Grundlagen von Series und DataFrame
Erstellen und untersuchen Sie Pandas-Datenstrukturen aus verschiedenen Quellen.
Grundlagen von Series und DataFrame ist eine kostenlose Python Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Python Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Python Academy-Kurs umfasst insgesamt 4 Lektionen.
Was ist Pandas?
Pandas stellt Series (eindimensionales beschriftetes Array) und DataFrame (zweidimensionale beschriftete Tabelle) bereit. Beide bauen auf NumPy auf und sind für die Datenanalyse optimiert.
import pandas as pd
s = pd.Series([10, 20, 30], index=["a","b","c"])
print(s)
# a 10
# b 20
# c 30Eine Series erstellen
Erstellen Sie eine Series aus einer Liste, einem Dictionary oder einem Skalar. Der Index verwendet standardmäßig Ganzzahlen ab null.
import pandas as pd
# From list:
s1 = pd.Series([1, 2, 3])
# From dict (keys become index):
s2 = pd.Series({"x": 10, "y": 20})
# Scalar (broadcast):
s3 = pd.Series(5, index=range(4))
print(s3) # 0 5 / 1 5 / 2 5 / 3 5Einen DataFrame erstellen
Erstellen Sie einen DataFrame aus einem Dictionary aus Listen, einer Liste von Dictionaries oder einem NumPy-Array.
import pandas as pd
df = pd.DataFrame({
"name": ["Alice","Bob","Carol"],
"age": [30, 25, 35],
"score":[95.5, 87.0, 92.3]
})
print(df)Grundlegende Untersuchung
head(), tail(), shape, dtypes, info(), describe() – Ihre ersten Schritte mit jedem neuen Datensatz.
import pandas as pd
df = pd.read_csv("data.csv")
print(df.head()) # first 5 rows
print(df.shape) # (rows, cols)
print(df.dtypes) # column types
print(df.describe()) # count, mean, std, min...Auf Spalten zugreifen
Greifen Sie mit der Punktnotation oder eckigen Klammern auf eine Spalte zu. Die Punktnotation funktioniert nicht bei Spaltennamen mit Leerzeichen oder bei Namen, die mit DataFrame-Attributen kollidieren.
import pandas as pd
df = pd.DataFrame({"age":[30,25], "city":["NY","LA"]})
print(df["age"]) # preferred
print(df.age) # also works if name is simple
print(df[["age","city"]]) # multiple columnsGrundlagen des Index
Der Index bezeichnet die Zeilen. Standardmäßig beginnt er bei 0, 1, 2 usw., kann aber auf beliebige hashbare Werte gesetzt werden.
import pandas as pd
df = pd.DataFrame({"val":[10,20,30]}, index=["a","b","c"])
print(df.loc["b"]) # row with label b
print(df.index) # Index(['a','b','c'])
# Reset to default integer index:
df.reset_index(drop=True, inplace=True)Spalten hinzufügen und entfernen
Weisen Sie einem neuen Schlüssel einen Wert zu, um eine Spalte hinzuzufügen. Verwenden Sie drop(), um eine Spalte zu entfernen.
import pandas as pd
df = pd.DataFrame({"a":[1,2,3],"b":[4,5,6]})
df["c"] = df["a"] + df["b"] # new column
df.drop(columns=["b"], inplace=True)
print(df)Ausrichtung von Series
Beim Kombinieren von Series richtet Pandas die Daten am Index aus. Fehlende Übereinstimmungen ergeben NaN.
import pandas as pd
s1 = pd.Series([1,2,3], index=["a","b","c"])
s2 = pd.Series([10,20], index=["b","c"])
print(s1 + s2)
# a NaN
# b 12.0
# c 23.0to_dict und to_list
Konvertieren Sie einen DataFrame oder eine Series für den Export oder zur Untersuchung zurück in standardmäßige Python-Strukturen.
import pandas as pd
df = pd.DataFrame({"x":[1,2],"y":[3,4]})
print(df.to_dict("records"))
# [{'x': 1, 'y': 3}, {'x': 2, 'y': 4}]
print(df["x"].to_list())
# [1, 2]Dateien einlesen
Pandas liest CSV, Excel, JSON, Parquet und SQL direkt in DataFrames ein.
import pandas as pd
df_csv = pd.read_csv("data.csv")
df_excel = pd.read_excel("data.xlsx", sheet_name="Sheet1")
df_json = pd.read_json("data.json")
df_parq = pd.read_parquet("data.parquet")
# pd.read_sql("SELECT * FROM table", conn)Dateien schreiben
Exportieren Sie DataFrames als CSV, Excel, JSON oder Parquet.
import pandas as pd
df = pd.DataFrame({"a":[1,2],"b":[3,4]})
df.to_csv("out.csv", index=False)
df.to_json("out.json", orient="records")
df.to_parquet("out.parquet")Schnelltest
Was gibt df.describe() zurück?
Zusammenfassung
Eine Series ist ein eindimensionales beschriftetes Array, ein DataFrame eine zweidimensionale beschriftete Tabelle. Greifen Sie mit df["col"] auf Spalten zu. Verwenden Sie head(), describe() und info() zur schnellen Untersuchung. Lesen und schreiben Sie CSV, Excel, JSON und Parquet mit integrierten Funktionen.
Häufig gestellte Fragen
Ist die Lektion „Grundlagen von Series und DataFrame“ kostenlos?
Ja — der vollständige Text von „Grundlagen von Series und DataFrame“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Python Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Python Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Grundlagen von Series und DataFrame“?
Erstellen und untersuchen Sie Pandas-Datenstrukturen aus verschiedenen Quellen. Du übst Python Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Python Academy zu starten?
Keine Vorkenntnisse erforderlich. Python Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Grundlagen von Series und DataFrame“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Python Academy-Lektion Code schreiben und ausführen?
Ja. Jede Python Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Grundlagen von Series und DataFrame
- Indizierung, Filtern und boolesche Masken
- GroupBy, Aggregation und Pivot-Tabellen
- Zusammenführen, Verbinden und Datenbereinigung