Grunderna i Series och DataFrame
Skapa och inspektera Pandas-datastrukturer från olika källor.
Grunderna i Series och DataFrame är en gratis lektion i Python Academy på CoddyKit. Detta är lektion 1 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för Python Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Python Academy innehåller totalt 4 lektioner.
Vad är Pandas?
Pandas tillhandahåller Series (en endimensionell etiketterad array) och DataFrame (en tvådimensionell etiketterad tabell) byggda på NumPy och optimerade för dataanalys.
import pandas as pd
s = pd.Series([10, 20, 30], index=["a","b","c"])
print(s)
# a 10
# b 20
# c 30Skapa en Series
Skapa en Series från en lista, dict eller ett skalärvärde. Indexet är som standard heltal som börjar på noll.
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 5Skapa en DataFrame
Skapa en DataFrame från en dict med listor, en lista med dict-objekt eller en 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)Grundläggande granskning
head(), tail(), shape, dtypes, info() och describe() är dina första steg med alla nya dataset.
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...Åtkomst till kolumner
Åtkomst till en kolumn sker med punktnotation eller hakparenteser. Punktnotation fungerar inte för kolumnnamn med blanksteg eller namn som krockar med DataFrame-attribut.
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 columnsIndexgrunder
Indexet etiketterar rader. Som standard är det 0, 1, 2... men kan anges till vilka hashbara värden som helst.
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)Lägga till och ta bort kolumner
Tilldela ett nytt nyckelvärde för att lägga till en kolumn. Använd drop() för att ta bort en.
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)Series-justering
När Series kombineras justerar Pandas dem efter index. Matchningar som saknas ger 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 och to_list
Konvertera en DataFrame eller Series tillbaka till vanliga Python-strukturer för export eller inspektion.
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]Läsa filer
Pandas läser CSV, Excel, JSON, Parquet och SQL direkt till DataFrame-objekt.
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)Skriva filer
Exportera DataFrame-objekt till CSV, Excel, JSON och 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")Snabbkontroll
Vad returnerar df.describe()?
Sammanfattning
En Series är en endimensionell array med etiketter; en DataFrame är en tvådimensionell tabell med etiketter. Åtkomst till kolumner sker med df["col"]. Använd head(), describe() och info() för snabb inspektion. Läs och skriv CSV, Excel, JSON och Parquet med inbyggda funktioner.
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 76
- Lektioner
- 320
Vanliga frågor
Är lektionen ”Grunderna i Series och DataFrame” gratis?
Ja – hela texten till ”Grunderna i Series och DataFrame” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i Python Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i Python Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Grunderna i Series och DataFrame”?
Skapa och inspektera Pandas-datastrukturer från olika källor. Ni övar på Python Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Python Academy?
Du behöver inga förkunskaper. Utbildningen i Python Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.
Hur lång tid tar lektionen ”Grunderna i Series och DataFrame”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Python Academy-lektionen?
Ja. Varje Python Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Grunderna i Series och DataFrame
- Indexering, filtrering och booleska masker
- GroupBy, aggregering och pivottabeller
- Sammanfogning, join och databeredning