python高阶函数(pandas三种数据结构)

python高阶函数

函数在Python的学习中，已经了解了很多了，今日要学习的是Python中的高档函数，它是一种将函数作为一种参数使用，或者是在最终的返回值上会是一个函数目标的函数，有部分小伙伴对这方面的常识还不是特别的清楚，下面就一起来看看Python中常用的高阶函数都有哪些吧。
一、高阶函数的界说
在函数的使用中，咱们能够将函数名看成是一个变量，当咱们在调用这个函数的时分，会将函数中的目标作为一个参数放在函数名后面的括号中，当函数参数都存在的时分，就要使函数参数的类型和数量要一一对应。
二、常见的高阶函数
1、filter函数
当咱们要对数据进行挑选的时分，为了保存满意指定条件的值时，就能够使用这个函数，函数的语法格局如下：
filter(function,iterable)
在函数中，存在着两个参数：第一个参数表示的是函数，第二个参数是迭代数据。
2、map函数
这个函数也是比较常用的函数，它的主要功能就是将所有的元数据中元素执行相同的操作，格局如下：
map(function,iterable)
3、reduce函数
这个函数在前面的学习中，解说过很多次了，是用来对元素进行累积的核算，核算函数中两个元素的成果，然后再将成果和第三个元素的函数成果进行核算，依次类推。格局如下：
reduce(function,iterable[,initializer])
4、sorted函数
这是一个对数据进行排序的函数，使用的格局如下：
sorted(iterable,key=None,reverse=False)
最终一个参数设置的是排序的方法。默认情况为false。

pandas三种数据结构

1.Series
Pandas的Series目标是一个带索引数据构成的一维数组
1）用一个数组创立Series目标
In[1]:importnumpyasnp
In[2]:importpandasaspd
In[3]:data=pd.Series([0.25,0.5,0.75,1.0])
In[4]:data
Out[4]:
00.25
10.50
20.75
31.00dtype:float64
2）经过values和index特点获取数据
#values特点回来的结果与Numpy数组类似In[5]:data.values
Out[5]:array([0.25,0.5,0.75,1.])#index特点回来的结果是一个类型为pd.index的类数组目标In[6]:data.index
Out[6]:RangeIndex(start=0,stop=4,step=1)
3）和Numpy数组一样，数据可以经过Python中的括号索引标签获取
In[7]:data[1]
Out[7]:0.5In[8]:data[1:3]
Out[8]:10.50
20.75dtype:float64
4）对于Series目标的index,默认值为整数序列
In[9]:pd.Series([2,4,6])
Out[9]:
02
14
26dtype:int64
5）data还可以是一个标量，创立Series目标时会重复填充到每个索引上
In[10]:pd.Series(5,index=[100,200,300])
Out[10]:1005
2005
3005dtype:int64
2.DataFrame
了解：假如将Series类比为带灵敏索引的一维数组，那么DataFrame就可以看作是一种既有灵敏的行索引，又有灵敏列名的二维数组，也可以把DataFrame看成是有序列摆放的若干Series目标，这里的’摆放’指的是它们具有共同的索引
创立DataFrame:
*经过单个Series目标创立
*经过字典列表创立
In[13]:data=[{‘a’:i,’b’:2*i}foriinrange(3)]
In[14]:pd.DataFrame(data)
Out[14]:
ab
000112
224
*经过Numpy二维数组创立
In[17]:pd.DataFrame(np.random.rand(3,2),columns=[‘foo’,’bar’],index=[‘a’,’b’,’c’])
Out[17]:
foobar
a0.8492430.390653b0.4111070.005731c0.5172570.545708
3.Index
了解：可以将它看作一个不可变数组或有序调集（实际上是一个多集，由于Index目标可能会包含重复值）
Index目标遵从Python标准库的调集（set）数据结构的许多习惯用法，包含并集，交集，差集