Python库pandas常用知识学习（不包含时间序列，分组聚合）

最新推荐文章于 2022-10-21 20:57:35 发布
最新推荐文章于 2022-10-21 20:57:35 发布
阅读量1.4k 收藏 3
点赞数
分类专栏： Python标准模块的使用 文章标签： python 数据挖掘 数据分析
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/hot7732788/article/details/121690916
版权

一，pandas应知知识

1.pandas中的常见数据类型

  • Series代表单独的一列或者一行
  • DataFrame代表整个二维表
    在这里插入图片描述

二，Series（带标签的-单行/列）

1.Series的两种创建方式

import pandas as pd

#Series创建方式一
a = pd.Series([1,2,3],index = list("abc"))
print(a)

# a    1
# b    2
# c    3
# dtype: int64


#Series创建方式二
temp = {"name":"wangwu","age":30,"tel":"10086"}
b = pd.Series(temp)
print(b)

# name    wangwu
# age         30
# tel      10086
# dtype: object

2.Series的切片与索引

2.1切片：data[ start ： end ： 步长 ]

import pandas as pd

#Series切片
a = pd.Series([1,2,3,4,5,6,7,8,9,10],index = list("abcdefghij"))
# print(a)

qiepian = a[2:8:2]
print(qiepian)

# c    3
# e    5
# g    7
# dtype: int64

2.2索引

import pandas as pd

#Series索引
a = pd.Series([1,2,3,4,5,6,7,8,9,10],index = list("abcdefghij"))
# print(a)

#1.标签名索引
print(a[["b"]]) #获取多个用逗号分割即可，a[["b","c","d"]

# b    2
# dtype: int64

#2.下标索引
print(a[2])

# 3

#3.布尔（条件）索引
print(a[a>4])

# e     5
# f     6
# g     7
# h     8
# i     9
# j    10

2.3获取数据 标签 与 值

import pandas as pd

#Series索引
a = pd.Series([1,2,3,4,5,6,7,8,9,10],index = list("abcdefghij"))
# print(a)

#获取数据标签
print(a.index)
#通过循环来分别获取所有的数据标签
#for i in a.index:
#	pirnt(i)

#获取数据值
print(a.values)

# Index(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'], dtype='object')
# [ 1  2  3  4  5  6  7  8  9 10]

3.Series的条件查询

import pandas as pd

#Series查询
a = pd.Series([1,2,3,4,5,6,7,8,9,10],index = list("abcdefghij"))
# print(a)

#获取特定条件的数据,不改变表结构仅将符合条件的数据查询出来
print(a.where(a>5))

# a     NaN
# b     NaN
# c     NaN
# d     NaN
# e     NaN
# f     6.0
# g     7.0
# h     8.0
# i     9.0
# j    10.0
# dtype: float64

#获取数据并替换
#将值大于3的替换成20，符合条件的不变
print(a.where(a<=3,20))

# a     1
# b     2
# c     3
# d    20
# e    20
# f    20
# g    20
# h    20
# i    20
# j    20
# dtype: int64

4.其他

4.1统计Series数据个数–value_counts()

import pandas as pd

#Series查询
a = pd.Series([1,2,3,4,5,6,7,8,9,10,10],index = list("abcdefghijk"))
# print(a)

temp = pd.Series(a).value_counts()
print(temp)

# 10    2
# 1     1
# 2     1
# 3     1
# 4     1
# 5     1
# 6     1
# 7     1
# 8     1
# 9     1
# dtype: int64

4.2删除固定标签数据–不改变原数据

import pandas as pd

#Series查询
a = pd.Series([1,2,3,4,5,6,7,8,9,10,10],index = list("abcdefghijk"))
# print(a)

print(a.drop(["c","e"]))

# a     1
# b     2
# d     4
# f     6
# g     7
# h     8
# i     9
# j    10
# k    10
# dtype: int64

三，DataFrame（Series容器 行–>axis = 0 ，列–>axis = 1）

1.DataFrame创建的两种方式

import pandas as pd
import numpy as np

#创建方式一
a = pd.DataFrame(np.arange(4).reshape(2,2),index = list("ab"),columns = list("wx"))
print(a)

#    w  x
# a  0  1
# b  2  3

#创建方式二
temp = {"name":["大","小"],"年龄":[18,21],"tell":["10085","10010"]}
b = pd.DataFrame(temp)
print(b)

#   name  年龄   tell
# 0    大  18  10085
# 1    小  21  10010

2.DataFrame查询参数属性

import pandas as pd
import numpy as np

#查询DataFrame属性
temp = {"name":["大","小"],"年龄":[18,21],"tell":["10085","10010"]}
a = pd.DataFrame(temp)

                           ####查询基础属性####

#1.查询行列数
print(a.shape)

# (2, 3)

#2.查询数据类型
print(a.dtypes)

# name    object
# 年龄       int64
# tell    object
# dtype: object

#3.查询数据维度
print(a.ndim)

# 2

#4.查询行列索引标签
print(a.index)
print(a.columns)

# RangeIndex(start=0, stop=2, step=1)
# Index(['name', '年龄', 'tell'], dtype='object')

#5.查询数据值--返回列表
print(a.values)

# [['大' 18 '10085']
#  ['小' 21 '10010']]

                         ####整体概况属性####

#1.查询头几项数据/后几项数据
print(a.head(1))
print(a.tail(1))

#   name  年龄   tell
# 0    大  18  10085
#   name  年龄   tell
# 1    小  21  10010

#2.查询相关信息
print(a.info())

# <class 'pandas.core.frame.DataFrame'>
# RangeIndex: 2 entries, 0 to 1
# Data columns (total 3 columns):
#  #   Column  Non-Null Count  Dtype 
# ---  ------  --------------  ----- 
#  0   name    2 non-null      object
#  1   年龄      2 non-null      int64 
#  2   tell    2 non-null      object
# dtypes: int64(1), object(2)
# memory usage: 176.0+ bytes
# None

#3.查询数据统计结果--数值型的（一般也没啥用）
print(a.describe())

#              年龄
# count   2.00000
# mean   19.50000
# std     2.12132
# min    18.00000
# 25%    18.75000
# 50%    19.50000
# 75%    20.25000
# max    21.00000

3.DataFrame按某列排序

数据.sort_values（by = "排序键” ，ascending = False）升序设置为否

  • 同样可以按索引进行排序：数据.sort_index（axis=？, ascending = ?）不过用的不多，用的时候再查就行。
import pandas as pd
import numpy as np

#DataFrame数据排序
temp = {"name":["大","小","中"],"年龄":[30,5,17],"tell":["10085","10010","10000"]}
a = pd.DataFrame(temp)

b = a.sort_values(by = "年龄" , ascending = False)
print(b)

#   name  年龄   tell
# 0    大  30  10085
# 2    中  17  10000
# 1    小   5  10010

4.DataFrame数据获取与条件获取

4.1取行/列数据

import pandas as pd
import numpy as np

#DataFrame数据取行列数据
temp = {"name":["大","小","中"],"年龄":[30,5,17],"tell":["10085","10010","10000"]}
a = pd.DataFrame(temp)

#取前两行数据--直接用数字默认取行数据
print(a[:2])
#取下标2开始之后的数据
print(a[2:])

#   name  年龄   tell
# 0    大  30  10085
# 1    小   5  10010
#   name  年龄   tell
# 2    中  17  10000

#按标签取列数据--取单列
print(a["年龄"])

# 0    30
# 1     5
# 2    17

4.2 DataFrame根据 标签 位置 获取

  • data.loc 根据标签获取数据
import pandas as pd
import numpy as np

#DataFrame数据获取
temp = {"name":["大","小","中"],"年龄":[30,5,17],"tell":["10085","10010","10000"]}
a = pd.DataFrame(temp)

#   name  年龄   tell
# 0    大  30  10085
# 1    小   5  10010
# 2    中  17  10000

#1.获取单个行列标签数据
print(a.loc[0,"年龄"])

# 30

#2.获取多个行标签单个列标签数据
print(a.loc[[0,1],"年龄"])

# 0    30
# 1     5
# Name: 年龄, dtype: int64

#3.获取多个列数据
print(a.loc[1:,["年龄","tell"]])

#    年龄   tell
# 1   5  10010
# 2  17  10000

#4.获取多个行数据（切片）
print(a.loc[0:1,"name"])

# 0    大
# 1    小
  • data.iloc 根据位置下标获取数据
import pandas as pd
import numpy as np

#DataFrame数据获取
temp = {"name":["大","小","中"],"年龄":[30,5,17],"tell":["10085","10010","10000"]}
a = pd.DataFrame(temp)

#   name  年龄   tell
# 0    大  30  10085
# 1    小   5  10010
# 2    中  17  10000

#1.获取单个行列标签数据
print(a.iloc[0,2])

# 10085

# 2.获取多个行标签单个列标签数据
print(a.iloc[[0,1],1])

# 0    30
# 1     5
# Name: 年龄, dtype: int64

#3.获取多个列数据
print(a.iloc[1:,[1,2]])

#    年龄   tell
# 1   5  10010
# 2  17  10000

#4.获取多个行数据（切片）--与loc不同[0:1]不包含后面下标的数据
print(a.iloc[0:1,0])

# 0    大

4.3 DataFrame数据的布尔索引（多条件-不同条件之间用括号括起来）

  • &代表且 | 代表或
import pandas as pd
import numpy as np

#DataFrame数据获取
temp = {"name":["一个","这是三个","这是一个故事"],"年龄":[30,5,17],"num":[5,100,10000]}
a = pd.DataFrame(temp)

#      name  年龄    num
# 0      一个  30      5
# 1    这是三个   5    100
# 2  这是一个故事  17  10000

#获取满足  姓名长度大于3 且  num大于500 的数据
res = a[(a["name"].str.len() > 3) & (a["num"] > 500)]
print(res)

#      name  年龄    num
# 2  这是一个故事  17  10000

5.DataFrame数据 缺失值 处理

5.1判断数据是否有缺失

import pandas as pd
import numpy as np

#DataFrame数据获取
temp = {"name":["一","二","三"],"年龄":[10,None,17],"num":[5,None,10000]}
a = pd.DataFrame(temp)

#   name    年龄      num
# 0    一  10.0      5.0
# 1    二   NaN      NaN
# 2    三  17.0  10000.0

#判断是否为缺失值
print(pd.isnull(a))

#     name     年龄    num
# 0  False  False  False
# 1  False   True   True
# 2  False  False  False

#判断是否不为缺失值
print(pd.notnull(a))

#    name     年龄    num
# 0  True   True   True
# 1  True  False  False
# 2  True   True   True

#判断数据是否包含缺失值--并统计数量(自定义)
print(a.apply(lambda x:np.sum(x.isnull())))

# name    0
# 年龄      1
# num     1
# dtype: int64

5.2缺失数据处理方法

  • 一，删除NaN所在行数据
import pandas as pd
import numpy as np

#DataFrame数据获取
temp = {"name":["一","二","三"],"年龄":[10,None,17],"num":[5,None,10000]}
a = pd.DataFrame(temp)

#   name    年龄      num
# 0    一  10.0      5.0
# 1    二   NaN      NaN
# 2    三  17.0  10000.0

#删除有缺失的数据行
#how 参数 all代表全为NaN才删除，any为存在NaN就删除
#inplace 参数 代表是否对原表进行修改
print(a.dropna(axis = 0,how ="any",inplace = False))

#   name    年龄      num
# 0    一  10.0      5.0
# 2    三  17.0  10000.0
  • 二，填充缺失数据
import pandas as pd
import numpy as np

#DataFrame数据填充
temp = {"name":["一","二","三"],"年龄":[10,None,17],"num":[5,None,10000]}
a = pd.DataFrame(temp)

#   name    年龄      num
# 0    一  10.0      5.0
# 1    二   NaN      NaN
# 2    三  17.0  10000.0

##1.统计填充（数值型）
# print(a.fillna(a.mean()))#均值填充
# print(a.fillna(a.median()))#中位数填充

##2.定值填充
print(a.fillna(0))

#   name    年龄      num
# 0    一  10.0      5.0
# 1    二   0.0      0.0
# 2    三  17.0  10000.0

##3.前后向填充
print(a.fillna(method = "ffill"))#前项填充
print(a.fillna(method = "bfill"))#后项填充

#   name    年龄      num
# 0    一  10.0      5.0
# 1    二  10.0      5.0
# 2    三  17.0  10000.0
#   name    年龄      num
# 0    一  10.0      5.0
# 1    二  17.0  10000.0
# 2    三  17.0  10000.0

6.DataFrame数据 重复项 处理（键可设置多个）

  • 多个键操作演示：data_match = data_match.drop_duplicates([“entity”, “property”, “value”])
import pandas as pd
import numpy as np

#DataFrame数据重复项处理
temp = {"name":["一","二","三","二","三"],"年龄":[10,5,17,5,17],"num":[5,500,10000,700,8000]}
a = pd.DataFrame(temp)

#   name  年龄    num
# 0    一  10      5
# 1    二   5    500
# 2    三  17  10000
# 3    二   5    500
# 4    三  17  10000

##检查是否有重复项
print(any(a.duplicated()))

# True

#去除重复项
#第一个参数代表依据那个标签进行重复项删除
#第二各参数代表保留重复的第一个，还是最后一个，这里是最后一个。默认是第一个
print(a.drop_duplicates("name",keep = "last"))

#   name  年龄   num
# 0    一  10     5
# 3    二   5   700
# 4    三  17  8000

7.（应用）将某一索引值列变成列表形式输出

import pandas as pd
import numpy as np

#DataFrame数据取单列
temp = {"name":["一","二","三","二","三"],"年龄":[10,5,17,5,17],"num":[5,500,10000,700,8000]}
a = pd.DataFrame(temp)

#   name  年龄    num
# 0    一  10      5
# 1    二   5    500
# 2    三  17  10000
# 3    二   5    700
# 4    三  17   8000

#方法一
res1 = a["name"].tolist()
print(res1)

# ['一', '二', '三', '二', '三']

#方法二:加去重功能
res2 = a["name"].unique()
print(res2)

# ['一' '二' '三']

#方法三:一维变二维，然后展一维
res3 = a["name"].str.split(",").tolist()
print(res3)

# [['一'], ['二'], ['三'], ['二'], ['三']]

res4 = [i for j in res3 for i in j]
print(res4)

# ['一', '二', '三', '二', '三']

#方法四：集合转列表:同样有去重功能
res5 = list(set(a["name"]))
print(res5)

8.数据合并

import pandas as pd
import numpy as np

#DataFrame数据合并
temp1 = {"name":["一","二","三","四","五"],"年龄":[10,5,17,5,17],"num":[5,500,10000,700,8000]}
a = pd.DataFrame(temp1)

temp2 = {"name":["一","二","三","四","五"],"功能":["睡觉","逛街","喝酒","吃饭","打架"],"工资":[100,500,1000,1500,2000]}
b = pd.DataFrame(temp2)

temp3 = {"功能":["睡觉","逛街","喝酒","吃饭","打架"],"工资":[100,500,1000,1500,2000]}
c = pd.DataFrame(temp3)

temp4 = {"name":["一","二","三"],"功能":["睡觉","逛街","喝酒"],"工资":[100,500,1000]}
d = pd.DataFrame(temp4)

#   name  年龄    num
# 0    一  10      5
# 1    二   5    500
# 2    三  17  10000
# 3    四   5    700
# 4    五  17   8000

#   name  功能    工资
# 0    一  睡觉   100
# 1    二  逛街   500
# 2    三  喝酒  1000
# 3    四  吃饭  1500
# 4    五  打架  2000

#    功能    工资
# 0  睡觉   100
# 1  逛街   500
# 2  喝酒  1000
# 3  吃饭  1500
# 4  打架  2000

#   name  功能    工资
# 0    一  睡觉   100
# 1    二  逛街   500
# 2    三  喝酒  1000

###合并方法一:join:将行索引相同的数据合并在一起,列索引不能有相同
# print(a.join(c))#谁在括号里谁的数据就插在后面列

#   name  年龄    num  功能    工资
# 0    一  10      5  睡觉   100
# 1    二   5    500  逛街   500
# 2    三  17  10000  喝酒  1000
# 3    四   5    700  吃饭  1500
# 4    五  17   8000  打架  2000

###合并方法二：concat:不需要索引，但需要拼接时对应的行列数量相同，简单的拼接
#axis = 0 是行拼接，即垂直拼接
print(pd.concat([a,c],axis = 0))

#   name    年龄      num   功能      工资
# 0    一  10.0      5.0  NaN     NaN
# 1    二   5.0    500.0  NaN     NaN
# 2    三  17.0  10000.0  NaN     NaN
# 3    四   5.0    700.0  NaN     NaN
# 4    五  17.0   8000.0  NaN     NaN
# 0  NaN   NaN      NaN   睡觉   100.0
# 1  NaN   NaN      NaN   逛街   500.0
# 2  NaN   NaN      NaN   喝酒  1000.0
# 3  NaN   NaN      NaN   吃饭  1500.0
# 4  NaN   NaN      NaN   打架  2000.0

#axis = 1 是列拼接，即水平拼接
print(pd.concat([a,c],axis = 1))

#   name  年龄    num  功能    工资
# 0    一  10      5  睡觉   100
# 1    二   5    500  逛街   500
# 2    三  17  10000  喝酒  1000
# 3    四   5    700  吃饭  1500
# 4    五  17   8000  打架  2000


###合并方法三：merge：必须有公共的连接键,当存在但是不指定时会自动寻找相同的列后进行合并
#合并方式：
#inner(默认)：并集
#outer：交集,NaN补全(即空值用NaN补全)
#left：左连接,NaN补全
#right：右连接,NaN补全

res1 = pd.merge(a,b,on = "name")
print(res1)

#   name  年龄    num  功能    工资
# 0    一  10      5  睡觉   100
# 1    二   5    500  逛街   500
# 2    三  17  10000  喝酒  1000
# 3    四   5    700  吃饭  1500
# 4    五  17   8000  打架  2000

#右连接，就变成了以右边数量少的行为对应了
res2 = pd.merge(a,d,on = "name",how = "right")
print(res2)

#   name  年龄    num  功能    工资
# 0    一  10      5  睡觉   100
# 1    二   5    500  逛街   500
# 2    三  17  10000  喝酒  1000
宋建国
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python数据分析-pandas基础-1-常用类
weixin_44020827的博客
11-23 838
Series 基本数据结构，一维标签数组，能够保存任何数据类型 DataFrame 基本数据结构，一般为二维数组，是一组有序的列。 Index 索引对象，负责管理轴的相关内容 groupby 分组对象 Timestamp 时间戳对象，表示时间轴上的一个时刻。 Timedelta 时间差对象，用来计算两个时间点的差值。 一、Series 由一组数据以及一组与之对应的标签（索引）组成。Series可以视作Numpy中的ndarray。 1.创建
Pandas库基础知识
Junming_Lu的博客
02-19 965
Pandas库 Pandas是Python第三方库，提供高性能易用数据类型和分析工具 import pandas as pd Pandas基于NumPy实现，常于NumPy和Matplotlib一同使用 两个数据类型：Series, DataFrame，基于上述数据类型的各类操作，基本操作、运算操作、特征类操作、关联类操作 NumPy Pandas 基础数据类...
pandas 库 系列知识点
spire_di
08-10 392
在数据分析工作中，Pandas 的使用频率是很高的，一方面是因为 Pandas 提供的基础数据结构 DataFrame 与 json 的契合度很高，转换起来就很方便。另一方面，如果我们日常的数据清理工作不是很复杂的话，你通常用几句 Pandas 代码就可以对数据进行规整。 pandas中有Series 和 DataFrame 这两个核心数据结构，他们分别代表着一维的序列和二维的表结构。基于这两种数据结构，Pandas 可以对数据进行导入、清洗、处理、统计和输出。 数据结构：Series 和 DataFram
Python数据分析——Pandas数据结构和操作
weixin_34241036的博客
09-27 157
2019独角兽企业重金招聘Python工程师标准>>> ...
pandas的Timestamp只保留日期不显示时间
piggy0306的博客
04-22 3670
pandas的Timestamp只保留日期不显示时间Timestamp.date() Timestamp.date() 拿到DataFrame中的一个时间戳后，加一个**.date()**即可 for time in enumerate(divide['认购日']): print(time.date(), type(time)) # print(datetime(time).date(), type(time)) if i > 20: break for ti
python Pandas库基础分析之时间序列的处理详解
09-19
本文将深入探讨Pandas库在时间序列处理方面的基础知识，包括生成日期序列、时间序列的索引操作以及时间序列的对齐和重采样。 首先，生成日期序列是分析时间序列数据的基础。Pandas提供了`pd.date_range()`和`pd....
python pandas 对时间序列文件处理的实例
09-20
总结来说，Python的Pandas库为时间序列数据处理提供了强大支持，包括数据读取、切片、筛选、格式转换、时间索引设置、重采样、聚合和缺失值处理等功能，这些功能使得在实际数据分析项目中能高效地处理和分析时间序列...
Python库 | pandas-1.0.1.tar.gz
03-07
**Python库pandas详解** `pandas`是Python编程语言中的一个强大且广泛使用的数据分析工具，主要用于数据清洗、处理和分析。它为Python提供了一种高效的数据结构——DataFrame，能够处理表格化的数据，并且拥有丰富...
Python+Pandas+爬虫+机器学习
最新发布
06-11
Pandas在数据分析中的应用广泛，包括但不限于数据预处理、缺失值处理、数据可视化、时间序列分析等。例如，通过使用`read_csv()`函数，我们可以轻松地导入CSV文件，然后通过`dropna()`去除缺失值，用`groupby()`进行...
Python3.7Pandas离线包
07-13
5. **时间序列分析**：Pandas内置了对日期和时间数据的良好支持，可以方便地进行日期操作、时间窗口计算等。 6. **数据导入导出**：read_csv()、read_excel()等函数可以从多种文件格式读取数据，to_csv()、to_excel...
哪个是更早的时间 date_Pandas数据处理——玩转时间序列数据
weixin_39753616的博客
11-07 282
进行金融数据分析或量化研究时，总避免不了时间序列数据的处理，时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列。常见的时间序列数据有一天内随着时间变化的温度序列，又或者交易时间内不断波动的股票价格序列。Pandas也因其强大的时序处理能力而被广泛应用于金融数据分析，这篇文章为大家介绍一下Pandas中的时间序列处理，所使用的数据是上证指数2019年的行情数据。时间相关的数据类型Pandas...
datetime判断日期不要时间_pandas日期字段处理日期和字符串之间转化，日期提取与计算...
weixin_39817176的博客
11-26 639
在做数据处理的过程，包括数据过滤、数据汇总计算等都会经常用到pandas从日期属性中提取年月日。pandas做数据处理分析也不例外。一、获取数据import numpy as npimport pandas as pdimport pymysqlimport warningswarnings.filterwarnings("ignore")#查看某个函数、方法的详细使用。如输入pd.re...
python落地成文件不需要序列
Carl_wang3333333的博客
12-16 336
#!/usr/bin/python3 # -*- coding: utf-8 -*- import os date1 = datetime.datetime.now().isoformat() date2 = ((datetime.datetime.now()-datetime.timedelta(minutes=1)).strftime("%Y-%m-%dT%H:%M:%S")) def...
Pandas数据应用
m0_67196331的博客
03-06 806
1.Pandas的Series类对象创建： 2.获取索引： 3：获取数据：
python数据分析基础—pandas库
打捞月色
05-06 522
pandas是python优秀的第三方库，提供高性能的数据类型和分析工具。pandas基于numpy实现，常与numpy与matplotlib库一起使用。 import pandas as pd 总的来说pandas有两个基本的数据类型：Series和DataFrame 争对这两个数据类型提供了以下这些操作：基本操作、特征类操作、运算类操作、关联分析类操作 pandas 的series类型 S...
机器学习Pandas 库
heart_6662的博客
05-01 1494
目录 💥个人简介 💖 作者简介：⭐️heart_6662，还在学习（卷）当中，欢迎交流指正~😜 📝 个人主页heart的博客🔥 📧如果文章知识点有错误的地方，请指正留言📝！和大家一起学习，一起进步 📣 系列专栏：机器学习🍁 💬格言：人生舞台的大幕随时都可能拉开，关键是你愿意表演，还是选择躲避🔥 🧡如果感觉博主的文章还不错的话，请👍三连支持一下博主💌哦 一、Pandas库 二、Pandas库数据结构——Series, DataFrame 1.Series——索引 index，值 values 2.
pandas学习(一、Series对象)
jziwjxjd的博客
05-23 817
Series对象的创建\color{red}Series对象的创建Series对象的创建 series类型是注重索引和值的一种类型series类型是注重索引和值的一种类型series类型是注重索引和值的一种类型 使用Series来创建一个基本series类型使用Series来创建一个基本series类型使用Series来创建一个基本series类型 import pandas as pd a=pd.Series([9,8,7,6]) 打印出来可以看到 左边的0，1，2，3是索引,右边是值 也可以使用in
Pandas基础入门知识点总结
Xx_Studying的博客
10-21 1421
pandas 自学笔记
pd.DataFrame()函数解析（最清晰的解释）
热门推荐
种树最好的时间是10年前，其次是现在！！！
06-26 12万+
DataFrame是Python中Pandas库中的一种数据结构，它类似excel，是一种二维表。 文章目录==DataFrame是Python中Pandas库中的一种数据结构，它类似excel，是一种二维表。==0 简介1 创建DataFrame1.1 使用numpy函数创建1.2 直接创建1.3 使用字典创建2 DataFrame属性2.1 查看列的数据类型2.2 查看DataFrame的头尾...
python中pandas库常用函数
04-06
常用的函数包括读取和写入各种格式的数据、处理缺失数据、合并和重塑数据集、分组聚合、时间序列处理等。Pandas是Python中数据科学领域中最强大的工具之一，支持的数据结构以及丰富的方法使得它成为建模、可视化和...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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