go语言pandas库 golang pandas

pandas库有什么用

Pandas在数据科学中发挥着重要作用，它可帮助我们建立数据科学家和数据分析师的基础技能。

创新互联公司专注于宝清企业网站建设,成都响应式网站建设公司,商城网站开发。宝清网站建设公司,为宝清等地区提供建站服务。全流程按需搭建网站，专业设计，全程项目跟踪，创新互联公司专业和态度为您提供的服务

数据是当今世界不可或缺的一部分。它可以帮助我们预测各种事件，并为我们的生活指明方向。Pandas帮助我们控制和操纵这些数据。Pandas提供了基本的数据结构，如Series，DataFrame和Panel，可用来处理数据集和时间序列。它是免费使用的开放源代码库，使其成为世界上使用最广泛的数据科学库之一。

Pandas拥有执行各种任务的能力。无论是执行诸如查找数据的均值，中位数和众数之类的任务，还是根据我们的意愿处理大型CSV文件并处理内容的任务，Pandas都能做到。简而言之，要掌握数据科学，必须精通Pandas。

如何安装Pandas：

使用Anaconda安装Pandas，这是在系统上获取Pandas的最简单方法，建议新手和没有经验的用户使用。例如NumPy和SciPy。下载安装程序后，只需执行简单的设置过程即可。结束后，就可以轻松访问Pandas库。

pandas库怎么安装返回什么类型

1、点击开始栏，搜索cmd并打开。

2、找到安装的Python路径。

3、进入文件路径。在输入cd+空格+文件路径，进入文件路径下进行安装。

4、输入命令pipinstallpandas执行安装。返回panel的数据类型。

Pandas库的介绍

Pandas是python第三方库，提供高性能易用数据类型和分析工具

import pandas as pd

Pandas基于Numpy实现，常与Numpy和Matplotlib一同使用

两个数据类型：Series，DataFrame

基于上述数据类型的各类操作(基本操作、运算操作、特征类操作、关联类操作)

Series类型可以由如下类型创建：

1.python列表,index与列表元素个数一致

2.标量值，index表达Series类型的尺寸

3.python字典，键值对中的‘键’是索引，index从字典中进行选择操作

4.ndarray，索引和数据都可以通过ndarray类型创建

5.其他函数，range()函数等

Series类型的基本操作

Series类型包括index和value两部分

Series类型的操作类似ndarray类型

Series类型的操作类似python字典类型

Series类型的操作类似ndarray类型：

1.索引方法相同，采用[]

2.numpy中运算和操作可用于series类型

3.可以通过自定义索引的列表进行切片

4.可以通过自动索引进行切片，如果存在自定义索引，则一同被切片

Series类型的操作类似python字典类型：

1.通过自定义索引访问

2.保留字in操作

3.使用.get()方法

Series是一维带‘标签’数组

index_0   ---data_a

Series基本操作类似ndarray和字典，根据索引对齐

DataFrame类型可以由如下类型创建：

1.二维ndarray对象

2.由一维ndarray、列表、字典、元组或Series构成的字典

3.Series类型

4.其他的DataFrame类型

重新索引

.reindex(index=None,columns=None,...)的参数

index,columns            新的行列自定义索引

fill_value                       重新索引中，用于填充缺失位置的值

method                       填充方法，ffill当前值向前填充，bfill向后填充

limit                             最大填充量

copy                             默认true，生成新的对象，false时，新旧相等不复制

索引类型的常用方法

.append(idx)           链接另一个index对象，产生新的index对象

.diff(idx)                    计算差集，产生新的index对象

.intersection(idx)        计算交集

.union(idx)                   计算并集

.delete(loc)                删除loc位置处的元素

.insert(loc,e)               在loc位置增加一个元素e

算术运算法则

算术运算根据行列索引，补齐后运算，运算默认产生浮点数

补齐时缺项填充NaN(空值)

二维和一维、一维和零维间为广播运算

采用+ - * ／符号进行的二元运算产生新的对象

方法形式运算

.add(d,**argws)    类型间加法运算，可选参数

.sub(d,**argws)    类型间减法运算，可选参数

.mul(d,**argws)    类型间乘法运算，可选参数

.div(d,**argws)    类型间除法运算，可选参数

比较运算法则

比较运算只能比较相同索引的元素，不进行补齐

二维和一维、一维和零维间为广播运算

采用    =  =  ==  !=等符号进行的二元运算产生布尔对象

.sort_values()方法在指定轴上根据数值进行排序，默认升序

Series.sort_values(axis=0,ascending=True)

DataFrame.sort_values(by,axis=0,ascending=True)

by:axis轴上的某个索引或索引列表

适用于Series和DataFrame类型

.sum()           计算数据的总和，按0轴计算，下同

.count()         非NaN值的数量

.mean()  .median()   计算数据的算术平均值，算术中位数

.var()   .std()      计算数据的方差、标准差

.min()     .max()     计算数据的最小值、最大值

.describe()         针对0轴（各列）的统计汇总

适用于Series

.argmin()    .argmax()    计算数据最大值、最小值所在位置的索引位置（自动索引）

.idxmin()     .idxmax()    计算数据最大值、最小值所在位置的索引（自定义索引）

适用于Series和DataFrame类型，累计计算

.cumsun()                  依次给出前1、2、...、n个数的和

.cumprod()                 依次给出前1、2、...、n个数的积

.cummax()                  依次给出前1、2、...、n个数的最大值

.cummin()                   依次给出前1、2、....、n个数的最小值

适用于Series和DataFrame类型，滚动计算(窗口计算)

.rolling(w).sum()                依次计算相邻w个元素的和

.rolling(w).mean()               依次计算相邻w个元素的算术平均值

.rolling(w).var()                    依次计算相邻w个元素的方差

.rolling(w).std()                   依次计算相邻w个元素的标准差

.rolling(w).min()   .max()                依次计算相邻w个元素的最小值和最大值

两个事物，表示为x和y，如何判断它们之间的存在相关性？

相关性

1.x增大，y增大，两个变量正相关

2.x增大，y减小，两个变量负相关

3.x增大，y无视，两个变量不相关

相关分析函数

适用于Series和DataFrame类型

.cov()                计算协方差矩阵

.corr()                 计算相关系数矩阵，Pearson、Spearman、Kendall等系数