",df10['gender'])
  1. DataFrame转ndarray
  2.  [[0 'Tom' 1 16 'm']
  3.  [1 'Lily' 2 16 'f']
  4.  [2 'Cindy' 3 15 'f']
  5.  [3 'Petter' 4 16 'm']] 
  6. DataFrame转series
  7.  2019-09-21    m
  8. 2019-09-28    f
  9. 2019-10-05    f
  10. 2019-10-12    m
  11. Freq: 7D, Name: gender, dtype: object