pandas利用pd.Index和df.reindex函数提取相应列

最新推荐文章于 2023-05-27 13:03:28 发布
最新推荐文章于 2023-05-27 13:03:28 发布
阅读量2.7k 收藏 6
点赞数
分类专栏： 数据分析 文章标签： python pandas
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/hooyying/article/details/124087275
版权
该博客内容涉及数据集的处理，使用pandas库中的Index函数提取特定列，包括实际GDP（realgdp）、通货膨胀率（infl）和失业率（unemp）。通过重新索引列，生成了一个新的DataFrame，专注于经济指标的变化和分析。
摘要由CSDN通过智能技术生成

假设存在以下数据集

   realgdp 	realcons 	realinv 	realgovt 	realdpi 	cpi 	m1 	tbilrate 	unemp 	pop 	infl 	realint
0 	2710.349 	1707.4 	286.898 	470.045 	1886.9 	28.98 	139.7 	2.82 	5.8 	177.146 	0.00 	0.00
1 	2778.801 	1733.7 	310.859 	481.301 	1919.7 	29.15 	141.7 	3.08 	5.1 	177.830 	2.34 	0.74
2 	2775.488 	1751.8 	289.226 	491.260 	1916.4 	29.35 	140.5 	3.82 	5.3 	178.657 	2.74 	1.09
3 	2785.204 	1753.7 	299.356 	484.052 	1931.3 	29.37 	140.0 	4.33 	5.6 	179.386 	0.27 	4.06
4 	2847.699 	1770.5 	331.722 	462.199 	1955.5 	29.54 	139.6 	3.50 	5.2 	180.007 	2.31 	1.19

要提取以下列，使用Index函数

columns = pd.Index(['realgdp', 'infl', 'unemp'], name='item')

重新对列索引

data = df.reindex(columns=columns)

生成新Dataframe

item realgdp 	infl 	unemp
0 	2710.349 	0.00 	5.8
1 	2778.801 	2.34 	5.1
2 	2775.488 	2.74 	5.3
3 	2785.204 	0.27 	5.6
4 	2847.699 	2.31 	5.2
hooyying
关注
专栏目录
df.rank & pd.pivot_table & pd.read_excel & df添加行 &调整df行列顺序(reindex再理解）
12-22
在Python的Pandas库中，`df.rank()`、`pd.pivot_table()`、`pd.read_excel()`和`df`的操作是数据分析中的重要工具。下面将详细解释这些知识点。 1. **df.rank()** `df.rank()` 函数用于对DataFrame或Series中的...
Pandas详解三之Index对象
热门推荐
yungeisme的博客
03-16 4万+
约定 import pandas as pd from pandas import DataFrame import numpy as np Index Index对象保存着索引标签数据，它可以快速找到标签对应的整数下标，其功能与Python的字典类似。 dict1={"Province":["Guangdong","Beijing","Qinghai","Fu...
pandas Index对象的创建查、改、增、删和使用
qq_34910948的博客
08-08 2549
pandas Index对象的创建,、查、改、增、删和使用 import numpy as np import pandas as pd 单层索引 1.1 创建 pd.Index(data, dtype = Object, name = None) name：一维列表 dtype：索引元素的类型，默认为object型 name：索引的名字，类似于列的名字 data = ['a','b','c'] data=pd.Index(data,name='name1') data Index(['a', 'b
Pandas-快速上手
小旺的博客
11-18 931
Pandas-快速上手 Series对象 Series是具有索引的一维矢量 import pandas as pd a=pd.Series(['a','b','c','d','e'],index=[1,2,3,4,5]) print(a) print(a.index) print(a.values) index是索引对象，用于保存标签信息 不设置index，Pandas会自动创建表示位置下标的索引 values是保存元素值的数组 不设置index的情况 import pandas as pd a=pd.
pandas index索引简易教程
A2233776的博客
05-27 369
pandas index
pandas 学习 第8篇：Index 对象 - （创建、转换、排序、设置索引）
悦光阴的博客
09-26 1107
Index对象负责管理轴标签、轴名称等元数据，是一个不可修改的、有序的、可以索引的ndarry对象。在构建Sereis或DataFrame时，所用到的任何数据或者array-like的标签，都会转换为一个Index对象。Index对象是一个从索引到数据值的映射，当数据是一列时，Index是列索引；当数据是一行数据时，Index是行索引。 一，索引的构造函数 用于创建索引的最基础的构造函数： p...
Python数据科学速查表 Pandas 进阶.pdf
01-30
在Pandas中，`reindex()`函数用于改变数据的索引，例如`s.reindex(['a','c','d','e','b'])`和`s.reindex(range(5),method='bfill')`分别展示了如何重新排序和填充缺失值。另外，`melt()`用于将宽表转换为长表，`...
pandas删除行删除列增加行增加列的实现
09-19
df = df.reindex(index=df.index.insert(2, '5')) df.loc['5'] = [16, 17, 18, 19] ``` #### 4. 增加列 增加列通常涉及对现有数据进行运算或处理以生成新列的值。 ##### 4.1 遍历DataFrame获取序列的方法 ...
对Pandas MultiIndex(多重索引)详解
09-19
Pandas是Python中用于数据分析的强大库，其中的MultiIndex功能允许我们在DataFrame中创建复杂的多层次的索引，以更好地管理和处理复杂的数据结构。多重索引（MultiIndex）允许我们在一个轴上设置两个或更多的索引...
Python数据科学速查表 - Pandas 进阶.pdf
08-23
- **基本语法**：`df.reindex(new_index, method=None)` - **示例**：`>>> s2 = s.reindex(['a', 'c', 'd', 'e', 'b'])` - 此命令将原始Series `s` 的索引重设为 `['a', 'c', 'd', 'e', 'b']`。 - **示例**：`>>> ...
pandas重塑层次化索引
qq_42413820的博客
06-24 1132
     在处理数据时，我们有时需要对数据的结构进行重排，也可称作是重塑(reshape)或者轴向旋转(pivot)。     层次化索引为Dataframe的数据重排提供了良好的一致性的方式。功能有二： stack：将数据的列旋转为行unstack：将数据的行旋转为列   看几个简单的例子解释一下：   In [15]: data = pd.DataFrame(np.arange(6).resh...
pandas中的index对象详解
庐州月光的博客
07-02 1万+
欢迎关注”生信修炼手册”!在pandas中，Series和DataFrame对象是介绍的最多的，Index对象作为其构成的一部分，相关的介绍内容却比较少。对于Index对象而言，有以下两...
pandas 学习汇总5 - index 创建( tcy)
tcy-阿春
12-02 343
index 创建  2018/12/2 #1.pd.Index i=pd.Index([1,2,3,4]) # (Int64Index([1, 2, 3, 4], dtype='int64') i=pd.Index(list('abcd')) # Index(['a','b','c','d'], dtype='object')) #2.pd.RangeIdex(start=None, sto...
Pandas基本数据操作、排序、算术运算、逻辑运算
Learn_and的博客
07-29 1325
索引操作： 为了更好的理解这些基本操作，我们将读取一个真实的股票数据。关于文件操作，后面介绍，这里只先用一下API 读取文件 删除一些列，让数据更简单些，再去做后面的操作： data = data.drop([“ma5”, “ma10”, “ma20”, “v_ma5”, “v_ma10”, “v_ma20”], axis=1) 注意：不能直接进行数字索引。 Numpy当中我们已经讲过使用索引选取序列和切片选择，pandas也支持类似的操作，也可以直接使用列名、行名称，甚至组合使用。 直接
Python 数据分析三剑客之 Pandas（二）：Index 索引对象以及各种索引操作
marraybug的博客
07-09 795
CSDN 课程推荐：《迈向数据科学家：带你玩转Python数据分析》，讲师齐伟，苏州研途教育科技有限公司CTO，苏州大学应用统计专业硕士生指导委员会委员；已出版《跟老齐学Python：轻松入门》《跟老齐学Python：Django实战》、《跟老齐学Python：数据分析》和《Python大学实用教程》畅销图书。 Pandas 系列文章： Python 数据分析三剑客之 Pandas（一）：认识 Pandas 及其 Series、DataFrame 对象 Python 数据分析三剑客之 P
Python 教学 | Pandas 数据索引与数据选取
weixin_55633225的博客
05-23 4600
上一期文章已经向大家详细介绍了 Pandas 如何导入导出数据，那么接下来的技术文章我们将会把重点指向如何分析处理数据。
Pandas系列(一)数据读取、数据结构Dataframe和Series
小小何先生的学习之旅
08-14 1509
文章目录读取数据读取csv文件读取txt文件读取excle文件读取MySql数据库Pandas数据结构SeriesDataFrame根据多个字典序列创建dataframe从DataFrame中查询出Series参考   以前对知识的理解学习都是要啥学啥，久而久之感觉自己像个半吊子，很没有安全感。痛定思痛，整个活。   Pandas是一个开源的Python类库：用于数据分析、数据处理、数据可视化。 读取数据   Pandas需要读取表格类型的数据，然后进行分析。 数据类型 说明 Pandas读取方法
【Python数据分析基础笔记（仅供本人学习记录）】P3.pandas的索引
weixin_45702895的博客
11-23 926
index索引对象 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6C7LfcaG-1637637263280)(./主要的index对象.jpg)] 一、index对象的属性和方法 1.获取index对象 接下来是准备实验数据，即导入数据 import numpy as np import pandas as pd 导入excel表格数据 dt=np.loadtxt('salary.csv',delimiter=",",skiprows=1,dtype=object)
df.pivot和df.reindex，df.align 的区别？
最新发布
05-08
`df.pivot`、`df.reindex` 和 `df.align` 的区别如下： 1. `df.pivot` 用于根据给定的索引/列值对重新构造DataFrame，返回一个新的DataFrame对象。而 `df.reindex` 用于对行或列进行重新标记，并返回具有新索引的DataFrame对象。 2. `df.pivot` 可以使用聚合函数来汇总重复索引/列值的数据，而 `df.reindex` 不会进行这样的操作。 3. `df.align` 用于沿着指定的轴对齐两个对象，并返回一个元组，包含两个对象的重新索引版本。 下面是 `df.pivot` 和 `df.reindex` 的使用示例： 引用:df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ['E']) [^1] ```python import pandas as pd import numpy as np # 创建一个 DataFrame df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'], 'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'], 'C': np.random.randn(8), 'D': np.random.randn(8)}) # 对 DataFrame 进行重新索引 df1 = df.reindex(index=range(4), columns=list(df.columns) + ['E']) print(df1) ``` 输出结果: ``` A B C D E 0 foo one 0.884294 0.848049 NaN 1 bar one -0.252554 0.760753 NaN 2 foo two 0.062926 -0.225259 NaN 3 bar three 0.055329 0.785876 NaN ``` 引用:pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C']) [^1] ```python import pandas as pd import numpy as np # 创建一个 DataFrame df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'], 'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'], 'C': np.random.randn(8), 'D': np.random.randn(8)}) # 使用 pivot_table() 聚合数据 pv = pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C']) print(pv) ``` 输出结果： ``` C -0.902191 0.101844 0.228387 ... 1.300993 1.588940 1.756183 A B ... bar one NaN NaN 0.011764 ... NaN NaN NaN three NaN NaN NaN ... NaN NaN NaN two 1.208722 NaN NaN ... NaN NaN NaN foo one -1.459425 NaN NaN ... NaN NaN NaN three NaN NaN NaN ... NaN NaN -0.335457 two NaN -0.877678 NaN ... 1.057251 0.183236 NaN [6 rows x 8 columns] ```
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