对pandas的算术运算和数据对齐实例详解

当我们在处理数据时，经常需要进行算术运算。Pandas提供了一些算术运算符，如加、减、乘等，并且还具有数据对齐的功能。在这篇文章中，我们将通过实例来详细讲解pandas的算术运算和数据对齐。

算术运算

Pandas支持所有基本的算术运算符，如加、减、乘、除、求余等，并且这些运算符可以与常量、Series和DataFrame相结合。

Series之间的算术运算

当两个Series相加时，Pandas将根据索引标签对齐它们，并在对应的位置将值相加。如果两个Series中存在不同的索引标签，那么对应位置的值将为NaN。

下面是一个示例，展示了两个Series相加的过程：

import pandas as pd

s1 = pd.Series({"a": 10, "b": 20, "c": 30})
s2 = pd.Series({"a": 5, "c": 15, "d": 25})

s3 = s1 + s2
print(s3)

输出结果为：

a    15.0
b     NaN
c    45.0
d     NaN
dtype: float64

我们可以看出，在s1和s2之间的索引标签进行了对齐，缺失的值填充了NaN。

DataFrame之间的算术运算

当两个DataFrame相加时，Pandas会对齐它们的行和列，并在对应的位置将值相加。如果两个DataFrame中存在不同的行或列，那么对应位置的值将为NaN。

下面是一个示例，展示了两个DataFrame相加的过程：

import pandas as pd

df1 = pd.DataFrame({"a": [10, 20, 30], "b": [40, 50, 60]})
df2 = pd.DataFrame({"a": [5, 15, 25], "b": [35, 45, 55], "c": [65, 75, 85]})

df3 = df1 + df2
print(df3)

输出结果为：

    a   b   c
0  15  75 NaN
1  35  95 NaN
2  55  115 NaN

我们可以看出，在df1和df2之间的行和列进行了对齐，缺失的值填充了NaN。

常量与Series、DataFrame之间的算术运算

当一个常量和一个Series相加时，这个常量将被广播到Series的所有元素上。

下面是一个示例，展示了常量和Series相加的过程：

import pandas as pd

s1 = pd.Series({"a": 10, "b": 20, "c": 30})

s2 = s1 + 5
print(s2)

输出结果为：

a    15
b    25
c    35
dtype: int64

当一个常量和一个DataFrame相加时，这个常量将被广播到整个DataFrame的所有元素上。

下面是一个示例，展示了常量和DataFrame相加的过程：

import pandas as pd

df1 = pd.DataFrame({"a": [10, 20, 30], "b": [40, 50, 60]})

df2 = df1 + 5
print(df2)

输出结果为：

    a   b
0  15  45
1  25  55
2  35  65

数据对齐

Pandas通过索引标签来对齐数据。当两个Series进行算术运算时，Pandas会在索引标签上进行对齐。如果两个Series具有相同的索引标签，那么它们将相互对齐，并进行算术运算。如果一个Series缺少一个索引标签，那么在这个索引标签处的值将填充为NaN。

下面是一个示例，展示了两个Series进行算术运算时的数据对齐过程：

import pandas as pd

s1 = pd.Series({"a": 10, "b": 20, "c": 30})
s2 = pd.Series({"a": 5, "c": 15, "d": 25})

s3 = s1 + s2
print(s3)

输出结果为：

a    15.0
b     NaN
c    45.0
d     NaN
dtype: float64

Pandas还可以对齐DataFrame。当两个DataFrame进行算术运算时，Pandas会在索引标签和列标签上进行对齐。如果两个DataFrame具有相同的索引标签和列标签，那么它们将相互对齐，并进行算术运算。如果一个DataFrame缺少一个索引标签或列标签，那么在这个位置处的值将填充为NaN。

下面是一个示例，展示了两个DataFrame在索引标签和列标签上进行算术运算时的数据对齐过程：

import pandas as pd

df1 = pd.DataFrame({"a": [10, 20, 30], "b": [40, 50, 60]})
df2 = pd.DataFrame({"a": [5, 15, 25], "b": [35, 45, 55], "c": [65, 75, 85]})

df3 = df1 + df2
print(df3)

输出结果为：

    a   b   c
0  15  75 NaN
1  35  95 NaN
2  55  115 NaN

在这个例子中，由于df2缺少列标签为“c”的列，所以在df3中填充了缺失值NaN。

综上所述，Pandas提供了非常方便的算术运算和数据对齐功能。这些功能可以极大地简化数据处理的过程，使数据分析人员更加高效。