2024年最新Pandas常见用法总结_pandas没有head方法(2)，2024年互联网大厂Golang笔经

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，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

该函数返回pandas中的DataFrame或dict of DataFrame对象，利用DataFrame的相关操作即可读取相应的数据。‘’’

pd.read_table(r’E:\test.txt’, sep=’ ',index_col=0)

‘’'常用参数：

 header=None:没有每列的column name，可以自己设定

 encoding='gb2312':其他编码中文显示错误

 index_col=0:设置第1列数据作为index

 sep：设置分隔符'''

### 导出数据

df.to_csv(filename_path)：导出数据到CSV文件
df.to_excel(filename_path)：导出数据到Excel文件
df.to_sql(table_name, connection_object)：导出数据到SQL表
df.to_json(filename_path)：以Json格式导出数据到文本文件

DataFrame.to_excel(excel_writer, sheet_name=‘Sheet1’, na_rep=‘’, float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep=‘inf’, verbose=True, freeze_panes=None)

该函数主要参数为:excel_writer。

excel_writer:写入的目标excel文件，可以是文件路径、ExcelWriter对象;

sheet_name:被写入的sheet名称，string类型，默认为’sheet1’;

na_rep:缺失值表示，string类型;

header:是否写表头信息，布尔或list of string类型，默认为True;

index:是否写行号，布尔类型，默认为True;

encoding:指定写入编码，string类型。

### 创建测试对象

pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
df.index = pd.date_range(‘1900/1/30’, periods=df.shape[0])：增加一个日期索引

### 查看、检查数据

df.head(n)：查看DataFrame对象的前n行（不加参数，默认前10行）
df.tail(n)：查看DataFrame对象的最后n行（不加参数，默认后10行）
df.shape()：查看行数和列数（维度查看）
df.info()：查看索引、数据类型和内存信息
df.describe()：查看数值型列的汇总统计
s.value_counts(dropna=False)：查看Series对象的唯一值和计数
df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数
df.dtypes：查看每一列的数据类型（扩展：df[‘two’].dtypes，查看“two”列的类型）
df.isnull()：查看空置(注：空置部分会用true显示，不是空置False显示)（扩展：df[‘two’].isnull，查看“two”这一列的空置）
df.values：查看数据表的值
df.columns：查看列名称

### 数据选取

df.isin([5])：判断全部数据值中是否有5
dr[col].isin([5])：判断列col中是否有5
df[col]：根据列名，并以Series的形式返回列
df[[col1, col2]]：以DataFrame形式返回多列
s.iloc[0]：按位置选取行数据
s.loc[‘index_one’]：按索引选取行数据
df.iloc[0,:]：返回第一行
df.iloc[0,0]：返回第一列的第一个元素
df.ix[0] 或 df.ix[raw] ：ix函数可以根据行位置或行标签选择行数据
注：loc函数根据行标签进行行选择；
iloc函数根据行位置进行行选择；
ix函数可以根据行位置选择也可以根据行标签选择。

### 数据清理

df.columns = [‘a’,‘b’,‘c’]：重命名列名
pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组
pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
df.dropna()：删除所有包含空值的行
df.dropna(axis=1)：删除所有包含空值的列
df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
df.fillna(x)：用x替换DataFrame对象中所有的空值（注：fillna()会填充nan数据，返回填充后的结果。如果希望在原DataFrame中修改，则把inplace设置为True。如，df.fillna(0,inplace=True)）
s.astype(float)：将Series中的数据类型更改为float类型
df[col].astype(float)：将DataFrame某列数据类型改为float类型
s.replace(1,‘first’)：用‘first’代替所有等于1的值（替换的是值，不是列名也不是索引名）
s.replace([1,3],[‘one’,‘three’])：用’one’代替1，用’three’代替3
df[col].replace(1,1.0,inplace=True)：列col中的值1用1.0替换
df.replace([1,3],[‘one’,‘three’])
df.rename(columns=lambda x: x + 1)：批量更改列名
df.rename(columns={‘old_name’: ‘new_ name’})：选择性更改列名
df.set_index(‘column_one’)：将column_one这一列变为索引列
df.rename(index=lambda x: x + 1)：批量重命名索引
df[col]=df[col].str.upper()或df[col].str.lower()：基于列的大小写转换
df[col]=df[col].map(str.strip)：清楚某列的空格
df.drop_duplicates(subset=col,keep=‘fisrt’,inplace=Flase)：删除重复值
注：这个drop_duplicate方法是对DataFrame格式的数据，去除特定列下面的重复行。返回DataFrame格式的数据。

subset : column label or sequence of labels, optional 用来指定特定的列，默认所有列
keep : {‘first’, ‘last’, False}, default ‘first’ 删除重复项并保留第一次出现的项
inplace : boolean, default False 是直接在原来数据上修改还是保留一个副本

### 数据处理：Filter、Sort和GroupBy

df[df[col] > 0.5]：选择col列的值大于0.5的行
df.sort_values(col1)：按照列col1排序数据，默认升序排列
df.sort_values(col2, ascending=False)：按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
df.groupby(col)：返回一个按列col进行分组的Groupby对象
df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max
df.isin

### 数据合并

df1.append(df2)：将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how=‘inner’)：对df1的列和df2的列执行SQL形式的join

### 数据统计

df.describe()：查看数据值列的汇总统计
df.mean()：返回所有列的均值
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(NaN)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()：返回每一列的中位数
df.std()：返回每一列的标准差
df.sum()：返回所有行的和

![img](https://img-blog.csdnimg.cn/img_convert/4359e9c560a6a6aea059b8fe8cf6ae1a.png)
![img](https://img-blog.csdnimg.cn/img_convert/ffa6c463b6d7fcca55f4178ac16c8562.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化的资料的朋友，可以添加戳这里获取](https://bbs.csdn.net/topics/618658159)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化的资料的朋友，可以添加戳这里获取](https://bbs.csdn.net/topics/618658159)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**