test_pandas

<script src="https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.5/latest.js?config=TeX-AMS_HTML"></script>
<!-- MathJax configuration -->
<script type="text/x-mathjax-config">
MathJax.Hub.Config({
    tex2jax: {
        inlineMath: [ ['$','$'], ["\(","\)"] ],
        displayMath: [ ['$$','$$'], ["\[","\]"] ],
        processEscapes: true,
        processEnvironments: true
    },
    // Center justify equations in code and markdown cells. Elsewhere
    // we use CSS to left justify single line equations in code cells.
    displayAlign: 'center',
    "HTML-CSS": {
        styles: {'.MathJax_Display': {"margin": 0}},
        linebreaks: { automatic: true }
    }
});
</script>
<!-- End of mathjax configuration --></head>

In [6]:

import numpy as np

</div>

为啥使用numpy¶

计算购物车的总价格¶

In [15]:

l1=[2,3,10,5]
l2=[10,200,150,50]

</div>

In [8]:

l1_np = np.array(l1)
l2_np = np.array(l2)

</div>

In [9]:

l1_np

</div>

<div class="prompt output_prompt">Out[9]:</div>

array([ 2,  3, 10,  5])

In [10]:

l2_np

</div>

<div class="prompt output_prompt">Out[10]:</div>

array([ 10, 200, 150,  50])

In [11]:

l1_np * l2_np

</div>

<div class="prompt output_prompt">Out[11]:</div>

array([  20,  600, 1500,  250])

In [13]:

np.sum(l1_np * l2_np)

</div>

<div class="prompt output_prompt">Out[13]:</div>

2370

In [14]:

import numpy as np
import pandas as pd

</div>

Series的学习¶

Series的创建方法¶

In [17]:

s1 = pd.Series([2,3,4,5,6])

</div>

In [18]:

s1

</div>

<div class="prompt output_prompt">Out[18]:</div>

0    2
1    3
2    4
3    5
4    6
dtype: int64

In [19]:

s2 = pd.Series([2,3,4,5,6],index=['a','b','c','d','e'])

</div>

In [20]:

s2

</div>

<div class="prompt output_prompt">Out[20]:</div>

a    2
b    3
c    4
d    5
e    6
dtype: int64

索引取值¶

In [21]:

s1[1]

</div>

<div class="prompt output_prompt">Out[21]:</div>

3

In [22]:

s2['b']

</div>

<div class="prompt output_prompt">Out[22]:</div>

3

In [23]:

s2[1]  ##### 数字型索引和自定义索引是共存的

</div>

<div class="prompt output_prompt">Out[23]:</div>

3

In [24]:

s4 = pd.Series(0,index=['a','b','c'])
s4

</div>

<div class="prompt output_prompt">Out[24]:</div>

a    0
b    0
c    0
dtype: int64

Series的特性¶

In [26]:

s1 * 2   #### 矢量运算

</div>

<div class="prompt output_prompt">Out[26]:</div>

0     4
1     6
2     8
3    10
4    12
dtype: int64

In [28]:

s3 = pd.Series([2,3,4,5,6])
s3

</div>

<div class="prompt output_prompt">Out[28]:</div>

0    2
1    3
2    4
3    5
4    6
dtype: int64

In [29]:

s1 * s3

</div>

<div class="prompt output_prompt">Out[29]:</div>

0     4
1     9
2    16
3    25
4    36
dtype: int64

In [30]:

s1>4

</div>

<div class="prompt output_prompt">Out[30]:</div>

0    False
1    False
2    False
3     True
4     True
dtype: bool

In [31]:

s1[s1>4]  #### 布尔型索引

</div>

<div class="prompt output_prompt">Out[31]:</div>

3    5
4    6
dtype: int64

In [32]:

abs(s1)

</div>

<div class="prompt output_prompt">Out[32]:</div>

0    2
1    3
2    4
3    5
4    6
dtype: int64

In [34]:

sum(s1)  #### 求和

</div>

<div class="prompt output_prompt">Out[34]:</div>

20

缺失值处理¶

In [35]:

st = pd.Series({'sean':12, 'yang':15, 'cloud':20, 'bella':23})  #### 放字典也可以
st

</div>

<div class="prompt output_prompt">Out[35]:</div>

sean     12
yang     15
cloud    20
bella    23
dtype: int64

In [37]:

obj1 = pd.Series(st, index=['sean', 'yang', 'cloud'])
obj1

</div>

<div class="prompt output_prompt">Out[37]:</div>

sean     12
yang     15
cloud    20
dtype: int64

In [39]:

obj2 = pd.Series(st, index=['sean', 'yang', 'cloud', 'rocky'])
obj2

</div>

<div class="prompt output_prompt">Out[39]:</div>

sean     12.0
yang     15.0
cloud    20.0
rocky     NaN
dtype: float64

In [41]:

#### 为啥值的类型从整型变成了浮点型？
### 答：因为NaN是浮点类型，所以为了兼容nan的浮点类型，因此强制的将之前的整型变成了浮点型
type(np.nan)

</div>

<div class="prompt output_prompt">Out[41]:</div>

float

In [42]:

#### nan 他等于谁？
np.nan == np.nan

</div>

<div class="prompt output_prompt">Out[42]:</div>

False

In [45]:

#### 使用fillna()方法填充nan
obj2.fillna("好")

</div>

<div class="prompt output_prompt">Out[45]:</div>

sean     12
yang     15
cloud    20
rocky     好
dtype: object

In [46]:

obj2  ### obj2在使用fillna()时相当于又重新copy了一份

</div>

<div class="prompt output_prompt">Out[46]:</div>

sean     12.0
yang     15.0
cloud    20.0
rocky     NaN
dtype: float64

In [47]:

a = obj2
a

</div>

<div class="prompt output_prompt">Out[47]:</div>

sean     12.0
yang     15.0
cloud    20.0
rocky     NaN
dtype: float64

In [48]:

#### 删除nan所在的行
obj2.dropna(inplace=True)  ### inplace = True:代表对象本身的基础上删掉

</div>

In [49]:

obj2

</div>

<div class="prompt output_prompt">Out[49]:</div>

sean     12.0
yang     15.0
cloud    20.0
dtype: float64

In [51]:

#### isnull 判断是否为空
obj2.isnull()

</div>

<div class="prompt output_prompt">Out[51]:</div>

sean     False
yang     False
cloud    False
dtype: bool

两个Series的运算¶

In [52]:

#### 向量运算

</div>

In [53]:

s4 = pd.Series({'height':170, 'age':18, 'salary':2000})
s4

</div>

<div class="prompt output_prompt">Out[53]:</div>

height     170
age         18
salary    2000
dtype: int64

In [54]:

s5 = pd.Series({'height':110, 'age':20, 'salary':2367})
s5

</div>

<div class="prompt output_prompt">Out[54]:</div>

height     110
age         20
salary    2367
dtype: int64

In [55]:

s4 +s5  #### 索引所对应的值进行加减乘除 

</div>

<div class="prompt output_prompt">Out[55]:</div>

height     280
age         38
salary    4367
dtype: int64

In [57]:

s6 = pd.Series({'name':110, 'age':20, 'salary':2367})
s6

</div>

<div class="prompt output_prompt">Out[57]:</div>

name       110
age         20
salary    2367
dtype: int64

In [58]:

s4 + s6

</div>

<div class="prompt output_prompt">Out[58]:</div>

age         38.0
height       NaN
name         NaN
salary    4367.0
dtype: float64

In [59]:

s1

</div>

<div class="prompt output_prompt">Out[59]:</div>

0    2
1    3
2    4
3    5
4    6
dtype: int64

Series索引¶

In [62]:

#### 获取 2， 4， 6三个值
#### 花式索引  中括号中套中括号  ，内层中括号写索引下标
s1[[0,2,4]]

</div>

<div class="prompt output_prompt">Out[62]:</div>

0    2
2    4
4    6
dtype: int64

In [63]:

arr = np.array([1,2,3,4,5])

</div>

In [64]:

arr

</div>

<div class="prompt output_prompt">Out[64]:</div>

array([1, 2, 3, 4, 5])

In [65]:

arr[[0,2,4]]

</div>

<div class="prompt output_prompt">Out[65]:</div>

array([1, 3, 5])

整数索引¶

In [68]:

sr = pd.Series(np.arange(10))
sr

</div>

<div class="prompt output_prompt">Out[68]:</div>

0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int32

In [71]:

sr1 = sr[3:]
sr1

</div>

<div class="prompt output_prompt">Out[71]:</div>

3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int32

In [73]:

sr1.iloc[0]   ####  iloc == index + location

</div>

<div class="prompt output_prompt">Out[73]:</div>

3

In [75]:

sr1.loc[3]   #### 下标 

</div>

<div class="prompt output_prompt">Out[75]:</div>

3

DataFrame¶

In [76]:

df = pd.DataFrame({'one':[1,2,3,4],'two':[5,6,7,8]})
df

</div>

<div class="prompt output_prompt">Out[76]:</div>

	one	two
0	1	5
1	2	6
2	3	7
3	4	8

In [77]:

df['one'].iloc[0]  #### 先是获取列 再然后是行

</div>

<div class="prompt output_prompt">Out[77]:</div>

1

常见的属性¶

In [78]:

df.index  #### 获取行索引

</div>

<div class="prompt output_prompt">Out[78]:</div>

RangeIndex(start=0, stop=4, step=1)

In [79]:

df.columns  #### 获取列索引

</div>

<div class="prompt output_prompt">Out[79]:</div>

Index(['one', 'two'], dtype='object')

In [80]:

df.T  #### 行列转置

</div>

<div class="prompt output_prompt">Out[80]:</div>

	0	1	2	3
one	1	2	3	4
two	5	6	7	8

In [81]:

df.values

</div>

<div class="prompt output_prompt">Out[81]:</div>

array([[1, 5],
       [2, 6],
       [3, 7],
       [4, 8]], dtype=int64)

In [83]:

df['one'].values[0]

</div>

<div class="prompt output_prompt">Out[83]:</div>

1

In [85]:

df.describe()

</div>

<div class="prompt output_prompt">Out[85]:</div>

	one	two
count	4.000000	4.000000
mean	2.500000	6.500000
std	1.290994	1.290994
min	1.000000	5.000000
25%	1.750000	5.750000
50%	2.500000	6.500000
75%	3.250000	7.250000
max	4.000000	8.000000

企业中处理数据的方式¶

In [86]:

#### 1. 别的同事会给你一个excel文件或者csv文件
#### 2. 使用pandas读取csv文件

</div>

In [87]:

movies = pd.read_csv('./douban_movie.csv')  ### 只需要read_csv函数， 将csv中的所有数据读出
movies

</div>

<div class="prompt output_prompt">Out[87]:</div>

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795.0	剧情/犯罪	美国	1994-09-10 00:00:00	142.0	1994	9.6	多伦多电影节
1	控方证人	42995.0	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116.0	1957	9.5	美国
2	美丽人生	327855.0	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116.0	1997	9.5	意大利
3	阿甘正传	580897.0	剧情/爱情	美国	1994-06-23 00:00:00	142.0	1994	9.4	洛杉矶首映
4	霸王别姬	478523.0	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171.0	1993	9.4	香港
...	...	...	...	...	...	...	...	...	...
38730	神学院 S	46.0	Adult	法国	1905-06-05 00:00:00	58.0	1983	8.6	美国
38731	1935年	57.0	喜剧/歌舞	美国	1935-03-15 00:00:00	98.0	1935	7.6	美国
38732	血溅画屏	95.0	剧情/悬疑/犯罪/武侠/古装	中国大陆	1905-06-08 00:00:00	91.0	1986	7.1	美国
38733	魔窟中的幻想	51.0	惊悚/恐怖/儿童	中国大陆	1905-06-08 00:00:00	78.0	1986	8.0	美国
38734	列宁格勒围困之星火战役 Блокада: Фильм 2: Ленинградский ме...	32.0	剧情/战争	苏联	1905-05-30 00:00:00	97.0	1977	6.6	美国

38735 rows × 9 columns

In [89]:

movies.describe()

</div>

<div class="prompt output_prompt">Out[89]:</div>

	投票人数	时长	年代	评分
count	38735.000000	38735.000000	38735.000000	38735.000000
mean	6184.502438	89.050975	1998.788176	6.935678
std	26142.480865	83.335085	253.201997	1.270113
min	-118.000000	1.000000	1888.000000	2.000000
25%	98.000000	60.000000	1990.000000	6.300000
50%	341.000000	92.000000	2005.000000	7.100000
75%	1739.500000	106.000000	2010.000000	7.800000
max	692795.000000	11500.000000	39180.000000	9.900000

In [98]:

movies.to_csv('./modify_movies.csv',index=False)   #### 保存数据到一个文件中  index=False表示不要在列名称前加索引。

</div>

In [99]:

pd.read_csv('./modify_movies.csv')

</div>

<div class="prompt output_prompt">Out[99]:</div>

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795.0	剧情/犯罪	美国	1994-09-10 00:00:00	142.0	1994	9.6	多伦多电影节
1	控方证人	42995.0	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116.0	1957	9.5	美国
2	美丽人生	327855.0	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116.0	1997	9.5	意大利
3	阿甘正传	580897.0	剧情/爱情	美国	1994-06-23 00:00:00	142.0	1994	9.4	洛杉矶首映
4	霸王别姬	478523.0	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171.0	1993	9.4	香港
...	...	...	...	...	...	...	...	...	...
38730	神学院 S	46.0	Adult	法国	1905-06-05 00:00:00	58.0	1983	8.6	美国
38731	1935年	57.0	喜剧/歌舞	美国	1935-03-15 00:00:00	98.0	1935	7.6	美国
38732	血溅画屏	95.0	剧情/悬疑/犯罪/武侠/古装	中国大陆	1905-06-08 00:00:00	91.0	1986	7.1	美国
38733	魔窟中的幻想	51.0	惊悚/恐怖/儿童	中国大陆	1905-06-08 00:00:00	78.0	1986	8.0	美国
38734	列宁格勒围困之星火战役 Блокада: Фильм 2: Ленинградский ме...	32.0	剧情/战争	苏联	1905-05-30 00:00:00	97.0	1977	6.6	美国

38735 rows × 9 columns

In [100]:

movies.head()  #### 默认显示前5行， head中可以传入行数，查看

</div>

<div class="prompt output_prompt">Out[100]:</div>

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795.0	剧情/犯罪	美国	1994-09-10 00:00:00	142.0	1994	9.6	多伦多电影节
1	控方证人	42995.0	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116.0	1957	9.5	美国
2	美丽人生	327855.0	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116.0	1997	9.5	意大利
3	阿甘正传	580897.0	剧情/爱情	美国	1994-06-23 00:00:00	142.0	1994	9.4	洛杉矶首映
4	霸王别姬	478523.0	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171.0	1993	9.4	香港

In [102]:

movies.head(2)  #### 指定数字2，表示显示两行 

</div>

<div class="prompt output_prompt">Out[102]:</div>

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795.0	剧情/犯罪	美国	1994-09-10 00:00:00	142.0	1994	9.6	多伦多电影节
1	控方证人	42995.0	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116.0	1957	9.5	美国

In [103]:

movies.tail()  #### 默认显示后5行， tail中也可以传入行数查看

</div>

<div class="prompt output_prompt">Out[103]:</div>

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
38730	神学院 S	46.0	Adult	法国	1905-06-05 00:00:00	58.0	1983	8.6	美国
38731	1935年	57.0	喜剧/歌舞	美国	1935-03-15 00:00:00	98.0	1935	7.6	美国
38732	血溅画屏	95.0	剧情/悬疑/犯罪/武侠/古装	中国大陆	1905-06-08 00:00:00	91.0	1986	7.1	美国
38733	魔窟中的幻想	51.0	惊悚/恐怖/儿童	中国大陆	1905-06-08 00:00:00	78.0	1986	8.0	美国
38734	列宁格勒围困之星火战役 Блокада: Фильм 2: Ленинградский ме...	32.0	剧情/战争	苏联	1905-05-30 00:00:00	97.0	1977	6.6	美国

DataFrame的分组¶

In [104]:

#### 读取某一个url网页下面的所有的表格数据
res = pd.read_html('https://baike.baidu.com/item/NBA%E6%80%BB%E5%86%A0%E5%86%9B/2173192?fr=aladdin')

</div>

In [107]:

champion_res = res[0]

</div>

In [108]:

champion_res

</div>

<div class="prompt output_prompt">Out[108]:</div>

	0	1	2	3	4	5
0	年份	比赛日期	冠军	总比分	亚军	FMVP
1	1947	4.16-4.22	费城勇士队	4-1	芝加哥牡鹿队	无
2	1948	4.10-4.21	巴尔的摩子弹队	4-2	费城勇士队	无
3	1949	4.4-4.13	明尼阿波利斯湖人队	4-2	华盛顿国会队	无
4	1950	4.8-4.23	明尼阿波利斯湖人队	4-2	塞拉库斯民族队	无
...	...	...	...	...	...	...
69	2015	6.5-6.17	金州勇士队	4-2	克里夫兰骑士队	安德烈·伊戈达拉
70	2016	6.3-6.20	克里夫兰骑士队	4-3	金州勇士队	勒布朗·詹姆斯
71	2017	6.2-6.13	金州勇士队	4-1	克利夫兰骑士队	凯文·杜兰特
72	2018	6.1-6.9	金州勇士队	4-0	克利夫兰骑士队	凯文·杜兰特
73	2019	5.31-6.14	多伦多猛龙队	4-2	金州勇士队	科怀·伦纳德

74 rows × 6 columns

In [109]:

##### 1.将第一行数据变成列名
champion_res.iloc[0]

</div>

<div class="prompt output_prompt">Out[109]:</div>

0      年份
1    比赛日期
2      冠军
3     总比分
4      亚军
5    FMVP
Name: 0, dtype: object

In [110]:

champion_res.columns = champion_res.iloc[0]  ### 将第一行的数据赋值给列名

</div>

In [112]:

champion_res.head()

</div>

<div class="prompt output_prompt">Out[112]:</div>

	年份	比赛日期	冠军	总比分	亚军	FMVP
0	年份	比赛日期	冠军	总比分	亚军	FMVP
1	1947	4.16-4.22	费城勇士队	4-1	芝加哥牡鹿队	无
2	1948	4.10-4.21	巴尔的摩子弹队	4-2	费城勇士队	无
3	1949	4.4-4.13	明尼阿波利斯湖人队	4-2	华盛顿国会队	无
4	1950	4.8-4.23	明尼阿波利斯湖人队	4-2	塞拉库斯民族队	无

In [113]:

champion_res.drop([0],inplace=True)

</div>

In [114]:

champion_res

</div>

<div class="prompt output_prompt">Out[114]:</div>

	年份	比赛日期	冠军	总比分	亚军	FMVP
1	1947	4.16-4.22	费城勇士队	4-1	芝加哥牡鹿队	无
2	1948	4.10-4.21	巴尔的摩子弹队	4-2	费城勇士队	无
3	1949	4.4-4.13	明尼阿波利斯湖人队	4-2	华盛顿国会队	无
4	1950	4.8-4.23	明尼阿波利斯湖人队	4-2	塞拉库斯民族队	无
5	1951	4.7-4.21	罗切斯特皇家队	4-3	纽约尼克斯队	无
...	...	...	...	...	...	...
69	2015	6.5-6.17	金州勇士队	4-2	克里夫兰骑士队	安德烈·伊戈达拉
70	2016	6.3-6.20	克里夫兰骑士队	4-3	金州勇士队	勒布朗·詹姆斯
71	2017	6.2-6.13	金州勇士队	4-1	克利夫兰骑士队	凯文·杜兰特
72	2018	6.1-6.9	金州勇士队	4-0	克利夫兰骑士队	凯文·杜兰特
73	2019	5.31-6.14	多伦多猛龙队	4-2	金州勇士队	科怀·伦纳德

73 rows × 6 columns

In [116]:

#### 1.求每个队获取冠军的次数
#####思路：对冠军球队进行分组  mysql： group by 分组对象
champion_res.groupby('冠军')   #### 获取的是一个分组对象

</div>

<div class="prompt output_prompt">Out[116]:</div>

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x00000000168FDB70>

In [117]:

champion_res.groupby('冠军').groups  #### 拿到每支队伍获取冠军的行索引

</div>

<div class="prompt output_prompt">Out[117]:</div>

{'休斯顿火箭队': Int64Index([48, 49], dtype='int64'),
 '克里夫兰骑士队': Int64Index([70], dtype='int64'),
 '华盛顿子弹队': Int64Index([32], dtype='int64'),
 '圣安东尼奥马刺队': Int64Index([53, 57, 59, 61, 68], dtype='int64'),
 '圣路易斯老鹰队': Int64Index([12], dtype='int64'),
 '塞拉库斯民族队': Int64Index([9], dtype='int64'),
 '多伦多猛龙队': Int64Index([73], dtype='int64'),
 '密尔沃基雄鹿队': Int64Index([25], dtype='int64'),
 '巴尔的摩子弹队': Int64Index([2], dtype='int64'),
 '底特律活塞队': Int64Index([43, 44, 58], dtype='int64'),
 '明尼阿波利斯湖人队': Int64Index([3, 4, 6, 7, 8], dtype='int64'),
 '波士顿凯尔特人队': Int64Index([11, 13, 14, 15, 16, 17, 18, 19, 20, 22, 23, 28, 30, 35, 38, 40,
             62],
            dtype='int64'),
 '波特兰开拓者队': Int64Index([31], dtype='int64'),
 '洛杉矶湖人队': Int64Index([26, 34, 36, 39, 41, 42, 54, 55, 56, 63, 64], dtype='int64'),
 '纽约尼克斯队': Int64Index([24, 27], dtype='int64'),
 '罗切斯特皇家队': Int64Index([5], dtype='int64'),
 '芝加哥公牛队': Int64Index([45, 46, 47, 50, 51, 52], dtype='int64'),
 '西雅图超音速队': Int64Index([33], dtype='int64'),
 '费城76人队': Int64Index([21, 37], dtype='int64'),
 '费城勇士队': Int64Index([1, 10], dtype='int64'),
 '达拉斯小牛队': Int64Index([65], dtype='int64'),
 '迈阿密热火队': Int64Index([60, 66, 67], dtype='int64'),
 '金州勇士队': Int64Index([29, 69, 71, 72], dtype='int64')}

In [118]:

#### 2.对数据进行聚合  mysql: count sum 
champion_res.groupby('冠军').size()   #### 获取每支队伍获得冠军的次数

</div>

<div class="prompt output_prompt">Out[118]:</div>

冠军
休斯顿火箭队        2
克里夫兰骑士队       1
华盛顿子弹队        1
圣安东尼奥马刺队      5
圣路易斯老鹰队       1
塞拉库斯民族队       1
多伦多猛龙队        1
密尔沃基雄鹿队       1
巴尔的摩子弹队       1
底特律活塞队        3
明尼阿波利斯湖人队     5
波士顿凯尔特人队     17
波特兰开拓者队       1
洛杉矶湖人队       11
纽约尼克斯队        2
罗切斯特皇家队       1
芝加哥公牛队        6
西雅图超音速队       1
费城76人队        2
费城勇士队         2
达拉斯小牛队        1
迈阿密热火队        3
金州勇士队         4
dtype: int64

In [119]:

#### 3. 对数据进行排序   mysql： order by
champion_res.groupby('冠军').size().sort_values(ascending=False)  ### 默认是升序排序

</div>

<div class="prompt output_prompt">Out[119]:</div>

冠军
波士顿凯尔特人队     17
洛杉矶湖人队       11
芝加哥公牛队        6
圣安东尼奥马刺队      5
明尼阿波利斯湖人队     5
金州勇士队         4
迈阿密热火队        3
底特律活塞队        3
休斯顿火箭队        2
纽约尼克斯队        2
费城76人队        2
费城勇士队         2
塞拉库斯民族队       1
克里夫兰骑士队       1
华盛顿子弹队        1
达拉斯小牛队        1
圣路易斯老鹰队       1
西雅图超音速队       1
多伦多猛龙队        1
密尔沃基雄鹿队       1
罗切斯特皇家队       1
波特兰开拓者队       1
巴尔的摩子弹队       1
dtype: int64

**pandas第二部分：**[Pandas模块05](https://www.cnblogs.com/zhangchaocoming/p/11625767.html)