第五課內容：Pandas入門
pandas DataFrame（數據框）
pandas Series
數據的選擇
案例：Iris 鳶尾花數據
? ? ? ? 數據的導入和觀察
? ? ? ? 數據選擇復習
? ? ? ? 數據可視化初探
Pandas DataFrame
我們存儲數據最常用的形式是表格
表格就是由行與列所構成的一種有序的組織形式
表格的第一行一般是變量名稱，也稱為表頭（header）
不同的變量可以是不同的數據類型。
比如下面這個表格羅列了2016年GDP最高的5個國家以及對應的首都，人口(百萬)，GDP（萬億美元），和所在大洲
問題：如何在python中表示以上這個表格？
思考思路：
在第四節課中，我們介紹了二維numpy array。但是numpy array只能存儲一種數據類型，但是上面的表格同時有數值變量和字符串，
——>所以我們需要使用pandas包來處理，
——>pandas是數據科學中最常用的包之一，可以高效的處理各種數據格式。也因為 pandas是基于numpy構建的。
我們將重點介紹pandas中的series和DataFrame
從字典創建一個DataFrame
回憶第三節課程，我們需要鍵（key）和值（value）來定義一個字典
# 首先產生一個叫gdp的字典
這就是在Python中顯示的表格啦！簡潔美觀！
記得每一次運行都要記得重新賦值 import pandas as pd ，不然后面是沒有辦法運行沒有被定義的代碼的。
這里的套路是：首先要定義一個叫gdp的字典名稱，DataFrame是一個有魔法的固定詞匯，數據表格的意思，也就是用它來賦值代碼，輸出的結果是一個表格，這可是在python中的表格～?
gdp_df=pd.DataFrame(gdp)，在pandas里面，強制轉換gdp這個字典為DataFrame的格式，等同于 被賦值的gdp的DataFrame數據表格。我的理解啊～??
首行加黑加粗的是表頭，主體部分就是我們定義的數據內容了。
細心的人會發現，這里的表格的表頭內容排列順序和代碼復制的內容順序是不一樣的，賦值的時候前面是country，capital，population，在形成的表格前面的是capital，continent，country。所以我們要是需要順序一致的時候，應該怎么辦呢？
如圖：
需要加 columns 這個名詞，把順序強調一遍，輸出的結果就是和代碼順序一樣的表格行首啦！也就是，使用column選項可以選擇列的順序
接下來，我們也可以通過index選項添加自定義的行標簽(label)
修改行和列的標簽
這里通過 index 和 columns 的索引修改相應的內容，把黑體的內容首字母全部換成大寫了。
其實就是，要是需要修改表格內的內容，要在代碼行重新輸入新的值，然后運行就能修改Python表格中的內容了。
增加一列數據
這個表格中增加的內容是表示這是GDP前5的數據，然后還有相對相應的國土面積。也就是在Python表格中增加數據的話，要在代碼行重新賦值一個表頭內容，然后一般是用字典的格式來定義主體內容，然后重新輸出表格，就能得出增加數據的Python表格來。
Pandas series
pandas中的series對象是另一個重要的數據結構
你可以將其視為一個一維的DataFrame或者一個一維數組（array）加上一個索引（index）
在這節課后半部分，我們將展示series在數據過濾和分組運算中起到作用
來吧！又是一個新詞匯！記下來哦！
DataFrame是二維的數據，Series是一維數據，是一個數列類型。Series 可以看作是DataFrame 表格中的某一列。
也是一樣的套路，先定義一個函數，賦值 series ，在等號右邊的 pd.Series 的 Series 一定要大寫，和上面的 DataFrame 一樣，D 和 F 要大寫，可能是因為程序智能識別大寫首字母這些詞匯的含義，小寫可能就不能識別那一層特殊功能了。 ?呃，有魔法和沒魔法的區別 ??吧～
其中 14 語句中，第一列和上面的例子一樣，一旦沒有重新賦值，默認的索引就是 0，1，2，3這樣排列下來的。在 15 語句中，用 index 重新賦值后，列的表頭內容就出現變化了。
# 當我們使用點操作符來查看一個變量時，返回的是一個pandas series
# 在后續的布爾篩選中使用點方法可以簡化代碼
# US,...,UK是索引
其實到這一步也是出了很多錯。在前面定義有歧義，導致這一步查找GDP的數據時，出現的全是NaN這個代號：
往上查看，從某一步開始數值都已經是這樣了，但是我竟然也沒發現。就是從這里開始的：
全部重新打一遍，也是沒發現出問題，但是輸出全部都是錯誤提醒啊，來，感受一下滿屏的錯誤提示：
發去群里求助，老師讓我把從頭開始的代碼都給他看，然后發現問題在最初的定義賦值，或者GDP大小寫開始。因為前面字典定義的GDP是小寫的，后面為了和行首內容字母大寫相一致，就直接修改行首內容，導致的結果就是程序識別不了 GDP=gdp 的數值。所以只能顯示 “NaN”。
老師說這種情況，要不在創建的時候就和字典一致，要不在字典創建之后，使用 gdp_df.columns=[ ] 的形式對列名進行修改。
這是需要取gdp這一列數據的語法，在 Series 中直接就是后綴加“ .索引” 的形式得出數據。
和之前的課一樣的套路，需要分辨數據類型的時候，還是用 type 這個詞匯實現魔法啊～～
也可以用后綴加 index 直接得出 gdp 這一列對應的索引，也就是列的行首內容。在這里 gdp 對應的就是國家。
在 gdp 這一列，有哪些數值是大于 4 的，大于 4 的用 True 表示，不大于 4 的用 False 表示。
老師說這樣的應用在后面會經常用到喲～
# 我們也可以將series視為一個長度固定且有順序的字典，一些用于字典的函數也可以用于series
先創建一個字典，通過字典創建一個 Series 數據。
# 判斷 ’US' 標簽是否在gdp_series中
數據的選擇
df [ ['column_name'] ] —— 選取列，生成DataFrame 格式數據（如果只是用 [ ] 則產生一個series）；
df [ 'column_name' ] —— 選取列，生成 Series 格式數據；
df.column_name —— 選取列，生成 Series 格式數據
使用loc和iloc方法，選擇行和列：
df.loc[ ] —— 使用行和列的標簽索引選取數據
df.iloc[ ] ——使用行和列的數值索引選取數據
使用布爾索引篩選數據
這太多括號啦！看得有點暈，首先看選取列的三種方法，2個中括號，1個中括號和沒有中括號的區別。
這個我的理解是，在 gdp 這個DataFrame 的表格中，找出 Country 這個列的數據內容。這個用法不限于一列，要是想要顯示更多列，也是一樣的用法：
下面顯示一個中括號的運算。
同樣的內容， 23 條是DataFrame 類型， 24 條是 Series 類型，我們可以用 type 這個詞匯來判斷數據類型：
我們再來看看 df.column_name 這樣的格式，出來的結果：
以上三種，就是：
df [ ['column_name'] ] —— 選取列，生成DataFrame 格式數據（如果只是用 [ ] 則產生一個series）；
df [ 'column_name' ] —— 選取列，生成 Series 格式數據；
df.column_name —— 選取列，生成 Series 格式數據。
都是通過以上句型來選取列的數據內容。
覺得這個和以前學英語差不多?。∮泦卧~，記句型，注意括號使用的語法。。。都是一個套路??
上面講的是列的索引，要是我們需要行的數據呢？
中括號里面寫的是行所對應的數值索引，這有點像之前學的切片:
loc方法
是一種基于行標簽和列標簽選取數據的方法
可以選取特定行或列，也可以同時指定所需要的行與列
和二維numpy array的格式非常類似
我們先來一個例子，需要 JP 和 DE 的行數據時，df.loc[ ] —— 使用行和列的標簽索引選取數據：
要是我們除了想要特定的行數據，還想要特定的列，就在行的索引方括號后面加 逗號和列的索引就可以了：
增加的索引值是標簽數據，也就是對應的字符串。loc方法正是基于標簽選取數據的方法。
要是需要整一行的數據，和之前學的切片里面的公式語句差不多，用冒號來表示：
iloc方法
和loc方法不同的地方是，iloc是基于行列索引進行數據選擇而不是標簽
具體使用方法和loc類似，用行/列索引代替標簽
在一個表格中，想要得到其中某行的數據，用 df.iloc[ ] 這樣的句型，來進行行和列的數值索引選取數據：
要是想要得到特定的列的數據呢？ 套路都一樣，直接后面加方括號，里面填對應的列的數字：
使用布爾索引(boolean Indexing)篩選數據
我們可以使用pandas series來獲取一個boolean series
布爾索引的使用和二維numpy array類似
可以結合 [ ] 或者loc一起使用
老師說前面給我們留下了一個布爾型索引沒有后文，如下圖的 36 條：
要在一個表格之內找到洲所在是 Asia 的，用布爾型判斷有哪些是符合，哪些是不符合的。
37 條用句型套用，得出數據表格，內容是，符合 Continent 在 Asia 的國家有 CN 和 JP ，所對應的行內容全部顯示出來。
這個時候，我們套用 loc 句型，得出的結果是一樣的:
再來一個例子吧～
我們要在表格里面找到所在大洲是歐洲，并且GDP是要大于3的那個國家數據，首先用布爾型看數據符合還是不符合：
這里可以看到，只有 DE 這個數值才符合要求。我們看句型中，要是需要兩個或兩個以上的條件要同時滿足，需要用到 & 這個符號，代表優先級，也就是同時運算。
然后用 DataFrame 這個句型進行運算，得到符合條件的整行數據：
還有鳶尾花數據這個大案例，留在下一篇文章啦！
作業5-1：
選出亞洲或者北美洲的國家記錄 (提示：使用 isin 方法)
選出gdp大于4兆億美元的國家
