|
属性
代码 | 描述 |
---|---|
DataFrame([data, index, columns, dtype, copy]) | 构造数据框 |
DataFrame.dtypes | 返回数据的类型 |
DataFrame.ftypes | 返回每一列的 数据类型float64:dense |
DataFrame.values | Numpy的展示方式 |
DataFrame.axes | 返回横纵坐标的标签名 |
DataFrame.ndim | 返回数据框的纬度 |
DataFrame.size | 返回数据框元素的个数 |
DataFrame.shape | 返回数据框的形状 |
DataFrame.describe([percentiles,include, …]) | 整体描述数据框 |
DataFrame.mean([axis, skipna, level, …]) | 返回均值 |
排序
代码 | 描述 |
---|---|
DataFrame.sort_values(by[, axis, ascending]) | Sort by the values along either axis |
DataFrame.sort_index([axis, level, …]) | Sort object by labels (along an axis) |
df.columns = [‘d’, ‘open’, ‘close’, ‘low’, ‘high’] | 修改了列名,但是列数据位置没变 |
df = df[[‘d’, ‘open’, ‘close’, ‘low’, ‘high’]] | 修改列排序 |
查询(也有修改或者添加的功能)
代码 | 描述 |
---|---|
DataFrame.loc | 标签定位,使用名称, |
DataFrame.iloc | 整型定位,使用数字 |
DataFrame.at | 快速标签常量访问器(效率更高) |
DataFrame.iat | 快速整型常量访问器 |
DataFrame.isin(values) | 是否包含数据框中的元素 |
DataFrame.tail([n]) | 返回最后n行 |
DataFrame.head([n]) | 返回前n行数据 |
索引
代码 | 描述 |
---|---|
df = df.set_index(‘时分’) | 将某一列设为索引 |
DataFrame.reindex([index, columns]) | 使用可选的填充逻辑使DataFrame符合新索引,将NA/NaN放置在前一个索引中没有值的位置 |
DataFrame.stack([level, dropna]) | 以列标签(可能是分层的)的一个层次为中心,返回一个DataFrame(对于只有一个层次的列标签的对象,是一个系列),其中包含一个层次索引和一个新的最内层的行标签。 |
DataFrame.unstack([level, dropna]) | 行索引转换为列索引 |
DataFrame.pivot_table(values=[‘d’], index=['a ', ‘b’], columns=[‘c’]) | 重构df |
index = pd.MultiIndex(levels=[[None], [None]],labels=[[0], [0]], names=[‘名称’, ‘时间’]) | 生成复合索引 |
df = pd.DataFrame(index=index, columns=[‘涨幅’, ‘涨速’, ‘现价’, ‘成交量’]) | 生成复合索引df |
df.index.unique() | 去重 |
DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=’’) | drop为False则索引列会被还原为普通列,否则会丢失inplace:默认为false,适当修改DataFrame(不要创建新对象) |
空数据