python-pandas

参考-没看完

http://c.biancheng.net/pandas/self-defined-func.html

Series

import pandas as pd
pd.Series(data,index,dtype,name,copy)
# index:定义的是行索引，默认range(0,n)

# 创建
- 直接python列表
- ndarray
- Series
- dict() # key就是行索引

# 索引
data # Series
data[row_loc_index] # 位置下标或者是标签索引
data['row_label']
# 可以使用切片
data[:n]
# 可以使用列表索引
data[[0,1,3]] 
data['label1','label2']

# 属性
- axes
- dtype
- ndim
- size
- shape
- index # 访问所有的索引

# Series 转 ndarray
data.values # 不带() 
data.to_numpy() # 

常用函数

# 是否为空（缺失值） 
data.isnull() # 返回的仍然是Series dtype是bool
data.notnull()
pd.isnull(data)
pd.notnull(data)

# 插入
data.insert(data,column=xxx)

# 删除
del data['index']
data.pop('index')

# 数学运算，可以进行数学运算并赋值

DataFrame

import pandas as pd
pd.DataFrame( data, index, columns, dtype, copy)
# data:ndarray、series、map、lists、dict等
# index:索引值,为行标签 默认是(0,1,2) 还可以是['x'...]
# columns:列标签 默认是(0,1,2...) 还可以是['x'...]

# 创建
- 直接python列表
- ndarray
- Series
- dict()

## 字典创建: 字典的键值永远表示列索引
data={'k1':[v11,v12],'k2':[v21,v22]}
# 	k1 k2
# 0 v11 v21
# 1 v12 v22

data=[{'k1':xx,'k2':xxx},{'k1':xx,'k2':xxx,'k3':xxxx}]

# 索引
# .loc[行索引,列索引]是什么（int,str）,就利用什么索引，不能直接使用int整数索引
# .iloc[行索引，列索引]可以利用整数索引，不能用标签索引
data[col_index] # 默认是列索引
data['col_label'] # 列标签

# data[row_index] # 这个是错误的

data[m:n] # m,n int 默认是索引的行索引，这里无论行索引是否是str还是int整数，都是可以利用整数进行索引的

data.loc[row_index] # 行索引，row_index:int
data.loc[row_index,col_index]
data.loc[index[0:int],columns[0:int]] # 这样是可以的

data.iloc[row_index,col_index]

# 添加
# 添加列
- data[new_col_index]=new_data
- data.insert(index,new_col_index,new_data)
# 添加行
- data.append()
- data.concat()

# 删除
data.drop(index,axis=0) # 删除行
data.drop(index,axis=1) # 删除列

# 属性
- index # 行索引
- columns # 列索引
- dtypes

常用函数

# 数学运算
data.T # 转置

方法

# 数据汇总描述
data.describe(include=xxx) #描述统计摘要

# 常见数学运算
sum() mean() meidan() std() min() max() abs() 

# 其他数学运算
data.count() # 统计非空数量 
data.sort_index() # 按轴排序
data.sort_values() # 按只排序
data.cumsum() # 累计和
data.cumprod() # 累计积
data.corr() # 相关系数

categroy-还没看

https://www.cnblogs.com/onemorepoint/p/9407638.html
https://blog.csdn.net/FrankieHello/article/details/81220116
https://blog.csdn.net/weixin_43407190/article/details/102848875

https://www.cnblogs.com/feffery/p/11436158.html
https://blog.csdn.net/suhao0911/article/details/107564414

apply