Python数据分析之pandas（保姆级教程）

已于 2022-11-26 15:36:27 修改
阅读量4.1k 收藏 33
点赞数 6
分类专栏： Python学习 文章标签： python pandas 数据分析
于 2022-08-22 19:21:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Elon15/article/details/126467725
版权

一、前言

一般情况下，numpy总是和pandas一起出现。如果numpy处理的数据类似于list类型的话，那么pandas处理的数据就类似于dictionary类型。

二、前提准备

使用pandas的话，需要将pandas这个第三方包，提前下载到你的python解释器中。
（1）Win + R，输入cmd，然后点击确定
在这里插入图片描述
（2）在Windows的终端中输入如下命令，然后回车

pip install pandas

在这里插入图片描述

三、具体使用

1.基本使用

（1）使用pandas生成序列
# coding:utf-8
import pandas as pd
import numpy as np
# 通过pandas生成序列

# NAN :not a number,但是类型是float
s = pd.Series([1, 3, 6, np.NAN, 66, 88])
print(s)

在这里插入图片描述

（2）生成日期序列
# 生成一个日期序列，生成六个数据
dates = pd.date_range('20220822', periods=6)
print(dates)

在这里插入图片描述

（3）生成DataFrame
# 6行4列 ，日期使用的是上面的8.22到8.27
# DataFrame非常类似于Excel表格，最左侧为行名称，最上面是列名称
# index代表行名称，column代表列名称
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=['a', 'b', 'c', 'd'])
print(df)

print("-" * 50)
# 使用DataFrame的默认行名称和列名称
df1 = pd.DataFrame(np.arange(12).reshape((3, 4)))
print(df1)

在这里插入图片描述

（4）使用字典参数生成DataFrame
# 使用字典作为DateFrame的参数
# 字典的key作为列名，value作为一列中的数值，行数取决于列中最多元素数量
df2 = pd.DataFrame({'A': 1.0, 'B': pd.Timestamp('20210701'),
                    'C': pd.Categorical(['test1', 'test2', 'test3', 'test4']), 'D': 'ff'})
print(df2)

在这里插入图片描述

（5）Dataframe的属性
# 输出数据类型
print(df2.dtypes)
# 打印行名称
print(df2.index)
# 打印列名称
print(df2.columns)

# 打印值
print(df2.values)
# 打印描述信息
print(df2.describe())

在这里插入图片描述

（6）在Dataframe中进行排序
# 排序, axis=1指的是列名称；axis=0指的是行名称，ascending=False表示逆序
df2 = df2.sort_index(axis=1, ascending=False)

print(df2)
print("-" * 50)
df2 = df2.sort_index(axis=0, ascending=False)
print(df2)

print("%" * 50)
# 根据C列数值进行排序
df2 = df2.sort_values(by='C')
print(df2)

在这里插入图片描述

（7）对Dataframe进行转置
# 转置
print(df2.T)

在这里插入图片描述

2.选择数据

（1）选择列
# coding:utf-8
import numpy as np
import pandas as pd
"""
    pandas从DateFrame中选取一行
"""

# 生成日期序列
dates = pd.date_range('2022.07.01', periods=6)

# 生成DateFrame
df = pd.DataFrame(np.arange(24).reshape((6,4)), index=dates, columns=['A', 'B', 'C', 'D'])
print(df)
# 选取第A列
print(df.A)
print("-" * 50)
print(df['A'])

在这里插入图片描述

（2）通过“切片”选择数据
print("-" * 50)
# 按行切片,左闭右开
print(df[1:3])
print("&" * 50)

# 按行索引名进行切片，左闭右闭
print(df['20220703':'20220705'])

在这里插入图片描述

（3）根据标签进行选择数据
# 根据行标签(行名)进行选取值
print("-" * 50)
print(df.loc['20220701'])

在这里插入图片描述

# 选取列标签
print("-" * 50)
# 所有行中的B、C两列
print(df.loc[:, ['B', 'C']])

在这里插入图片描述

# 输出指定行中的，指定列
print("-" * 50)
print(df.loc["20220702", ['C', 'D']])

在这里插入图片描述

（4）根据位置选择数据
# 根据位置进行筛选
print("-" * 50)
print(df.iloc[3])

在这里插入图片描述

print("-" * 50)
print(df.iloc[[1,3,5], 1:3])

在这里插入图片描述

（5）根据条件进行选择数据
# 通过条件进行筛选,通过A列进行筛选，显示所有的信息
print("-" * 50)
print(df[df.A > 8])

在这里插入图片描述

3. 设置值

设置值的本质就是：先选择数据，然后再赋值
（1）通过位置选择数据，然后改变数据
# coding:utf-8
import numpy as np
import pandas as pd

"""
   在指定位置进行替换值 
"""

dates = pd.date_range('20220701', periods=6)
# print(dates)
df = pd.DataFrame(np.arange(24).reshape((6,4)), index=dates, columns=['A', 'B', 'C', 'D'])
print(df)

# 改变指定位置的值
# 通过位置进行改变
df.iloc[2, 2] = 666
print("-" * 50)
print(df)

在这里插入图片描述

（2）通过标签选择数据，然后改变数据
# 通过标签进行改变
df.loc['20220701', 'B'] = 999
print("-" * 50)
print(df)

在这里插入图片描述

（3）通过选择列选择数据，然后改变数据
df['D'] = np.NAN
print(df)

在这里插入图片描述

（4）给Dataframe新加一列
# 在DataFrame上新加一列
df['E'] = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range('20220701', periods=6))
print("-" * 50)
print(df)

在这里插入图片描述

（5）通过条件选择数据，然后改变数据
# 条件判断，只要A列中有大于0的所有行的所有数据全部改变！
# 中括号中，进行的筛选是：筛选A列中的行
df[df.A > 0] = 2222
print(df)

在这里插入图片描述

4.处理丢失数据

（1）丢弃NaN值
# coding:utf-8
import numpy as np
import pandas as pd

dates = pd.date_range('20220701', periods=6)
# print(dates)
df = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=['A', 'B', 'C', 'D'])
# print(df)

# 改变数据
df.iloc[0, 1] = np.NAN
df.iloc[1, 2] = np.NAN
print("-" * 50)
print(df)


"""
    丢弃nan
"""

# 丢弃nan, anis=1表示列方向， how的方式是：
# all的话，就是一整行或者一整列都是nan的话,才进行丢弃
# any的话，只要一行里面或者一列里面有nan,就丢弃整行或者整列
df = df.dropna(axis=1, how='any')
print("-" * 50)
print(df)

在这里插入图片描述

（2）替换NaN值
"""
    替换nan
"""

print(df.fillna(value=0))

在这里插入图片描述

（3）判断df的各个位置上是否缺失数据
# 看看是否缺失数据，
# 在Dataframe的对应元素位置上进行判断，如果缺失显示True；如果不缺失显示False
print(df.isnull())

在这里插入图片描述

（4）判断df中是否存在NaN值
# 看看df中是否有NaN
print("-" * 50)
print(np.any(df.isnull()) == True)

在这里插入图片描述

5.导入导出数据

（1）读取数据
import numpy as np
import pandas as pd
"""
    用pandas导入导出数据
"""

# 读取数据，可以读取各自格式的数据。比如：read_csv、read_excel、read_html
data = pd.read_csv("AAH691(2).csv", encoding='gb18030')
print(data)

在这里插入图片描述

（2）存储数据
# 保存成pickle格式的文件,也可以保存成其他格式的问题，比如csv、html等。与读取一一对应
# 保存数据
data.to_pickle('test.pickle')

在这里插入图片描述
在这里插入图片描述

6.使用contact合并Dataframe

（1）contact竖直方向合并
# coding:utf-8
import numpy as np
import pandas as pd

"""
    pandas中的合并
"""

# 创建数据框架
df1 = pd.DataFrame(np.ones((3, 4))*0, columns=['a', 'b', 'c', 'd'])
df2 = pd.DataFrame(np.ones((3, 4))*1, columns=['a', 'b', 'c', 'd'])
df3 = pd.DataFrame(np.ones((3, 4))*2, columns=['a', 'b', 'c', 'd'])

print("-" * 50)
print(df1)
print("-" * 50)
print(df2)
print("-" * 50)
print(df3)

# 使用函数，在竖直方向进行合并, axis为0时，表示竖直方向的合并
print("-" * 50)
# ignore_index=True表示对合并之后的数据进行重新排序
res = pd.concat([df1, df2, df3], axis=0, ignore_index=True)
print(res)

在这里插入图片描述

（2）contact水平方向合并
# 使用函数，在竖直方向进行合并, axis为0时，表示竖直方向的合并
# axis为1时，表示水平方向的合并
print("-" * 50)
# ignore_index=True表示对合并之后的数据进行重新排序
res = pd.concat([df1, df2, df3], axis=1)
print(res)

在这里插入图片描述

（3）outer方式合并
print("-" * 50)
df1 = pd.DataFrame(np.ones((3, 4))*0, columns=['a', 'b', 'c', 'd'], index=[1, 2, 3])
df2 = pd.DataFrame(np.ones((3, 4))*2, columns=['b', 'c', 'd', 'e'], index=[2, 3, 4])
print(df1)
print("-" * 50)
print(df2)

# 使用concat进行合并
# 默认join是outer; 也可以使用inner
# inner合并相同列；outer全部并起来，没有的列用NaN填充
# ignore_index使得合并之后，顺序井然
# inner类似于交集，outer类似于并集
res = pd.concat([df1, df2], join="outer", ignore_index=True)
print("-" * 50)
print(res)

在这里插入图片描述

（4）inner方式合并
# 使用concat进行合并
# 默认join是outer; 也可以使用inner
# inner合并相同列；outer全部并起来，没有的列用NaN填充
# ignore_index使得合并之后，顺序井然
# inner类似于交集，outer类似于并集
res = pd.concat([df1, df2], join="inner", ignore_index=True)
print("-" * 50)
print(res)

在这里插入图片描述

（5）使用append进行添加df
"""
    append的使用，默认数据框架df进行纵向合并，添加到最下面
"""
df1 = pd.DataFrame(np.ones((3, 4))*0, columns=['a', 'b', 'c', 'd'], index=[1, 2, 3])
df2 = pd.DataFrame(np.ones((3, 4))*2, columns=['a', 'b', 'c', 'd'], index=[2, 3, 4])
df3 = pd.DataFrame(np.ones((3, 4))*3, columns=['a', 'b', 'c', 'd'], index=[2, 3, 4])
print("-" * 50)
print(df1)
print("-" * 50)
print(df2)
print("-" * 50)
print(df3)
print("-" * 50)
# 参数ignore_index为True是为了让索引有序！！！
res = df1.append([df2, df3], ignore_index=True)
print(res)

在这里插入图片描述

（6）使用append添加Series
# 添加序列
s1 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
print(s1)
print("-" * 50)
res = df1.append(s1, ignore_index=True)
print(res)

在这里插入图片描述

7.使用merge合并Dataframe

（1）基于公共列进行合并
# coding:utf-8
import numpy as np
import pandas as pd

"""
    merge的使用
"""

# 可以将dataframe的格式理解成数据库中的表
left = pd.DataFrame({'key':['K0', 'K1', 'K2', 'K3'],
                    'A':['A0', 'A1', 'A2', 'A3'],
                    'B':['B0', 'B1', 'B2', 'B3']})

right = pd.DataFrame({'key':['K0', 'K1', 'K2', 'K3'],
                    'C':['C0', 'C1', 'C2', 'C3'],
                    'D':['D0', 'D1', 'D2', 'D3']})

print(left)
print("-" * 50)
print(right)
print("-" * 50)
# 通过merge进行合并
# 基于key列进行合并
res = pd.merge(left, right, on='key')
print(res)

在这里插入图片描述

（2）inner形式的merge合并
print("-" * 50)
left = pd.DataFrame({'key1':['K0', 'K0', 'K1', 'K2'],
                     'key2':['K0', 'K1', 'K0', 'K1'],
                    'A':['A0', 'A1', 'A2', 'A3'],
                    'B':['B0', 'B1', 'B2', 'B3']})

right = pd.DataFrame({'key1':['K0', 'K1', 'K1', 'K2'],
                      'key2':['K0', 'K0', 'K0', 'K0'],
                    'C':['C0', 'C1', 'C2', 'C3'],
                    'D':['D0', 'D1', 'D2', 'D3']})

print(left)
print("-" * 50)
print(right)

# 使用merge进行合并,默认合并方式是inner,去掉

# how四种方式：inner 、outer 、left 、right
print("-" * 50)
res = pd.merge(left, right, on=['key1', 'key2'], how="inner")
print(res)

在这里插入图片描述

（3）outer形式的merge合并
# 使用merge进行合并,默认合并方式是inner,去掉

# how四种方式：inner 、outer 、left 、right
print("-" * 50)
res = pd.merge(left, right, on=['key1', 'key2'], how="outer")
print(res)

在这里插入图片描述

（4）right形式的merge合并
# how四种方式：inner 、outer 、left 、right
print("-" * 50)
res = pd.merge(left, right, on=['key1', 'key2'], how="right")
print(res)

在这里插入图片描述

（5）left形式的merge合并
# how四种方式：inner 、outer 、left 、right
print("-" * 50)
res = pd.merge(left, right, on=['key1', 'key2'], how="left")
print(res)

在这里插入图片描述

（6）merge参数之indicator
df1 = pd.DataFrame({'col1':[0, 1], 'col_left':['a', 'b']})
df2 = pd.DataFrame({'col1':[1, 2, 2], 'col_right':[2, 2, 2]})
print("-" * 50)
print(df1)
print("-" * 50)
print(df2)

# indicator参数表示显示合并方式，indicator_column为显示合并方式列的列名
res = pd.merge(df1, df2, on='col1', how='outer', indicator="indicator_column")
print("-" * 50)
print(res)

在这里插入图片描述

（7）merge参数之index
left = pd.DataFrame({'A':['A0', 'A1', 'A2'],
                     'B':['B0', 'B1', 'B2']},
                    index=['K0', 'K1', 'K2'])

right = pd.DataFrame({'C':['C0', 'C1', 'C2'],
                      'D':['D0', 'D1', 'D2']},
                     index=['K0', 'K2', 'K3'])

print("-" * 50)
print(left)
print("-" * 50)
print(right)
print("-" * 50)
# 这里的how参数outer指的是，合并左侧索引和右侧索引
res = pd.merge(left, right, left_index=True, right_index=True, how='outer')
print(res)

在这里插入图片描述

（8）merge参数之suffixes
boys = pd.DataFrame({'k':['K0', 'K1', 'K2'], 'age':[1, 2, 3]})
girls = pd.DataFrame({'k':['K0', 'K0', 'K3'], 'age':[4, 5, 6]})

print("-" * 50)
print(boys)
print("-" * 50)
print(girls)

# suffixes参数合并之后，重命名列名，在原来列表后面进行修改，以显示不同
res = pd.merge(boys, girls, on='k', suffixes=['_boy', '_girl'], how='outer')
print("-" * 50)
print(res)

在这里插入图片描述

8. numpy和pandas处理数据之后，用matplotlib进行绘制图像

（1）对Series数据进行绘制线性图
# coding:utf-8
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = pd.Series(np.random.randn(1000), index=np.arange(1000))
# 对数据进行累加
data = data.cumsum()
data.plot()
plt.show()

在这里插入图片描述

（2）对Dataframe数据进行绘制线性图
# 使用dataframe
# 4代表生成4组数据
data = pd.DataFrame(np.random.randn(1000, 4),
                    index=np.arange(1000),
                    columns=["A", "B", "C", "D"])

# 进行累计
data = data.cumsum()
# print(data.head(5))
data.plot()
# 展示
plt.show()

在这里插入图片描述

（3）对Dataframe数据进行绘制散点图
ax = data.plot.scatter(x='A', y='B', color='DarkBlue', label='Class 1')
data.plot.scatter(x='A', y='C', color='DarkGreen', label='Class 2', ax=ax)
plt.show()

在这里插入图片描述

pandas总结完毕，撒花撒花…

时代&信念
关注
  • 6
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pandas‑1.3.4‑pp37‑pypy37_pp73‑win_amd64.whl
12-21
离线安装包，亲测可用
pandas 排序df1.sort_values
qq_15821487的博客
09-22 997
import pandas as pd path1 = './ml_work1/result/extract_json.csv' path2 = './ml_work2/result/extract_json.csv' df1 = pd.read_csv(path1) print(df1) df1_s = df1.sort_values(by=['link'], axis=0, kind='mergesort', ignore_index=True) print(df1) print('********
pd.concat()函数sort=true和false及ignore_index参数介绍
weixin_46713695的博客
09-09 3554
pd.concat()函数sort=true和false
Python数据分析三剑客之Pandas篇
最新发布
xjt921122的博客
03-18 688
DataFrame 是 Pandas 中的一个表格型的数据结构，包含有一组有 序的列，每列可以是不 同的值类型(数值、字符串、布尔型等)，DataFrame 即有行索引也 有列索引，可以被看做是由 Series 组成的字典。DataFrame对象按照行列检索获取，可以使用loc和iloc函数，方括 号中逗号之前的部分表示要获取的行的索引，如果输入一个冒号， 或不输入任何数值表示获取所有的行或列，逗号之后方括号表示要 获取的列的索引。它不仅仅可以导入.txt 文件，还可以导入.csv文件。
python数据分析之pandas
嗒獭想睡觉
05-21 373
pandas是数据科学分析中与numpy一样非常重要的一个工具，它是numpy的升级版本，用起来感觉更复杂，但是能完成的功能是非常多的，有点类似于python的字典。上次我们简介了numpy，今天来介绍一下pandas库。 目录： 创建pandas数据类型 计算与排序操作 选择所需数据 更改添加数据 处理空数值 数据的导入与导出 合并操作 1创建pandas数据类型 panda...
已解决TypeError: Can only append a dict if ignore_index=True
努力让自己发光，对的人才能迎着光而来
02-20 8971
已解决pandas使用df.append()方法以dict形式添加数据时，抛出异常TypeError: Can only append a dict if ignore_index=True的正确解决方法，亲测有效！！！
DataFrame添加数据
qq_39783601的博客
02-21 3万+
添加数据 1、给数据框最后添加一列 例如给如下数组添加一列： 数组名为df1，给df1加score一列： df1['score']=[80,98,67,90] 可以直接命名列名，赋值数据即可。 注意：增加列的元素个数要跟原数据列的个数一样 2、在具体某个位置插入一列可以用 insert 的方法 df1.insert(iloc,column,value) iloc:要插入的位置 colunm...
python之pandas简单介绍及使用（一）
weixin_30888413的博客
11-27 1万+
一、　　Pandas简介 1、Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一...
python 数据分析(pandas)
weixin_62859191的博客
10-04 5383
概述：在pandas中有两个数据序列是常用的数据结构，分别是Series和DataFrame，Series是表格中的一行或一列，表示一维数组，可以作为DataFrame数据序列中的数据进行使用，DataFrame是表格中的多行多列，是二维数组。
Python数据分析基础技术之pandas（史上最全面）
热门推荐
薛定谔的猫-前端领域
04-29 6万+
pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。简单地说，你可以把 Pandas 看作是 Python 版的 Excel。 ...
pandas速查笔记
qq_39559491的博客
03-10 3687
个人常用的python语句查询
python数据分析之Pandas数据结构和操作
02-24
比如，学生成绩分析，股票数据分析等4、提供数据清洗功能Pands数据结构，主要分为两种，Series和DataFrame1、类似一维数组的对象2、通过list构建Seriesser_obj=pd.Series(rang(10))3、由数据和索引组成索引在左，...
Python数据分析之pandas学习
01-27
index，利用pandas查询数据，统计分析等。在pandas中有两类非常重要的数据结构，即序列Series和数据框DataFrame。Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式...
Python数据分析库：Pandas视频教程
06-09
Pandas视频培训课程，本教程会讲解Python数据分析库Pandas的所有核心API，这些API很多都是依赖其他的库，如NumPy、Matplotlib等,Pandas只是在表层做了一个封装。本课程内容包含Pandas的数据操作，还涉及Numpy，...
Pandas系列(十一)Pandas中concat合并两个dataframe
小小何先生的学习之旅
08-15 1万+
文章目录concatappend使用pandas.concat合并数据获取数据concat实例使用默认参数使用ignore_index=True可以忽略原来的索引使用join=inner过滤掉不匹配的列添加一列Series添加多列Series使用DataFrame.append按行合并数据生成数据append实例给1个dataframe添加另一个dataframe忽略原来的索引ignore_index=True一行一行的给DataFrame添加数据   通过concat可以将相同格式的excel、给data
Pandas选取合并操作总结
weixin_38754624的博客
05-04 2871
df.rolling 1、函数原型及参数说明： DataFrame.rolling(window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) window：表示时间窗的大小，注意有两种形式（int or offset）。如果使用int，则数值表示计算统计量的观测值的数量即向前几个数据。如果是offset类型，表示时间窗的大小。pandas offset相关可以参考这里
Python之Pandas使用详解
huanxiajioabu的博客
07-21 3364
在数据分析当中，我们通常使用 Pandas 来做数据清理的工作。在真实的工作生活中，我们拿到的数据往往都是不整洁的，空值、重复值、无效值等等信息都会干扰我们的分析，此时我们就需要按部就班的完成数据的清理。数据清理是数据分析中非常重要的一步，也是非常繁琐的一步，当然，在你掌握了 Pandas 库之后，你就好像是得到了一把削铁如泥的宝剑，数据清理工作的效率会大大提高。
Python基础(5)-Pandas
xiuxiuhh的博客
06-23 1855
pandas是一个数据分析库，能快速分析结构化数据，并提供了高级数据结构和操作工具。1、Pandas是Python的一个第三方包，也是商业和工程领域最流行的结构化数据工具集，用于数据清洗、处理以及分析2、Pandas和Spark中很多功能都类似，甚至使用方法都是相同的；学会Pandas之后再学习Spark就更加简单快速3、Pandas在整个数据开发的流程中的应用场景：在大数据场景下，数据在流转的过程中，Python Pandas丰富的API能够更加灵活、快速的对数据进行清洗和处理。
python之pandas库，快速学习
qq_68411520的博客
06-15 6449
目录一、pandas的两种数据结构 1.pandas导入 2.Series （1）series：一维数据机构，可以保存任何类型的数据结构，相当于一列。 （2）series默认索引从0开始。也通过可以指定索引。 3.DataFrame （1）DataFrame：是一个矩阵的数据类型，既有行索引，也有列索引。 （2）DataFrame：可以更改
Python数据分析之pandas基本数据结构：Series、DataFrame
05-19
在Python数据分析中，pandas是一个非常常用的数据处理库。pandas中的两种基本数据结构是Series和DataFrame。 Series是一维数组，其中的每个元素都有一个索引。可以将Series看作是一个带有索引的数组或一个带有标签的列表。 DataFrame是二维表格，其中的每个元素都有一个行索引和一个列索引。可以将DataFrame看作是一个带有标签的、多列的表格或一个带有标签的、异构数据的字典。 在pandas中，可以通过以下方式创建Series和DataFrame： 创建Series： ```python import pandas as pd s = pd.Series([1, 3, 5, np.nan, 6, 8]) ``` 创建DataFrame： ```python import pandas as pd import numpy as np data = {'name': ['Tom', 'Jack', 'Steve', 'Ricky'], 'age': [28, 34, 29, 42], 'gender': ['M', 'M', 'M', 'F']} df = pd.DataFrame(data) ``` 可以通过访问Series和DataFrame的属性和方法来进行数据处理和分析，例如： ```python # 访问Series的属性 s.values s.index # 访问DataFrame的属性 df.columns df.head() df.tail() df.describe() df.sort_values(by='age') ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值