随笔分类 - pandas
摘要：删除空值 在一些情况下会删除有空值、缺失不全的数据，df.dropna可以执行这种操作： df.dropna() # 一行中有一个缺失值就删除 df.dropna(axis='columns') # 只保留全有值的列 df.dropna(how='all') # 行或列全没值才删除 df.dropn
阅读全文
摘要：替换数据 replace方法可以对数据进行批量替换： s.replace(0, 5) # 将列数据中的0换为5 df.replace(0, 5) # 将数据中的所有0换为5 df.replace([0, 1, 2, 3], 4) # 将0～3全换成4 df.replace([0, 1, 2, 3],
阅读全文
摘要：修改数值 在Pandas中修改数值非常简单，先筛选出需要修改的数值范围，再为这个范围重新赋值。 df.iloc[0,0] # 查询值 # 'Liver' df.iloc[0,0] = 'Lily' # 修改值 df.iloc[0,0] # 查看结果 # 'Lily' 以上修改了一个具体的数值，还可以
阅读全文
摘要：指定列df.assign() df.assign(k=v)为指定一个新列的操作，k为新列的列名，v为此列的值，v必须是一个与原数据同索引的Series。今后我们会频繁用到它，它在链式编程技术中相当重要，因此这里专门介绍一下。我们平时在做数据探索分析时会增加一些临时列，如果新列全部使用赋值的方式生成，
阅读全文
摘要：执行表达式df.eval() df.eval()与之前介绍过的df.query()一样，可以以字符的形式传入表 达式，增加列数据。下面以增加总分为例： # 传入求总分表达式 df.eval('total = Q1+Q3+Q3+Q4') ''' name team Q1 Q2 Q3 Q4 total
阅读全文
摘要：增加行 可以使用loc[]指定索引给出所有列的值来增加一行数据。目前我们的df最大索引是99，增加一条索引为100的数据： # 新增索引为100的数据 df.loc[100] = ['tom', 'A', 88, 88, 88, 88] df ''' name team Q1 Q2 Q3 Q4 0
阅读全文
摘要：追加合并 增加行数据的使用场景相对较少，一般是采用数据追加的模式。数据追加会在后续章节中介绍。 df.append()可以追加一个新行： df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) df2 = pd.DataFrame([[5, 6
阅读全文
摘要：删除 删除有两种方法，一种是使用pop()函数。使用pop()，Series会删除指定索引的数据同时返回这个被删除的值，DataFrame会删除指定列并返回这个被删除的列。以上操作都是实时生效的。 # 删除索引为3的数据 s.pop(3) # 93 s ''' 0 89 1 36 2 57 4 65
阅读全文
摘要：删除空值 在一些情况下会删除有空值、缺失不全的数据，df.dropna可以执行 这种操作： df.dropna() # 一行中有一个缺失值就删除 df.dropna(axis='columns') # 只保留全有值的列 df.dropna(how='all') # 行或列全没值才删除 df.drop
阅读全文
摘要：Pandas利用plot()调用Matplotlib快速绘制出数据可视化图形。注 意，第一次使用plot()时可能需要执行两次才能显示图形。可以使用plot()快速绘制折线图。 df['Q1'].plot() # Q1成绩的折线分布 可以先选择要展示的数据，再绘图。 df.loc['Ben','Q1
阅读全文
摘要：df.mean() # 返回所有列的均值 df.mean(1) # 返回所有行的均值，下同 df.corr() # 返回列与列之间的相关系数 df.count() # 返回每一列中的非空值的个数 df.max() # 返回每一列的最大值 df.min() # 返回每一列的最小值 df.median(
阅读全文
摘要：增加列： df['one'] = 1 # 增加一个固定值的列 df['total'] = df.Q1 + df.Q2 + df.Q3 + df.Q4 # 增加总成绩列 # 将计算得来的结果赋值给新列 df['total'] = df.loc[:,'Q1':'Q4'].apply(lambda x:s
阅读全文
摘要：df.groupby('team').sum().T df.groupby('team').sum().stack() df.groupby('team').sum().unstack()
阅读全文
摘要：我们可以实现类似SQL的groupby那样的数据透视功能：df.groupby('team').sum() # 按团队分组对应列相加df.groupby('team').mean() # 按团队分组对应列求平均# 不同列不同的计算方法df.groupby('team').agg({'Q1': sum
阅读全文
摘要：import pandas as pd #生成一些数据 data = {'A': [1, 2, 3],'B': [4, 5, 6]} df = pd. DataFrame (data) #将字典转化为dataframe格式 print(df) # 打印dataframe #进行一些操作 df['A'
阅读全文
摘要：import sys from datetime import datetime import numpy as np import matplotlib.pyplot as plt #使用NumPy计算 def numpysum(n) : a = np.arange(n)**2 b = np.ar
阅读全文
摘要：>>> np.sctypeDict {'?': <class 'numpy.bool_'>, 0: <class 'numpy.bool_'>, 'byte': <class 'numpy.int8'>, 'b': <class 'numpy.int8'>, 1: <class 'numpy.int
阅读全文
摘要：import numpy as np arr=np.arange(0,10,1) arr1=np.arange(0,1,0.1) array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7,
阅读全文
摘要：>>> for ii in range(1,10，0.1): print(ii) Traceback (most recent call last): File "<pyshell#4>", line 1, in <module> for ii in range(1,10，0.1):TypeErro
阅读全文
浙公网安备 33010602011771号