Pandas必会的方法汇总，用Python做数据分析更加如鱼得水！

| 4 | pandas.cut() | 基于分位数的离散化函数 |

| 5 | pandas.date_range() | 返回一个时间索引 |

| 6 | df.apply() | 沿相应轴应用函数 |

| 7 | Series.value_counts() | 返回不同数据的计数值 |

| 8 | df.reset_index() | 重新设置index，参数drop = True时会丢弃原来的索引，设置新的从0开始的索引，常与groupby()一起用 |

举例：重新索引

df_inner.reset_index()

---

三、数据索引

| 序号 | 方法 | 说明 |

| :-: | :-- | :-- |

| 1 | .values | 将DataFrame转换为ndarray二维数组 |

| 2 | .append(idx) | 连接另一个Index对象，产生新的Index对象 |

| 3 | .insert(loc,e) | 在loc位置增加一个元素 |

| 4 | .delete(loc) | 删除loc位置处的元素 |

| 5 | .union(idx) | 计算并集 |

| 6 | .intersection(idx) | 计算交集 |

| 7 | .diff(idx) | 计算差集，产生新的Index对象 |

| 8 | .reindex(index, columns ,fill_value, method, limit, copy ) | 改变、重排Series和DataFrame索引，会创建一个新对象，如果某个索引值当前不存在，就引入缺失值。 |

| 9 | .drop() | 删除Series和DataFrame指定行或列索引。 |

| 10 | .loc[行标签，列标签] | 通过标签查询指定的数据，第一个值为行标签，第二值为列标签。 |

| 11 | df.iloc[行位置，列位置] | 通过默认生成的数字索引查询指定的数据。 |

举例：按索引提取单行的数值

df_inner.loc[3]

---

四、DataFrame选取和重新组合数据的方法

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | df[val] | 从DataFrame选取单列或一组列；在特殊情况下比较便利：布尔型数组（过滤行）、切片（行切片）、或布尔型DataFrame（根据条件设置值） |

| 2 | df.loc[val] | 通过标签，选取DataFrame的单个行或一组行 |

| 3 | df.loc[：,val] | 通过标签，选取单列或列子集 |

| 4 | df.1oc[val1,val2] | 通过标签，同时选取行和列 |

| 5 | df.iloc[where] | 通过整数位置，从DataFrame选取单个行或行子集 |

| 6 | df.iloc[:,where] | 通过整数位置，从DataFrame选取单个列或列子集 |

| 7 | df.iloc[where_i,where_j] | 通过整数位置，同时选取行和列 |

| 8 | df.at[1abel_i,1abel_j] | 通过行和列标签，选取单一的标量 |

| 9 | df.iat[i,j] | 通过行和列的位置（整数），选取单一的标量 |

| 10 | reindex | 通过标签选取行或列 |

| 11 | get_value | 通过行和列标签选取单一值 |

| 12 | set_value | 通过行和列标签选取单一值 |

举例：使用iloc按位置区域提取数据

df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。

---

五、排序

| 序号 | 函数 | 说明 |

| :-: | — | — |

| 1 | .sort_index(axis=0, ascending=True) | 根据指定轴索引的值进行排序 |

| 2 | Series.sort_values(axis=0, ascending=True) | 只能根据0轴的值排序。 |

| 3 | DataFrame.sort_values(by, axis=0, ascending=True) | 参数by为axis轴上的某个索引或索引列表。 |

举例：按照索引列排序

df_inner.sort_index()

粉丝福利，点击可查看

---

六、相关分析和统计分析

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | .idxmin() | 计算数据最小值所在位置的索引（自定义索引） |

| 2 | .idxmax() | 计算数据最大值所在位置的索引（自定义索引） |

| 3 | .argmin() | 计算数据最小值所在位置的索引位置（自动索引） |

| 4 | .argmax() | 计算数据最大值所在位置的索引位置（自动索引） |

| 5 | .describe() | 针对各列的多个统计汇总，用统计学指标快速描述数据的概要 |

| 6 | .sum() | 计算各列数据的和 |

| 7 | .count() | 非NaN值的数量 |

| 8 | .mean( ) | 计算数据的算术平均值 |

| 9 | .median() | 计算算术中位数 |

| 10 | .var() | 计算数据的方差 |

| 11 | .std() | 计算数据的标准差 |

| 12 | .corr() | 计算相关系数矩阵 |

| 13 | .cov() | 计算协方差矩阵 |

| 14 | .corrwith() | 利用DataFrame的corrwith方法，可以计算其列或行跟另一个Series或DataFrame之间的相关系数。 |

| 15 | .min() | 计算数据的最小值 |

| 16 | .max() | 计算数据的最大值 |

| 17 | .diff() | 计算一阶差分，对时间序列很有效 |

| 18 | .mode() | 计算众数，返回频数最高的那（几）个 |

| 19 | .mean() | 计算均值 |

| 20 | .quantile() | 计算分位数（0到1） |

| 21 | .isin() | 用于判断矢量化集合的成员资格，可用于过滤Series中或DataFrame列中数据的子集 |

| 22 | .unique() | 返回一个Series中的唯一值组成的数组。 |

| 23 | .value_counts() | 计算一个Series中各值出现的频率。 |

举例：判断city列的值是否为北京

df_inner[‘city’].isin([‘beijing’])

---

七、分组的方法

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | DataFrame.groupby() | 分组函数 |

| 2 | pandas.cut() | 根据数据分析对象的特征，按照一定的数值指标，把数据分析对象划分为不同的区间部分来进行研究，以揭示其内在的联系和规律性。 |

举例：.groupby用法

group_by_name=salaries.groupby(‘name’)

print(type(group_by_name))

输出结果为：

<class ‘pandas.core.groupby.DataFrameGroupBy’>

---

八、读写文本格式数据的方法

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | read_csv | 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为逗号 |

| 2 | read_table | 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为制表符（t） |

| 3 | read_ fwf | 读取定宽列格式数据（也就是说，没有分隔符） |

| 4 | read_clipboard | 读取剪贴板中的数据，可以看做read_table的剪贴板版。再将网页转换为表格时很有用 |

| 5 | read_excel | 从ExcelXLS或XLSXfile 读取表格数据 |

| 6 | read_hdf | 读取pandas写的HDF5文件 |

| 7 | read_html | 读取HTML文档中的所有表格 |

| 8 | read_json | 读取JSON字符串中的数据 |

| 9 | read_msgpack | 二进制格式编码的pandas数据 |

| 10 | read_pickle | 读取Python pickle格式中存储的任意对象 |

| 11 | read_sas | 读取存储于SAS系统自定义存储格式的SAS数据集 |

| 12 | read_sql | 读取SQL 查询结果为pandas的DataFrame |

| 13 | read_stata | 读取Stata文件格式的数据集 |
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

g-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）