如何高效地学习数据结构——Python篇

栏目: Python · 发布时间: 7年前

内容简介:如何高效地学习数据结构——Python篇

如何高效地学习数据结构——Python篇

我们来看看如何高效地学习一门语言的数据结构,今天我们先看 Python 篇。
所谓数据结构,是指相互之间存在一种或多种特定关系的数据类型的集合。


要学习好一种东西,最好给自己找一个目标,达到了这个目标,我们就是学好了。一般,我在学习一门新的语言的数据结构的时候,一般要求自己达到以下五个要求: 第一个问题:概念,这种数据结构的概念是什么呢?


第二个问题:定义,如何定义这种数据结构呢? 


第三个问题:限制,使用这种数据结构,有什么限制呢?


第四个问题:访问,访问这种数据结构内的数据的方式是什么呢?


好,今天我们就来回答一下以上五个问题。 第一个问题:概念,这种数据结构的概念是什么呢? 数据框是用于存储多行和多列的数据集合,下面我们使用一张图片,形象地讲解它的内部结构: OK,这个就是数据框的概念了。 第二个问题:定义,如何定义这种数据结构呢?  DataFrame函数语法 DataFrame(columnsMap) 代码举例 : >>> df = DataFrame({ 'age': Series([21, 22, 23]), 'name': Series(['KEN', 'John', 'JIMI']) }); >>> df age name 0 21 KEN 1 22 John 2 23 JIMI OK,这个就是定义数据框DataFrame的方法了。 第三个问题:限制,使用这种数据结构,有什么限制呢? 一般而言,限制是对于这种数据结构是否只能存储某种数据类型,在Python的数据框中,允许存放多种数据类型,基本上对于默认的数据类型,没有任何限制。 第四个问题:访问,访问这种数据结构内的数据的方式是什么呢? 访问位置方法备注访问列变量名[列名]访问对应列访问行变量名[n:m]访问n行到m-1行的数据访问行和列变量名.iloc[n1:n2, m1:m2]访问n1到n2-1列,m1到m2-1行的数据访问位置变量名.at[n, 列名]访问n行,列位置 代码举例
0 21 1 22 2 23 Name: age, dtype: int64 >>> df[1:2] age name 1 22 John >>> df.iloc[0:1, 0:2] age name 0 21 KEN >>> df.at[0, 'name'] 'KEN' >>> df[['age', 'name']]  age name  0 21 KEN  1 22 John  2 23 JIMI  >>> 第五个问题:修改,如何对这种数据结构进行增加元素、删除元素以及修改元素呢? 这个问题,我并没有在课程中跟大家讨论过,主要是为了避免大家觉得学习起来很难。 也因此,这篇博文到了这里才是真正的干货,之前的那些都是课程中出现过的内容了,哈哈, 修改包括: 1、修改列名,行索引


2、增加/删除/修改 行


好,下面我们上代码: from pandas import Series; from pandas import DataFrame; df = DataFrame({ 'age': Series([21, 22, 23]), 'name': Series(['KEN', 'John', 'JIMI']) }); #1.1、修改列名 >>> df.columns Index(['age', 'name'], dtype='object') >>> df.columns=['age2', 'name2'] >>> df age2 name2 0 21 KEN 1 22 John 2 23 JIMI #1.2、修改行名 >>> df.index Int64Index([0, 1, 2], dtype='int64') >>> df.index = range(1,4) >>> df.index Int64Index([1, 2, 3], dtype='int64') #2.1、删除行 >>> df.drop(1) age2 name2 2 22 John 3 23 JIMI >>> df age2 name2 1 21 KEN 2 22 John 3 23 JIMI #注意,删除后的DataFrame需要一个变量来接收,并不会直接修改原来的DataFrame. >>> newdf = df.drop(1); >>> newdf age2 name2 2 22 John 3 23 JIMI #2.2、删除列 >>> del newdf['age2'] >>> newdf name2 2 John 3 JIMI #3.1、增加行 >>> df.loc[len(df)+1] = [24, "KENKEN"]; >>> df age2 name2 1 21 KEN 2 22 John 3 23 JIMI 4 24 KENKEN #3.2、增加列 >>> df['newColumn'] = [2, 4, 6, 8]; >>> df age2 name2 newColumn 1 21 KEN 2 2 22 John 4 3 23 JIMI 6 4 24 KENKEN 8 以上就是全部五个问题的答案了,通过自问自答这五个问题,我们就可以高效地学习某种数据结构了。

End.


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

Impractical Python Projects

Impractical Python Projects

Lee Vaughan / No Starch Press / 2018-11 / USD 29.95

Impractical Python Projects picks up where the complete beginner books leave off, expanding on existing concepts and introducing new tools that you’ll use every day. And to keep things interesting, ea......一起来看看 《Impractical Python Projects》 这本书的介绍吧!

HTML 压缩/解压工具
HTML 压缩/解压工具

在线压缩/解压 HTML 代码

RGB HSV 转换
RGB HSV 转换

RGB HSV 互转工具