知识卡片

普通读书笔记卡 · 6361.a

DataFrame有两条轴

理解等级:未标注

DataFrame是带行标签和列标签的二维表,列可表达不同含义的数据,操作需要说明沿哪一条轴选择或组织。标签不是纯装饰,它们参与数据定位与组合;但这不是说DataFrame在代码实现上继承ndarray。此处餐厅账单表只是结构示例,具体类型与对齐规则在后续章展开。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 4 处

    • · 查看原书依据

      含有行标和列标: >>> frame total_bill tip sex smoker day time size 1 16.99 1.01 Female No Sun Dinner 2 2 10.34 1.66 Male No Sun Dinner 3 3 21.01 3.5 Male No Sun Dinner 3 4 23.68 3.31 Male

    • · 查看原书依据

      结构化或表格化数据),因为它提供了能使大部分常见数据任务变得非常简洁的丰富高级接口。pandas还提供了一些NumPy所没有的更加领域特定的功能,如时间序列处理等。 注意: 在本章以及本书中,我将依照标准的NumPy约定,即总是使用import numpy as np。当然,你也可以为了不写np.而直接在代码中使用from numpy import *,但我

    • · 查看原书依据

      自动或显式数据对齐功能的数据结构。这可以防止许多由于数据未对齐以及来自不同数据源(索引方式不同)的数据而导致的常见错误。 ·集成时间序列功能。 ·既能处理时间序列数据也能处理非时间序列数据的数据结构。 ·数学运算和约简(比如对某个轴求和)可以根据不同的元数据(轴编号)执行。 ·灵活处理缺失数据。 ·合并及其他出现在常见数据库(例如基于SQL的)中的关系型运算

    • · 查看原书依据

      由Series组成的字典(共用同一个索引)。跟其他类似的数据结构相比(如R的data.frame),DataFrame中面向行和面向列的操作基本上是平衡的。其实,DataFrame中的数据是以一个或多个二维块存放的(而不是列表、字典或别的一维数据结构)。有关DataFrame内部的技术细节远远超出了本书所讨论的范围。 注意: 虽然DataFrame是以二维结

    参考来源

    《利用Python进行数据分析》第5章《pandas入门》 - 位置:《利用Python进行数据分析》第1章《pandas》(spine251;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0237.html;u013-ch05-002)。 - 结论依据:原文在“含有行标和列标”附近的定义、例子或代码支撑本卡核心说明:DataFrame是带行标签和列标签的二维表,列可表达不同含义的数据,操作需要说明沿哪一条轴选择或组织。边界按已读前提解释;示例未执行。 - 原始内容:含有行标和列标: >>> frame total_bill tip sex smoker day time size 1 16.99 1.01 Female No Sun Dinner 2 2 10.34 1.66 Male No Sun Dinner 3 3 21.01 3.5 Male No Sun Dinner 3 4 23.68 3.31 Male - 位置:《利用Python进行数据分析》第4章《第4章 NumPy基础:数组和矢量计算》(spine271;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0257.html;u079-ch05-002)。 - 结论依据:pandas为标签、关系与时间序列等结构化任务提供高层接口,不能因为依赖NumPy就把表格语义等同裸数组。 - 原始内容:结构化或表格化数据),因为它提供了能使大部分常见数据任务变得非常简洁的丰富高级接口。pandas还提供了一些NumPy所没有的更加领域特定的功能,如时间序列处理等。 注意: 在本章以及本书中,我将依照标准的NumPy约定,即总是使用import numpy as np。当然,你也可以为了不写np.而直接在代码中使用from numpy import *,但我 - 位置:《利用Python进行数据分析》第5章《第5章 pandas入门》(spine279;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0265.html;u103-ch05-002)。 - 结论依据:pandas的数据结构把标签作为运算依据,结合缺失值、关系运算和时间序列功能;这解决的是裸数组之外的数据语义组织问题。 - 原始内容:自动或显式数据对齐功能的数据结构。这可以防止许多由于数据未对齐以及来自不同数据源(索引方式不同)的数据而导致的常见错误。 ·集成时间序列功能。 ·既能处理时间序列数据也能处理非时间序列数据的数据结构。 ·数学运算和约简(比如对某个轴求和)可以根据不同的元数据(轴编号)执行。 ·灵活处理缺失数据。 ·合并及其他出现在常见数据库(例如基于SQL的)中的关系型运算 - 位置:《利用Python进行数据分析》第5章《DataFrame》(spine280;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0266.html;u106-ch05-002)。 - 结论依据:每列可有不同类型,行列各有索引;把它看成共享行索引的一组Series有助理解列选择,但不能据此推断内部一定以Python字典保存,原书块存储也不是永久实现承诺。 - 原始内容:由Series组成的字典(共用同一个索引)。跟其他类似的数据结构相比(如R的data.frame),DataFrame中面向行和面向列的操作基本上是平衡的。其实,DataFrame中的数据是以一个或多个二维块存放的(而不是列表、字典或别的一维数据结构)。有关DataFrame内部的技术细节远远超出了本书所讨论的范围。 注意: 虽然DataFrame是以二维结