不详·Christina

摘要： 加速操作 借助 numexpr 与 bottleneck 支持库，Pandas 可以加速特定类型的二进制数值与布尔操作。 处理大型数据集时，这两个支持库特别有用，加速效果也非常明显。 numexpr 使用智能分块、缓存与多核技术。bottleneck 是一组专属 cython 例程，处理含 nans 阅读全文

摘要： 二进制操作 Pandas 数据结构之间执行二进制操作，要注意下列两个关键点： 多维（DataFrame）与低维（Series）对象之间的广播机制； 计算中的缺失值处理。 这两个问题可以同时处理，但下面先介绍怎么分开处理。 阅读全文

摘要： 匹配/广播机制 DataFrame 支持 add() (opens new window)、sub() (opens new window)、mul() (opens new window)、div() (opens new window)及 radd() (opens new window)、rs 阅读全文

摘要： Series 与 Index 还支持 divmod() (opens new window)内置函数，该函数同时执行向下取整除与模运算，返回两个与左侧类型相同的元组。示例如下： In [29]: s = pd.Series(np.arange(10)) In [30]: s Out[30]: 0 0 阅读全文

摘要： 缺失值与填充缺失值操作 Series 与 DataFrame 的算数函数支持 fill_value 选项，即用指定值替换某个位置的缺失值。比如，两个 DataFrame 相加，除非两个 DataFrame 里同一个位置都有缺失值，其相加的和仍为 NaN，如果只有一个 DataFrame 里存在缺失值 阅读全文

摘要： 布尔简化 empty (opens new window)、any() (opens new window)、all() (opens new window)、bool() (opens new window)可以把数据汇总简化至单个布尔值。 In [48]: (df > 0).all() Out[ 阅读全文

摘要： 比较对象是否等效 一般情况下，多种方式都能得出相同的结果。以 df + df 与 df * 2 为例。应用上一小节学到的知识，测试这两种计算方式的结果是否一致，一般人都会用 (df + df == df * 2).all()，不过，这个表达式的结果是 False： In [57]: df + df 阅读全文

摘要： 比较 array 型对象 用标量值与 Pandas 数据结构对比数据元素非常简单： In [65]: pd.Series(['foo', 'bar', 'baz']) == 'foo' Out[65]: 0 True 1 False 2 False dtype: bool In [66]: pd.I 阅读全文

摘要： 合并重叠数据集 有时，要合并两个相似的数据集，两个数据集里的其中一个的数据比另一个多。比如，展示特定经济指标的两个数据序列，其中一个是“高质量”指标，另一个是“低质量”指标。一般来说，低质量序列可能包含更多的历史数据，或覆盖更广的数据。因此，要合并这两个 DataFrame 对象，其中一个 Data 阅读全文

摘要： 描述性统计 Series (opens new window)与 DataFrame (opens new window)支持大量计算描述性统计的方法与操作。这些方法大部分都是 sum() (opens new window)、mean() (opens new window)、quantile() 阅读全文