这篇文章主要讲解了“Pandas数据结构的基础用法”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Pandas数据结构的基础用法”吧！
创新互联建站一直在为企业提供服务，多年的磨炼，使我们在创意设计，全网整合营销推广到技术研发拥有了开发经验。我们擅长倾听企业需求，挖掘用户对产品需求服务价值，为企业制作有用的创意设计体验。核心团队拥有超过10多年以上行业经验，涵盖创意，策化，开发等专业领域，公司涉及领域有基础互联网服务绵阳主机托管、成都App定制开发、手机移动建站、网页设计、网络整合营销。
head()与tail()用于快速预览Series与DataFrame，默认显示5条数据，也可以指定显示数据的数量。
属性与底层数据
Pandas可以通过多个属性访问元数据：
shape：输出对象的轴维度，与ndarray一致
轴标签：
Series：Index（仅有此轴）
DataFrame：Index（行）与列
Pandas对象（Index、Series、DataFrame）相当于数组的容器，用于存储数据、执行计算。大部分类型的底层数组都是numpy.ndarray。不过，Pandas与第三方支持库一般都会扩展NumPy类型系统，添加自定义数组。
.array属性用于提取Index或Series里的数据。
array一般指ExtensionArray。
提取NumPy数组，用to_numpy()或numpy.asarray()。
Series与Index的类型是ExtensionArray时，to_numpy()会复制数据，并强制转换值。
to_numpy()可以控制numpy.ndarray生成的数据类型。以带时区的datetme为例，NumPy未提供时区信息的datetime数据类型，Pandas则提供了两种表现形式：
1.一种是带Timestamp的numpy.ndarray，提供了正确的tz信息。
2.另一种是datetime64[ns],这也是一种numpy.ndarray，值被转化为UTC，但去掉了时区信息。
时区信息可以用dtype=object保存
或用dtype=’datetime64[ns]’去除。
提取DataFrame里的原数据稍微有点复杂。DataFrame里所有列的数据类型都一样时，DataFrame.to_numpy()返回底层数据：
DataFrame为同构型数据时，Pandas直接修改原始ndarray，所以修改会直接反应在数据结构里。对于异构型数据，即DataFrame列的数据类型不一样时，就不是这种操作模式了，与轴标签不同，不能为值的属性赋值。
这里我们要注意处理异构型数据时，输出结果ndarray的数据类型适用于涉及的各类数据。若DataFrame里包含字符串，输出结构的数据类型就是object。要是只有浮点数或整数，则输出结果的数据类型是浮点数。
以前，Pandas推荐用Series.values或DataFrame.values从Series或DataFrame里提取数据。
但Pandas改进了此功能，现在，推荐用.array或to_numpy提取数据，别再用.values了。
.values有以下2个缺点：
1.Series含扩展类型时，Series.values无法判断到底是改返回NumPy array，还是返回Extension array。而Series.array则只返回ExtensionArray，且不会复制数据。Series.to_numpy则返回NumPy数组，其代价是需要复制、并强制转换数据的值。
2.DataFrame含多种数据类型时，DataFrame.values会复制数据，并将数据的值强制转换同一种数据类型，这是一种代价较高的操作。DataFrame.to_numpy()则返回NumPy数组，这种方式更清晰，也不会把DataFrame里的数据都当作一种类型。
借助numexpr与bottleneck支持库，Pandas可以加速特定类型的二进制数值与布尔操作。
处理大型数据集时，这两个支持库特别有用，加速效果也非常明显。numexpr使用智能分块、缓存与多核技术。bottleneck是一组专属cython例程，处理含nans值的数组时，特别快。
请看下面这个例子（DataFrame包含100列×10万行数据）：
这两个支持库默认为启用状态，可用以下选项设置：
感谢各位的阅读，以上就是“Pandas数据结构的基础用法”的内容了，经过本文的学习后，相信大家对Pandas数据结构的基础用法这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！
重庆分公司
重庆分公司
