Pandas中的方法及使用示例

已于 2022-09-24 17:45:11 修改
阅读量261 收藏
点赞数
分类专栏： Python学习笔记 文章标签： pandas python 数据分析
于 2022-07-28 03:53:18 首次发布
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/m0_53022813/article/details/126025102
版权

请添加图片描述

前言

系列文章目录
[Python]目录
视频及资料和课件
链接：https://pan.baidu.com/s/1LCv_qyWslwB-MYw56fjbDg?pwd=1234
提取码：1234

文章目录

引入包

import pandas as pd

1. Series() – 创建 Series 对象

【Pandas中Series的属性、方法、常用操作以及使用示例】

2. DataFrame() – 创建 DataFrame 对象

【Pandas中DataFrame的属性、方法、常用操作以及使用示例】

3. read_csv() – 读取 csv 文件

filepath_or_buffer – csv 文件对应的路径

使用 filepath_or_buffer 指定需要打开的 csv 文件的路径。

data = pd.read_csv('./数据文件/距离最小的三个点.csv')
print(data)

在这里插入图片描述

sep – 指定分隔符

csv 文件默认的分隔符为 ,，可以使用 sep 指定数据之间的分隔符

csv文件中的数据：

distance1#distance2#distance3#dot1#dot2#dot3
14.3#14.567#21.508#1.0,11#0,2.0
10.568#34.101#37.41#1.0#11.0#10.0

第二行中2.0前的逗号没有进行修改

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data

在这里插入图片描述

header – 指定第几行为列名

使用 header 指定 csv 文件中的第几行数据作为表的列名。默认 header = 0，即表的第一行为列名；header = None 表示不指定表中的数据为列名，用于数据中不存在列名的情况。

data = pd.read_csv(
  './数据文件/距离最小的三个点.csv', 
  sep='#'
)
print(data)

在这里插入图片描述

data = pd.read_csv(
	'./数据文件/距离最小的三个点.csv',
	sep='#', 
	header=0
)
print(data)

在这里插入图片描述

csv文件中的数据：

distance1#distance2#distance3#dot1#dot2#dot3
14.3#14.567#21.508#1.0,11#0#2.0
10.568#34.101#37.41#1.0#11.0#10.0
10.568#34.101#37.41#1.0#11.0#10.0
10.568#34.101#37.41#1.0#11.0#10.0
10.568#34.101#37.41#1.0#11.0#10.0

data = pd.read_csv(
  './数据文件/距离最小的三个点.csv', 
  sep='#',
  header=2
)
print(data)

被指定为列名的行以前的数据都不会出现在数据表中。

在这里插入图片描述

data = pd.read_csv(
  './数据文件/距离最小的三个点.csv', 
  sep='#',
  header=None
)
print(data)

header=None，如果不指定列名，会自动默认分配一个 0 ~ (n-1) 的数字索引为列名。

在这里插入图片描述

names – 指定列名

使用 names 可以自己指定列名，需要保证自己指定的列名不能存在重复。

data = pd.read_csv(
  './数据文件/距离最小的三个点.csv', 
  sep='#',
  header=None,
  names=['a','b','c','d','e','f']
)
print(data)

在这里插入图片描述

注意：
如果自己指定了列名，会覆盖原有的列名。

data = pd.read_csv(
  './数据文件/距离最小的三个点.csv', 
  sep='#',
  header=0,
  names=['a','b','c','d','e','f']
)
print(data)

在这里插入图片描述

4. read_excel() – 读取 excel 文件

filepath – excel 文件对应的路径

使用 filepath 指定需要打开的 excel 文件的路径。

data = pd.read_excel('./数据文件/信表节点的坐标.xlsx')
print(data)

在这里插入图片描述

header – 指定第几行为列名

使用 header 指定 excel 文件中的第几行数据作为表的列名。默认 header = 0，即表的第一行为列名；header = None 表示不指定表中的数据为列名，用于数据中不存在列名的情况。

data = pd.read_excel('./数据文件/信表节点的坐标.xlsx')
print(data)

在这里插入图片描述

data = pd.read_excel(
  './数据文件/信表节点的坐标.xlsx',
  header = 0
)
print(data)

在这里插入图片描述

data = pd.read_excel(
  './数据文件/信表节点的坐标.xlsx',
  header = 2
)
print(data)

被指定为列名的行以前的数据都不会出现在数据表中。

在这里插入图片描述

data = pd.read_excel(
  './数据文件/信表节点的坐标.xlsx',
  header = None
)
print(data)

header=None，如果不指定列名，会自动默认分配一个 0 ~ (n-1) 的数字索引为列名。

在这里插入图片描述

names – 指定列名

使用 names 可以自己指定列名，需要保证自己指定的列名不能存在重复。

data = pd.read_excel(
  './数据文件/信表节点的坐标.xlsx',
  header = None,
  names = ['a', 'b', 'c']
)
print(data)

在这里插入图片描述

注意：
如果自己指定了列名，会覆盖原有的列名。

data = pd.read_excel(
  './数据文件/信表节点的坐标.xlsx',
  header = 0,
  names = ['a', 'b', 'c']
)
print(data)

在这里插入图片描述

5. to_csv() – 导出数据到 csv 格式的文件中

to_csv() 将 DataFrame 对象中的数据导出数据到 csv 格式的文件中。

path_ro_buf – 导出到的文件的路径

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data)
data.to_csv('./数据文件/data1.csv')

在这里插入图片描述
在这里插入图片描述

sep – 指定分隔符

csv 文件的数据分隔符默认为 ,，可以使用 sep 进行修改。

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data)
data.to_csv(
  './数据文件/data1.csv', 
  sep='#'
)

在这里插入图片描述

header – 是否保留列名

默认取值为 True，即保留列名。

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data)
data.to_csv(
  './数据文件/data1.csv', 
  sep='#',
  header = False
)

在这里插入图片描述

index – 是否保留行索引

默认取值为 True，即保留行索引。

在这里插入图片描述

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data)
data.to_csv(
  './数据文件/data1.csv', 
  sep='#',
  header = False,
  index=False
)

在这里插入图片描述

6. to_excel() – 导出数据到 excel 格式的文件中

to_excel() 将 DataFrame 对象中的数据导出数据到 excel 格式的文件中。

excel_writer – 导出到的文件的路径

使用 excel_writer 指定导出到的文件的路径。

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data)
data.to_excel('./数据文件/data2.xlsx')

在这里插入图片描述
在这里插入图片描述

sheet_name – 指定表名

使用 sheet_name 指定 excel 表格的表名。

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data)
data.to_excel(
  './数据文件/data2.xlsx',
  sheet_name='data2'
)

在这里插入图片描述

header – 是否保留列名

默认取值为 True，即保留列名。

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data)
data.to_excel(
  './数据文件/data2.xlsx',
  sheet_name='data2',
  header=False
)

在这里插入图片描述

index – 是否保留行索引

默认取值为 True，即保留行索引。

data = pd.read_csv('./数据文件/距离最小的三个点.csv', sep='#')
print(data)
data.to_excel(
  './数据文件/data2.xlsx',
  sheet_name='data2',
  header=False,
  index=False
)

在这里插入图片描述

7. merge() – 表格的连接

left、right – 指定左表右表

l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([4, 3, 6], index=['a', 'b', 'e']),
  pd.Series([4, 2, 6], index=['a', 'b', 'e'])
]
df2 = pd.DataFrame(l2)
print(pd.merge(df1, df2))

两个表中都 b 列，根据 b 列进行内连接。连接后重复列保留一个

在这里插入图片描述

how – 连接方式

使用 how 指定连接方式。

  • left：左连接
  • right：右连接
  • outer：外连接
  • inner：内连接(默认)
l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([4, 3, 6], index=['a', 'b', 'e']),
  pd.Series([4, 2, 6], index=['a', 'b', 'e'])
]
df2 = pd.DataFrame(l2)
print(pd.merge(df1, df2, how='outer'))

在这里插入图片描述

on – 指定连接依据的列名

两个表连接时，依据的列的列名相同时，使用 on 指定连接所依据的列名。

l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([4, 3, 6], index=['a', 'b', 'e']),
  pd.Series([4, 2, 6], index=['a', 'b', 'e'])
]
df2 = pd.DataFrame(l2)
print(pd.merge(df1, df2, how='outer', on='b'))

在这里插入图片描述

left_on、right_on – 左右表连接时各自依据的列名

  • left_on：连接时，左表所依据的列的列名
  • right_on：连接时，右表所依据的列的列名
l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([1, 3, 6], index=['a', 'b', 'e']),
  pd.Series([1, 2, 6], index=['a', 'b', 'e'])
]
df2 = pd.DataFrame(l2)
print(
  pd.merge(
    df1, 
    df2, 
    how='outer', 
    left_on='f', 
    right_on='a'
  )
)

在这里插入图片描述

suffixes – 为左右表中重复列名定义后缀

使用 suffixes 为左右表中重复列名定义后缀，使得连接两个表后可以区分相同列名的列来自左表还是右表。

l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([1, 3, 6], index=['a', 'b', 'e']),
  pd.Series([1, 2, 6], index=['a', 'b', 'e'])
]
df2 = pd.DataFrame(l2)
print(
  pd.merge(
    df1, 
    df2, 
    how='outer', 
    left_on='f', 
    right_on='a',
    suffixes=('1', '2')
  )
)

在这里插入图片描述

8. concat() – 表格的拼接

concat() 一般用于表格的纵向拼接。

axis – 拼接的方向

  • axis = 0：纵向拼接表（默认）
l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([1, 3, 6], index=['a', 'b', 'e']),
  pd.Series([1, 2, 6], index=['a', 'b', 'e'])
]
df2 = pd.DataFrame(l2)
print(
  pd.concat([df1, df2])
)

列索引不一致

在这里插入图片描述

l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([1, 3, 6], index=['f', 'b', 'c']),
  pd.Series([1, 2, 6], index=['f', 'b', 'c'])
]
df2 = pd.DataFrame(l2)
print(
  pd.concat([df1, df2])
)

在这里插入图片描述

  • axis = 1：横向拼接表
l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([1, 3, 6], index=['f', 'b', 'c']),
  pd.Series([1, 2, 6], index=['f', 'b', 'c'])
]
df2 = pd.DataFrame(l2)
print(
  pd.concat([df1, df2], axis=1)
)

在这里插入图片描述

l1 = [
  pd.Series([1, 2, 3], index=['f', 'b', 'c']),
  pd.Series([1, 2, 3], index=['f', 'b', 'c'])
]
df1 = pd.DataFrame(l1)
l2 = [
  pd.Series([1, 3, 6], index=['f', 'b', 'c']),
  pd.Series([1, 2, 6], index=['f', 'b', 'c'])
]
df2 = pd.DataFrame(l2)
df2.index = [2,3]
print(
  pd.concat([df1, df2], axis=1)
)

行索引不一致

在这里插入图片描述

9. get_dummies() – 对离散数据进行独热编码

对表中的取值为离散数据的列进行独热编码，将离散类型的信息转化为使用独热编码进行表示的形式。

data – 需要进行处理的表

l1 = [
  pd.Series(['a', 12], index=['f', 'g']),
  pd.Series(['b', 11], index=['f', 'g']),
  pd.Series(['a', 12], index=['f', 'g'])
]
df1 = pd.DataFrame(l1)
print(
  pd.get_dummies(df1)
)

f 列中的数据为离散型的数据，可以使用 get_dummies() 对该列进行独热编码。

在这里插入图片描述

prefix – 设置列名的前缀

使用 prefix 设置进行独热编码的列的列名的前缀，默认值为 None

l1 = [
  pd.Series(['a', 12], index=['f', 'g']),
  pd.Series(['b', 11], index=['f', 'g']),
  pd.Series(['a', 12], index=['f', 'g'])
]
df1 = pd.DataFrame(l1)
print(
  pd.get_dummies(df1, prefix='hello_')
)

在这里插入图片描述

小炜1128
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python 的pandas库的使用示例
zhangzhechun的专栏
02-19 347
这些示例只是Pandas提供的功能的一小部分。Pandas还有许多其他有用的方法和功能，可以帮助您处理和分析数据。
pandas方法大全
rankiy的博客
10-19 791
数据帧构造函数转换索引，迭代二元运算功能函数应用程序，GroupBy和窗口计算/描述统计重新索引/选择/标签操作丢失的数据处理重塑，排序，转置结合/加盟/合并与时间序列有关的稀疏访问器 构造函数 DataFrame（[数据，索引，列，dtype，副本]） 具有标注轴（行和列）的二维大小可变的，可能是异构的表格数据结构。 属性和底层数据 轴数 DataFrame.index DataFrame的索引...
Pandas的常用方法
weixin_33884611的博客
12-15 175
Pandas是一个Python软件包，提供快速，灵活和富有表现力的数据结构，旨在使“关系”或“标记”数据的工作变得简单直观。它旨在成为在Python中进行实际的，真实世界的数据分析的基本高级构件。另外，它具有更广泛的目标，即成为任何语言中最强大，最灵活的开源数据分析/操作工具。它已经很好地走向了这个目标。 pandas非常适合许多不同类型的数据： 具有异构类型列的表格数据，如在SQ...
pandas常用的方法大全
weixin_43550933的博客
07-09 125
用法及解释如下所示 import pandas as pd from pymongo import MongoClient import numpy as np #读取csv文件 # h=pd.read_csv("C:/Users/lenovo/Desktop/en.csv") # print(h) #pands读取mongodb client=MongoClient() collection=client["user"]["user"] data=collection.find({},{"age":1
pandas的常用方法整理
shanzhonglujie的博客
08-02 4548
pandas是建立在Numpy基础上的高效数据分析处理库，是Python的重要数据分析库。pandas提供了众多的高级函数，极大地简化了数据处理的流程，尤其是被广泛地应用于金融领域的数据分析。 pandas主要特点包括： 带有标签的数据结构，Pandas库围绕Series类型和DataFrame类型这两种数据结构。 允许简单索引和多级索引。 整合了对数据集的集合和转换功能。 ...
pandas中size方法_Pandas基本属性和方法
weixin_35763448的博客
12-30 5183
Series基本功能：axes 返回行轴标签列表。dtype 返回对象的数据类型(dtype)。empty 如果系列为空，则返回True。ndim 返回底层数据的维数，默认定义：1。size 返回基础数据中的元素数。values 将系列作为ndarray返回。head() 返回前n行。tail() 返回最后n行。DataFrame基本功能T 转置行和列。axes 返回一个列，行轴标签和列轴标签作为...
Pandas读取CSV文件示例及常用方法
m0_61981943的博客
05-10 539
pandas简单读取数据的方法
Python中pandas模块DataFrame创建方法示例
09-20
主要介绍了Python中pandas模块DataFrame创建方法,结合实例形式分析了DataFrame的功能,以及pandas模块基于列表、字段与数组创建DataFrame的相关操作技巧,需要的朋友可以参考下
Pandas读写CSV文件的方法示例
12-26
使用pandas读取 import pandas as pd import csv if name == '__main__': # header=0——表示csv文件的第一行默认为dataframe数据的行名称, # index_col=0——表示使用第0列作为dataframe的行索引, # squeeze=True...
Python pandas自定义函数的使用方法示例
09-18
主要介绍了Python pandas自定义函数的使用方法,结合实例形式分析了pandas模块相关自定义函数数值运算操作技巧,需要的朋友可以参考下
Pandas中resample方法详解
09-19
主要介绍了Pandas中resample方法详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
如何mysql数据导入到mongdb
codemami的博客
05-30 1336
由于MySQL和MongoDB的数据模型不同（例如，MySQL使用关系模型，而MongoDB使用文档模型），你可能需要转换数据的格式。使用MongoDB驱动程序：你也可以使用MongoDB的官方驱动程序（如Python的pymongo）来编写脚本，将数据直接插入到MongoDB中。注意：如果你的JSON文件包含多个文档，并且它们不是作为数组的一部分（即每个文档都在其自己的行上），则需要使用--jsonArray选项。手动转换：对于小型数据集，你可以手动编辑SQL或CSV文件，将其转换为JSON格式。
基于NANO 9K 开发板加载PICORV32软核，并建立交叉编译环境
pocean2012的博客
05-30 1100
ISP的实现逻辑是出厂“芯片”（我们这里是软核）自带了BootLoader程序，即出厂引导程序，通过BootLoader可以将程序从串口（上位机）下载到Flash中，实际的时序是通过RST来区分正常启动还是烧录状态，然后上位机的烧录脚本来控制串口时序， 用户程序实际上是通过串口最终下载到了FLASH中，然后程序从flash启动。NANO 9K低成本体验FPGA开发，还是挺香的，官方例子有加载PICORV32软核的例子，可以建立简单的ISP编程环境，通过串口就可以加载程序，很方便。
Python自动化脚本：文件分类
svygh123的专栏
06-01 323
要使用Python根据文件类型进行分类，可以遍历指定目录下的所有文件，检查每个文件的扩展名，然后根据扩展名将文件移动到对应的文件夹中。
Python热重载调试新利器
最新发布
weixin_53707653的博客
06-03 240
Reloading是一个Python工具库，它让我们可以在每次迭代之前从源代码中重新加载（或函数）而不丢失任何当前已执行过程。该工具对于在深度学习模型训练期间编辑源代码尤其好用，它让我们可以添加日志记录、打印统计数据或保存模型，而无需重新启动训练。
ModuleNotFoundError: No module named '_ctypes' when Python3
牛奔的博客
05-28 428
前言 运行 python 报错：ModuleNotFoundError: No module named '_ctypes' when using Value from module multiprocessing 这个错误是由于缺少 Python 的 ctypes 模块导致的。ctypes 模块是 Python 标准库的一部分,但在某些 Linux 发行版上可能需要单独安装。 解决 如果使用 ...
爬虫面试手册
u010926168的博客
05-24 1951
爬虫岗位要求和常见面试题
ModuleNotFoundError: No module named '_sqlite3' when Python3
牛奔的博客
05-28 484
前言 运行 python 报错：ModuleNotFoundError: No module named '_sqlite3' 解决 重新编译安装 python ./configure --enable-loadable-sqlite-extensions make make install
pandas中applymap方法如何使用
05-15
pandas中applymap方法可以对DataFrame中的每个元素都应用一个函数。 使用方法如下： ```python df.applymap(func) ``` 其中，df是一个DataFrame，func是一个函数，该函数接受一个参数，即DataFrame中的每个元素，...

“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