重庆永川网站建设价格,智慧记免费官方下载,.net网站吃内存,网站没有被搜索引擎收录一、如何使用列表创建⼀个DataFrame
# 导入pandas库
import pandas as pd# 创建一个列表#xff0c;其中包含数据
data [[A, 1], [B, 2], [C, 3]]# 使用pandas的DataFrame()函数将列表转换为DataFrame
df pd.DataFrame(data, columns[Letter, Number]) # 列名# 显示创建的…一、如何使用列表创建⼀个DataFrame
# 导入pandas库
import pandas as pd# 创建一个列表其中包含数据
data [[A, 1], [B, 2], [C, 3]]# 使用pandas的DataFrame()函数将列表转换为DataFrame
df pd.DataFrame(data, columns[Letter, Number]) # 列名# 显示创建的DataFrame
print(df)Letter Number
0 A 1
1 B 2
2 C 3
二、如何使用Series 字典对象生成 DataFrame
# 导入pandas库
import pandas as pd# 创建一个字典对象
data {Name: [Tom, Nick, John], Age: [20, 21, 19]}# 使用pandas的DataFrame()函数将字典转换为DataFrame
df pd.DataFrame(data)# 显示创建的DataFrame
print(df)Name Age
0 Tom 20
1 Nick 21
2 John 19
三、如何查看头部数据和尾部数据
分别是df.head()和df.tail() →默认返回前(后)5条数据。
四、如何快速查看数据的统计摘要
区别df.describe()和df.info()
df.describe()默认情况下它会为数值型列提供中心趋势、离散度和形状的统计描述包括计数、均值、标准差、最小值、下四分位数25%、中位数50%、上四分位数75%以及最大值。此外你可以通过传递参数来调整df.describe()的行为例如include参数可以设置为all来包含所有列的统计信息或者设置为O来仅包含对象列的统计信息。df.info()主要用于提供关于DataFrame的一般信息如列索引、数据类型、非空值数量以及内存使用情况。它不会提供数值型数据的统计摘要而是更多地关注于数据集的整体结构和数据类型。
五、pandas中的索引操作 pandas⽀持四种类型的多轴索引它们是: Dataframe.[ ] 此函数称为索引运算符 Dataframe.loc[ ] : 此函数⽤于标签 Dataframe.iloc[ ] : 此函数⽤于基于位置或整数的 Dataframe.ix[] : 此函数⽤于基于标签和整数的 panda set_index()是⼀种将列表、序列或dataframe设置为dataframe索引的⽅法。语法: DataFrame.set_index(keys, inplaceFalse) keys列标签或列标签/数组列表需要设置为索引的列inplace默认为False适当修改DataFrame(不要创建新对象) 如何重置索引
Pandas Series.reset_index()函数的作⽤是:⽣成⼀个新的DataFrame或带有重置索引的Series。
六、pandas的运算操作
如何得到⼀个数列的最⼩值、第25百分位、中值、第75位和最⼤值
import pandas as pd
import numpy as np
from numpy import percentile
p pd.Series(np.random.normal(14, 6, 22))
state np.random.RandomState(120)
p pd.Series(state.normal(14, 6, 22))
print(percentile(p, q[0, 25, 50, 75, 100])) Pandas支持加、减-、乘*、除/、取余%等基本算术运算符可以用于DataFrame和Series之间的元素级运算以及与标量的运算。Pandas提供了一系列内置函数如sum()、mean()、max()、min()等用于对数据进行聚合计算。此外还可以使用apply()方法将自定义函数应用于DataFrame或Series。可以使用sort_values()方法对DataFrame或Series进行排序根据指定的列或行进行升序或降序排列。 七、apply() 函数使用方法
如果需要将函数应⽤到DataFrame中的每个数据元素可以使⽤ apply() 函数以便将函数应⽤于给定dataframe中的每⼀⾏。
import pandas as pd
def add(a, b, c):return a b c
def main():data {A:[1, 2, 3],B:[4, 5, 6],C:[7, 8, 9] }
df pd.DataFrame(data)
print(Original DataFrame:\n, df)
df[add] df.apply(lambda row : add(row[A],
row[B], row[C]), axis 1)Original DataFrame:A B C
0 1 4 7
1 2 5 8
2 3 6 9A B C add
0 1 4 7 12
1 2 5 8 15
2 3 6 9 18
八、pandas的合并操作
如何将新⾏追加到pandas DataFramePandas dataframe.append()函数的作⽤是将其他dataframe的⾏追加到给定的dataframe的末尾返回⼀个新的dataframe对象。 语法:DataFrame.append( ignore_indexFalse,) 参数: ignore_index : 如果为真就不要使⽤索引标签 import pandas as pd
# 使⽤dictionary创建第⼀个Dataframe
df1 df pd.DataFrame({a:[1, 2, 3, 4],b:[5, 6, 7, 8]})
# 使⽤dictionary创建第⼆个Dataframe
df2 pd.DataFrame({a:[1, 2, 3],b:[5, 6, 7]})
# 现在将df2附加到df1的末尾
df1.append(df2)
第⼆个DataFrame的索引值保留在附加的DataFrame中设置ignore_index True可以避免这种情况。
九、分组Grouping聚合
“group by” 指的是涵盖下列⼀项或多项步骤的处理流程
分割按条件把数据分割成多组应⽤为每组单独应⽤函数组合将处理结果组合成⼀个数据结构。 先分组再⽤ sum()函数计算每组的汇总数据 多列分组后⽣成多层索引也可以应⽤ sum 函数分组后可以使用如sum()、mean()、min()、max()等聚合函数来计算每个组的统计值。如果想要对每个分组应用多个函数可以使用agg()方法并传入一个包含多个函数名的列表例如group_1.agg([sum, mean])。 十、数据透视表应用
透视表是⼀种可以对数据动态排布并且分类汇总的表格格式在pandas中它被称作pivot_table。
透视表是一种强大的数据分析工具它可以快速地对大量数据进行汇总、分析和呈现。 pivot_table(data, valuesNone, indexNone, columnsNone) Index: 就是层次字段要通过透视表获取什么信息就按照相应的顺序设置字段Values: 可以对需要的计算数据进⾏筛选Columns: 类似Index可以设置列层次字段它不是⼀个必要参数作为⼀种分割数据的可选⽅式。 import pandas as pd# 创建示例数据
data {日期: [2022-01-01, 2022-01-01, 2022-01-02, 2022-01-02],产品: [A, B, A, B],地区: [北京, 上海, 北京, 上海],销售额: [100, 200, 150, 250]}
df pd.DataFrame(data)# 使用pivot_table方法创建数据透视表
pivot_table df.pivot_table(values销售额, index产品, columns地区, aggfuncsum)print(pivot_table)# 结果
地区 北京 上海
产品
A 100 150
B 200 250
