2.5 Pandas生成数据
今后我们处理的数据基本上是Pandas的DataFrame和Series，其中DataFrame是Series的容器，所以需要掌握数据生成方法。现在我们学习如何制造一些简单数据放入DataFrame和Series，后面会单独讲解如何从文件（如Excel）中读取和生成数据。
2.5.1 导入Pandas
我们在使用Pandas时，需要先将其导入，这里我们给它取了一个别名pd。起别名是因为Pandas这个单词有点长，在代码中会经常出现，这样会简单些，减少代码量。别名可以自由选择，但pd是pandas的简写，已经约定俗成，方便自己和别人看懂你的代码，所以建议不要起别的名字。
如果出现类似ModuleNotFoundError: No module named 'pandas'的错误，说明没有安装Pandas模块，可参见第1章进行环境搭建并使用pip install pandas安装。
如果执行导入库后，没有返回任何内容，说明库导入成功，可以使用pd来调用Pandas的功能了。如果需要NumPy的功能，则需要将其引入并起别名np，同样np已经约定俗成。最终的代码为：
import pandas as pd import numpy as np
2.5.2 创建数据
使用pd.DataFrame()可以创建一个DataFrame，然后用df作为变量赋值给它。df是指DataFrame，也已约定俗成，建议尽量使用。
df = pd.DataFrame({'国家': ['中国', '美国', '日本'],
'地区': ['亚洲', '北美', '亚洲'],
'人口': [13.97, 3.28, 1.26],
'GDP': [14.34, 21.43, 5.08],
})
pd.DataFrame()为一个字典，每条数据为一个Series，键为表头（列索引），值为具体数据。执行变量df的结果如下：
国家 地区 人口 GDP 0 中国 亚洲 13.97 14.34 1 美国 北美 3.28 21.43 2 日本 亚洲 1.26 5.08
可以看到，我们成功生成了一个DataFrame：
- 共有4列数据，国家、地区、人口和GDP；
- 4列数据中国家和地区是文本类型，人口和GDP是数字；
- 共3行数据，系统为我们自动加了索引0、1、2。
我们知道，DataFrame可以容纳Series，所以在定义DataFrame时可以使用Series，也可以利用NumPy的方法：
df2 = pd.DataFrame({'A': 1.,
'B': pd.Timestamp('20130102'),
'C': pd.Series(1, index=list(range(4)), dtype='float32'),
'D': np.array([3] * 4, dtype='int32'),
'E': pd.Categorical(["test", "train", "test", "train"]),
'F': 'foo'})
df2
'''
A B C D E F
0 1.0 2013-01-02 1.0 3 test foo
1 1.0 2013-01-02 1.0 3 train foo
2 1.0 2013-01-02 1.0 3 test foo
3 1.0 2013-01-02 1.0 3 train foo
'''
上面D列使用np.array()方法构建了一个数量为4的整型数列。
从DataFrame中选取一列就会返回一个Series，当然选择多列的话依然是DataFrame。
df['人口'] ''' 0 13.973 1 3.28 2 1.26 Name: 人口, dtype: float64 '''
如下单独创建一个Series：
s = pd.Series([14.34, 21.43, 5.08], name='gdp') s ''' 0 14.34 1 21.43 2 5.08 Name: gdp, dtype: float64 '''
使用Python的type函数可以查看数据类型：
type(s) # pandas.core.series.Series type(df) # pandas.core.frame.DataFrame
2.5.3 生成Series
Series是一个带有标签的一维数组，这个数组可以由任何类型数据构成，包括整型、浮点、字符、Python对象等。它的轴标签被称为索引，它是Pandas最基础的数据结构。
Series的创建方式如下：
s = pd.Series(data, index=index)
data可以是Python对象、NumPy的ndarray、一个标量（定值，如8）。index是轴上的一个列表，必须与data的长度相同，如果没有指定，则自动从0开始，表示为[0, …, len(data)–1]。
（1）使用列表和元组
列表和元组可以直接放入pd.Series()：
pd.Series(['a', 'b', 'c', 'd', 'e'])
pd.Series(('a', 'b', 'c', 'd', 'e'))
（2）使用ndarray
如下使用NumPy的ndarray结构：
# 由索引分别为a、b、c、d、e的5个随机浮点数数组组成 s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e']) s.index # 查看索引 s = pd.Series(np.random.randn(5)) # 未指定索引
（3）使用字典
如下使用Python的字典数据：
d = {'b': 1, 'a': 0, 'c': 2}
s = pd.Series(d)
s
'''
b 1
a 0
c 2
dtype: int64
'''
# 如果指定索引，则会按索引顺序，如有无法与索引对应的值，会产生缺失值
pd.Series(d, index=['b', 'c', 'd', 'a'])
'''
b 1.0
c 2.0
d NaN
a 0.0
dtype: float64
'''
（4）使用标量
对于一个具体的值，如果不指定索引，则其长度为1；如果指定索引，则其长度为索引的数量，每个索引的值都是它。
pd.Series(5.) ''' 0 5.0 dtype: float64 ''' # 指定索引 pd.Series(5., index=['a', 'b', 'c', 'd', 'e']) ''' a 5.0 b 5.0 c 5.0 d 5.0 e 5.0 dtype: float64 '''
2.5.4 生成DataFrame
DataFrame是二维数据结构，数据以行和列的形式排列，表达一定的数据意义。DataFrame的形式类似于CSV、Excel和SQL的结果表，有多个数据列，由多个Series组成。
DataFrame最基本的定义格式如下：
df = pd.DataFrame(data=None, index=None, columns=None)
以下是其各参数的说明。
- data：具体数据，结构化或同构的ndarray、可迭代对象、字典或DataFrame。
- index：索引，类似数组的对象，支持解包，如果没有指定，会自动生成RangeIndex (0, 1, 2, …, n)。
- columns：列索引、表头，如果没有指定，会自动生成RangeIndex (0, 1, 2, …, n)。
此外还可以用dtype指定数据类型，如果未指定，系统会自动推断。
大多数情况下，我们是从数据文件（如CSV、Excel）中取得数据，不过，了解这部分知识可以让我们更好地理解DataFrame的数据机制。
1. 字典
字典中的键为列名，值一般为一个列表或者元组，是具体数据。示例如下。
d = {'国家': ['中国', '美国', '日本'],
'人口': [14.33, 3.29, 1.26]}
df = pd.DataFrame(d)
df
'''
国家 人口
0 中国 13.97
1 美国 3.28
2 日本 1.26
'''
如果生成时指定了索引名称，会使用指定的索引名，如a、b、c。示例如下。
df = pd.DataFrame(d, index=['a', 'b', 'c']) df ''' 国家 人口 a 中国 13.97 b 美国 3.28 c 日本 1.26 '''
2. Series组成的字典
这是一种非常典型的构造数据的方法，字典里的一个键值对为一列数据，键为列名，值是一个Series。示例如下。
d = {'x': pd.Series([1., 2., 3.], index=['a', 'b', 'c']),
'y': pd.Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
df
'''
x y
a 1.0 1.0
b 2.0 2.0
c 3.0 3.0
d NaN 4.0
'''
3. 字典组成的列表
由字典组成一个列表，每个字典是一行数据，指定索引后会使用指定的索引。示例如下。
# 定义一个字典列表
data = [{'x': 1, 'y': 2}, {'x': 3, 'y': 4, 'z': 5}]
# 生成DataFrame对象
pd.DataFrame(data)
'''
x y z
0 1 2 NaN
1 3 4 5.0
'''
# 指定索引
pd.DataFrame(data, index=['a', 'b'])
'''
x y z
a 1 2 NaN
b 3 4 5.0
'''
4. Series生成
一个Series会生成只有一列的DataFrame，示例如下。
s = pd.Series(['a', 'b', 'c', 'd', 'e']) pd.DataFrame(s)
5. 其他方法
以下两个方法可以从字典和列表格式中取得数据。
# 从字典里生成
pd.DataFrame.from_dict({'国家': ['中国', '美国', '日本'],'人口': [13.97, 3.28, 1.26]})
# 从列表、元组、ndarray中生成
pd.DataFrame.from_records([('中国', '美国', '日本'), (13.97, 3.28, 1.26)])
# 列内容为一个字典
pd.json_normalize(df.col)
df.col.apply(pd.Series)
2.5.5 小结
本节介绍了Pandas的DataFrame和Series结构数据的生成，是后面编写数据分析代码的基础。在实际业务中一般不需要我们来生成数据，而是有已经采集好的数据集，直接加载到DataFrame即可。