1、重置索引
1、1 Series
1、1、1 自定义索引
s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
print(s.reindex(['e', 'a', 'c', 'b', 'g']))e -1.019419
a -1.969583
c -0.622471
b 0.018110
g NaN
dtype: float641、1、2 与其他对象对齐
s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
s1 = pd.Series(np.random.randn(7), index=['a', 'b', 'c', 'd', 'e', 'f', 'g'])
print(s1.reindex_like(s))#对齐前：
a 0.858259
b -0.473204
c -1.610665
d -0.032633
e -1.232306
f -0.095461
g -1.742095
dtype: float64
#对齐后：
a 0.858259
b -0.473204
c -1.610665
d -0.032633
e -1.232306
dtype: float64也可通过共享轴标签对齐。
s = pd.Series(np.random.randn(7), index=['a', 'b', 'c', 'd', 'e', 'f', 'g'])
s1 = pd.Series(np.random.randn(3), index=['a', 'c', 'f'])
print(s1.reindex(s.index))a -0.148640
b NaN
c 0.336717
d NaN
e NaN
f 0.329316
g NaN
dtype: float64
1、2 Dataframe
1、2、1 自定义索引
1、2、1、1 行
df = pd.DataFrame({'one': [2, 6, 4], 'two': [5, 7, 10], 'three': [4, 8, 8]}, index=['a', 'b', 'c'])
print(df.reindex(['c', 'h', 'a'], axis='index')) one two three
c 4.0 10.0 8.0
h NaN NaN NaN
a 2.0 5.0 4.01、2、1、2 列
print(df.reindex(['three', 'one', 'two'], axis='columns')) three one two
a 4 2 5
b 8 6 7
c 8 4 101、2、1、3 行、列
print(df.reindex(index= ['c', 'a', 'b'], columns=['three', 'two', 'one'])) three two one
c 8 10 4
a 4 5 2
b 8 7 61、2、2 与其他对象对齐
df = pd.DataFrame({'one': [2, 6, 4], 'two': [5, 7, 10], 'three': [4, 8, 8]}, index=['a', 'b', 'c'])
df1 = pd.DataFrame({'one': [2, 6, 4, 12], 'two': [5, 7, 10, 45], 'three': [4, 8, 9, 23], 'four': [5, 19, 2, 89]}, index=['a', 'b', 'c', 'd'])
print(df1.reindex_like(df))# 对齐前：
one two three four
a 2 5 4 5
b 6 7 8 19
c 4 10 9 2
d 12 45 23 89
# 对齐后：
one two three
a 2 5 4
b 6 7 8
c 4 10 92、填充索引
2、1 Series
2、1、1 填充方向
2、1、1、1 索引需要排序
| 方法 | 动作 |
|---|---|
| pad / ffill | 先前填充 |
| bfill / backfill | 向后填充 |
| nearest | 从最近的索引值填充 |
s1的索引需要按递增或递减排序。
s = pd.Series(np.random.randn(7), index=['h', 'b', 'c', 'd', 'e', 'f', 'g'])
s1 = pd.Series(np.random.randn(3), index=['a', 'c', 'f'])
print(s1.reindex(s.index, method='ffill')) #向前填充
print(s1.reindex(s.index, method='bfill')) #向后填充a -0.035560
b NaN
c 1.289840
d NaN
e NaN
f -0.887376
g NaN
dtype: float64
#向前填充：
a -0.035560
b -0.035560
c 1.289840
d 1.289840
e 1.289840
f -0.887376
g -0.887376
dtype: float64
#向后填充：
a -0.035560
b 1.289840
c 1.289840
d -0.887376
e -0.887376
f -0.887376
g NaN
dtype: float64不知道什么原因，调用nearest方法，将索引换为数字则不会影响。
2、1、1、2 索引不需排序
print(s1.reindex(s.index).fillna(method='ffill'))a -0.120874
b -0.120874
c 0.339105
d 0.339105
e 0.339105
f 0.734595
g 0.734595
dtype: float642、1、2 填充数量
2、1、2、1 limit
限制连续匹配的最大数量。
print(s1.reindex(s.index, method='ffill', limit=1))a 0.176983
b 0.176983
c -1.678991
d -1.678991
e NaN
f -0.075107
g -0.075107
dtype: float642、1、2、2 tolerance
2、2 Dataframe
3、重命名
rename()支持按不同的轴基于映射（字典或 Series）调整标签。
3、1 Series
调用的是函数，该函数在处理标签时，必须返回唯一一个值。
print(s.rename(str.upper))A -1.752828
B -0.158358
C -1.238692
D 0.128135
E -2.204282
F 0.703956
G -0.039073
dtype: float64rename()还支持用标量或列表更改 Series.name 属性。
print(s.rename('series-1'))a -0.871909
b 0.714525
c 0.896795
d 1.439972
e 1.023890
f -0.524506
g -0.519692
Name: series-1, dtype: float643、2 Dataframe
3、2、1 行
print(df.rename({'one': 'fir', 'two': 'sec', 'three': 'thi'}, axis=1)) fir sec thi
a 2 5 4
b 6 7 8
c 4 10 83、2、2 列
print(df.rename({'a': 1, 'b': 2, 'c': 3}, axis=0)) one two three
1 2 5 4
2 6 7 8
3 4 10 83、2、3 行/列
print(df.rename(index={'a': 1, 'b': 2, 'c': 3}, columns={'one': 'fir', 'two': 'sec', 'three': 'thi'})) fir sec thi
1 2 5 4
2 6 7 8
3 4 10 84、迭代
4、1 Series
4、2 Dataframe
one two three
a 2 5 4
b 6 7 8
c 4 10 84、2、1 item()
以列为基准进行迭代，第一个返回值为列标签。
for a, b in df.items():
print(a)
print(b)one
a 2
b 6
c 4
Name: one, dtype: int64
two
a 5
b 7
c 10
Name: two, dtype: int64
three
a 4
b 8
c 8
Name: three, dtype: int644、2、2 iterrows()
以行为基准进行迭代，第一个返回值为行标签，第二个返回值为每行数据的 Seies。
for a, b in df.iterrows():
print(a)
print(b)a
one 2
two 5
three 4
Name: a, dtype: int64
b
one 6
two 7
three 8
Name: b, dtype: int64
c
one 4
two 10
three 8
Name: c, dtype: int64还可以用来实现矩阵转置。
df1 = pd.DataFrame({a: b for a, b in df.iterrows()}) a b c
one 2 6 4
two 5 7 10
three 4 8 84、2、3 itertuples()
以行为基准，返回值为包含每行数据的元组。与iterrows()不同，并不会把行转换为Series。
for a in df.itertuples():
print(a)Pandas(Index='a', one=2, two=5, three=4)
Pandas(Index='b', one=6, two=7, three=8)
Pandas(Index='c', one=4, two=10, three=8)5、排序
5、1 Series
5、1、1 按索引排序
s1 = pd.Series(np.random.randn(5), index=['b', 'c', 'a', 'd', 'e'])
print(s1.sort_index())a 1.706496
b -0.594099
c -1.233872
d -0.574698
e -0.094711
dtype: float645、1、2 按值排序
s1 = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
print(s1.sort_values())e -1.799285
b -1.652728
c -0.540896
d 0.100869
a 1.750447
dtype: float645、1、3 搜索排序
s = pd.Series([1, 2, 3, 4, 5, 6, 7], index=['a', 'b', 'c', 'd', 'e', 'f', 'g'])
print(s.searchsorted([0, 5], side='left'))
print(s.searchsorted([0, 5], side='right'))[0 4]
[0 5]5、1、4 最大值最小值
s1 = pd.Series(np.random.randn(5), index=['b', 'c', 'a', 'd', 'e'])
print(s1.nlargest(3))
print(s1.nsmallest(3))c 1.925964
a 0.351660
e 0.086050
dtype: float64
d -2.126804
b -0.702141
e 0.086050
dtype: float645、2 Dataframe
5、2、1 按索引排序
5、2、1、1
正序：
df = pd.DataFrame({'one': [2, 6, 4], 'two': [5, 7, 10], 'three': [4, 8, 8]}, index=['b', 'a', 'c'])
print(df.sort_index()) one two three
a 6 7 8
b 2 5 4
c 4 10 8倒序：
print(df.sort_index(ascending=False)) one two three
c 4 10 8
b 2 5 4
a 6 7 85、2、1、2
默认对行标签排序，也可以对列标签进行排序。
df = pd.DataFrame({'three': [2, 6, 4], 'two': [5, 7, 10], 'one': [4, 8, 8]}, index=['b', 'a', 'c'])
print(df.sort_index(axis=1)) one three two
b 4 2 5
a 8 6 7
c 8 4 105、2、2 按值排序
by用于指定按哪列排序，该参数的值可以是一列或多列数据。
df = pd.DataFrame({'three': [12, 6, 4], 'two': [15, 7, 10], 'one': [4, 8, 8]}, index=['b', 'a', 'c'])
print(df.sort_values(by=['two', 'three'])) three two one
a 6 7 8
c 4 10 8
b 12 15 45、2、3 混合排序
5、2、4 最大值最小值
df = pd.DataFrame({'three': [12, 6, 4], 'two': [15, 7, 10], 'one': [4, 8, 8]}, index=['b', 'a', 'c'])
print(df.nlargest(3, 'one'))
print(df.nsmallest(3, ['one', 'two'])) three two one
a 6 7 8
c 4 10 8
b 12 15 4
three two one
b 12 15 4
a 6 7 8
c 4 10 8
1728
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
