Pandas 的实用方法

1.想要删除数据中有空数值的一行

df = df.dropna()
print(df)

2.pandas读取含有中文文件时

df = pd.read_csv('xxx.csv',delimiter=','
,names=['xxx','xxx'],encoding="utf-8")
print(df)

3.pandas 对index或者某一列进行全体排序

df = df.sort_index(axis=0(or)1,ascending=True(or)False)
axis = 0 #对列（index）排序
axis = 1 #对行（columns）排序
ascending = True #升序（默认升序）
ascending = False #降序

df = df.sort_values(by='列名',ascending=True(or)False)
by = 'colmuns' #列名
ascending = True #升序（默认升序）
ascending = False #降序

df = df.sort(columns=['列名1','列名2']...,ascending=True(or)False)
columns = ['','',''] #可以对多列进行排序
ascending = True #升序（默认升序）
ascending = False #降序

4.pandas 按条件筛选数据

df = df[(df.index == ' 1') & df.xx > 1000]

如果条件有（str）索引 在判断条件前中加入空格 如： ' 1'

多个条件进行判断时 用 '&' 符号

5.pandas 删除某一列数据

df = df.drop(['columns'],axis = 1)
columns = 列名

6.pandas 显示数据的前几行或后几行数据

df = df.head(3)
默认显示前5行数据，可以通过传出的参数修改。
比如：上面就显示前3行数据

df = df.tail(3)
默认显示后5行数据，可以通过传出的参数修改。
比如：上面就显示后3行数据

7.pandas 填写所有的缺失数据

df = df.fillna(value=5)
将数据中的所以空值赋值为value

8.pandas 获取请求列的平均值

df = df.mean()
返回所有带有可计算数据的列的平均值

df = df.xx.mean()
返回具体某一列带有可计算数据的列的平均值

9.pandas 去重

df = df.drop_duplicates()
将数据中有重复的一行数据进行删除

传入['columns']列名参数可以对列进行去重

10.pandas 列元素出现的次数

df.xx.value_counts()
xx = 列名 #统计该列元素出现的次数

11.pandas 列元素大小写转换

df.xx.str.lower()
将列元素全部转换为小写

df.xx.str.upper()
将列元素全部转换为大写

12.pandas 合并

pieces = [df[:3],df[4:5],df[7:9]]

pd.concat(pieces,ignore_index=True(or)False)
将传入的数值进行合并
ignore_index = True #重新建立索引
ignore_index = False #使用原来的索引

13.pandas fillna暴力

#暴力模式的填补空值

df.fillna(0,inplace=True)

14.pandas SettingCopyWarning警告

#出现这种情况的原因是：衍生出来的DataFrame B 的改变会导致 DataFrame A 的改变

b = a.loc[:,['c','d']]
#解决办法：

b = a.loc[:,['c','d']].copy()

15.pandas 读取时跳过错误数据

df = pd.read_csv('Test.csv',delimiter=';',error_bad_lines=False)
#error_bad_lines=False 跳过错误数据的那一行数据