pandas常用函数（更新中）

Series()    #创建序列，类似一维数组，是pandas的基本数据结构	s = pd.Series([1, 2, 3], index=['a', 'b', 'c'])    #创建一个序列s,每个Series都会带有一个对应的index，用来标记不同的元素,index的内容不一定是数字，也可以是字母，中文等 print(s) a    1 b    2 c    3 dtype: int64
DataFrame()    #数据表格，类似一张二维的表格，它的每一列都是一个Series，是pandas的基本数据结构	d = pd.DataFrame([[1, 2, 3], [4, 5, 6]], columns=['a', 'b', 'c'])    #创建一个表 print(d)    a  b  c 0  1  2  3 1  4  5  6
	s = pd.Series([1, 2, 3], index=['a', 'b', 'c'])    #创建一个序列s,每个Series都会带有一个对应的index，用来标记不同的元素,index的内容不一定是数字，也可以是字母，中文等 d2 = pd.DataFrame(s)    #也可以用已有的序列来创建表格 print(d2)    0 a  1 b  2 c  3
DataFrame.head()    #默认预览前5行数据	d = pd.DataFrame([[1, 2, 3], [4, 5, 6]], columns=['a', 'b', 'c'])    #创建一个表 print d.head(1)    #预览前1条数据    a  b  c 0  1  2  3
DataFrame.describe()    #数据基本统计量	d = pd.DataFrame([[1, 2, 3], [4, 5, 6]], columns=['a', 'b', 'c'])    #创建一个表 print(d.describe())              a        b        c count  2.00000  2.00000  2.00000 mean   2.50000  3.50000  4.50000 std    2.12132  2.12132  2.12132 min    1.00000  2.00000  3.00000 25%    1.75000  2.75000  3.75000 50%    2.50000  3.50000  4.50000 75%    3.25000  4.25000  5.25000 max    4.00000  5.00000  6.00000
read_excel()  #读取excel文件，创建DataFrame	inputfile = '../data/catering_sale.xls' data = pd.read_excel(inputfile) print(type(data)) <class 'pandas.core.frame.DataFrame'>
read_csv()    #读取csv文件,创建DataFrame	inputfile = '../data/catering_sale.csv' data = pd.read_csvl(inputfile, encoding='utf-8')    #读取文本格式的数据，一般用encoding指定编码
DataFrame.iloc[start,stop,interval]    #取表中的行	print(data.iloc[0])    #取第一行数据 年龄        41.000000 教育         3.000000 工龄        17.000000 地址        12.000000 收入       176.000000 负债率        9.300000 信用卡负债     11.359392 其他负债       5.008608 违约         1.000000 Name: 0, dtype: float64
	print(data.iloc[0:8])    #取值范围0-7    年龄  教育  工龄  地址   收入   负债率      信用卡负债       其他负债  违约 0  41   3  17  12  176   9.3  11.359392   5.008608   1 1  27   1  10   6   31  17.3   1.362202   4.000798   0 2  40   1  15  14   55   5.5   0.856075   2.168925   0 3  41   1  15  14  120   2.9   2.658720   0.821280   0 4  24   2   2   0   28  17.3   1.787436   3.056564   1 5  41   2   5   5   25  10.2   0.392700   2.157300   0 6  39   1  20   9   67  30.6   3.833874  16.668126   0 7  43   1  12  11   38   3.6   0.128592   1.239408   0
	print(data.iloc[0:8:2])    年龄  教育  工龄  地址   收入   负债率      信用卡负债       其他负债  违约 0  41   3  17  12  176   9.3  11.359392   5.008608   1 2  40   1  15  14   55   5.5   0.856075   2.168925   0 4  24   2   2   0   28  17.3   1.787436   3.056564   1 6  39   1  20   9   67  30.6   3.833874  16.668126   0
	print(data.iloc[:,:8])    #表示取8列数据，该表一供有9列      年龄  教育  工龄  地址   收入   负债率      信用卡负债       其他负债 0    41   3  17  12  176   9.3  11.359392   5.008608 1    27   1  10   6   31  17.3   1.362202   4.000798 2    40   1  15  14   55   5.5   0.856075   2.168925 3    41   1  15  14  120   2.9   2.658720   0.821280 4    24   2   2   0   28  17.3   1.787436   3.056564 5    41   2   5   5   25  10.2   0.392700   2.157300 6    39   1  20   9   67  30.6   3.833874  16.668126 7    43   1  12  11   38   3.6   0.128592   1.239408 8    24   1   3   4   19  24.4   1.358348   3.277652 9    36   1   0  13   25  19.7   2.777700   2.147300 10   27   1   0   1   16   1.7   0.182512   0.089488
	print(data.iloc[:,8])    #表示取第9列的数据(列从0开始计数) 0      1 1      0 2      0 3      0 4      1 5      0 6      0 7      0 8      1 9      0 10     0
DataFrame.as_matrix()    #将表格转换位其编号数组表示 pandas 0.23.0开始建议使用values()代替	x = data.iloc[0:8:2].as_matrix() [[ 41.         3.        17.        12.       176.         9.3    11.359392   5.008608   1.      ]  [ 40.         1.        15.        14.        55.         5.5     0.856075   2.168925   0.      ]  [ 24.         2.         2.         0.        28.        17.3     1.787436   3.056564   1.      ]  [ 39.         1.        20.         9.        67.        30.6     3.833874  16.668126   0.      ]]
DateFrame.columns[index]    #index作为索引项取值	print(data.columns)    #取列 #Index([u'年龄', u'教育', u'工龄', u'地址', u'收入', u'负债率', u'信用卡负债', u'其他负债', u'违约'], dtype='object') print(data.columns)[2,3,5,7] 工龄,地址,负债率,信用卡负债