-
简单说说
-
总结分享
-
> 1 统计一行/一列数据的负数出现的次数
-
> 2 让dataframe里面的正数全部变为0
-
> 3 统计某列中各元素出现次数
-
> 4 修改表头和索引
-
> 5 修改列所在位置insert+pop
-
> 6 常用查询方法query
-
> 7 数据存储时不要索引
-
> 8 按指定列排序sort_values
-
> 9 apply 函数运用
-
> 10 Pandas数据合并
-
> 11 Pandas Dataframe拷贝
-
> 12 对于列/行的操作
简单说说
Panda是一个快速、强大、灵活且易于使用的开源数据分析和操作工具,在Python环境下,我们可以通过pip直接进行安装。
pip install pandas
在Python代码中使用pandas首先需要导入,:
import pandas as pd
创建一个示例数据:
# 统计一行/一列数据的负数出现的次数 df = pd.DataFrame( {'a':[1,-3,0,1,3], 'b':[-1,0,1,5,1], 'c':[0,-2,0,-9,0]}) df
总结分享
> 1 统计一行/一列数据的负数出现的次数
# 获取到每一行的复数个数 # 要获取列的话,将axis改成0即可 num_list = (df < 0).astype(int).sum(axis=1) num_list
> 2 让dataframe里面的正数全部变为0
# 直接了当 df[df>0] = 0 df
> 3 统计某列中各元素出现次数
- 默认情况,直接统计出指定列各元素值出现的次数。
# 默认情况,统计b列各元素出现次数 df['b'].value_counts()
- 最好奇的bins参数,按bins分割区间,统计落在各区间内元素个数
# 按指定区间个数bin,元素起始值分割区间,统计表格中落在各区间内元素个数 df['b'].value_counts(bins=3)
- normalize参数,计算各元素出现次数占比
# normalize参数 出现次数/总数据个数 df['b'].value_counts(normalize=True)
还有sort和ascending,可以按指定方式对统计结果进行排序。
> 4 修改表头和索引
- 修改表头名称
# 修改表头名称 columns = {'a': 'A', 'b': 'B'} df.rename(columns=columns, inplace=True) df
- 设置特殊索引
# 设置特殊索引 df.index = ['a', 'b', 'c', 'd', 'e'] df
- 删除索引
# 删除索引 df.reset_index(drop=True, inplace=True) df
> 5 修改列所在位置insert+pop
insert在指定位置插入某列值;pop按列名取出某列(同时会删掉该列)。
# 将A列移到最后 # 新增列位置,新增列名,新增列的数值 df.insert(2,'A',df.pop('A')) df
> 6 常用查询方法query
- 直接查询
# 找出c所有c值小于0的行 df.query("c<0")
- query+contains模糊查询
# 插入一列 df.insert(0,'name',['张三', '张华', '李四', '王五', '李逵']) # 查找名字里包含三、四、五的用户数据 df.query("name.str.contains('三|四|五')", engine='python')
> 7 数据存储时不要索引
设置index为None即可。
df.to_csv('测试数据.csv', encoding='utf-8-sig', index=None)
> 8 按指定列排序sort_values
sort_values函数,通过by参数可以指定按哪些列进行排序,还可以设置ascending指定排序方式(升序或者降序,默认降序)
# by 指定排序列 na_position nan值放的位置 开头还是尾部 df.sort_values(by=['name'],na_position='first')
> 9 apply 函数运用
# A B 两列都每个元素值都+1 df[['A', 'B']].apply(lambda x:x+1)
其他更高级应用,可以查看之前分享的文章Pandas数据分析,你不能不知道的技能
DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)
> 10 Pandas数据合并
进行数据合并前,首先需要确定合并的数据的表头都是一致的,然后将他们依次加入一个列表,最终使用concat函数即可进行数据合并。
# 现将表构成list,然后再作为concat的输入 df1 = df[0:1] df2 = df[2:4] df3 = df[3:5] frames = [df1, df2, df3] df4 = pd.concat(frames) df4
> 11 Pandas Dataframe拷贝
- 深拷贝,df1改变,df不会变
# 深拷贝,df1改变,df不会变 df1 = df.copy(deep=True) print(f"df\n{df}\ndf1\n{df1}")
- 将原数据df的name列的第一个元素改为
zs
,会发现,df改动,不会影响df1。
df['name'][0] = 'zs' print(f"df\n{df}\ndf1\n{df1}")
- 浅拷贝,df2改变,df也会变 等同df2 = df
# 浅拷贝,df2改变,df也会变 等同df2 = df df2 = df.copy(deep=False) print(f"df\n{df}\ndf2\n{df2}")
- 将原数据df的name列的第一个元素改为
张三
,会发现,df改动,df2也会一起改动。
df['name'][0] = '张三' print(f"df\n{df}\ndf2\n{df2}")
关于深浅拷贝相关介绍和应用,大家可以查看之前的分享别再弄不清Python 深拷贝和浅拷贝了!
> 12 对于列/行的操作
- 删除指定行/列
# 行索引/列索引 多行/多列可以用列表 # axis=0表示行 axis=1表示列 inplace是否在原列表操作 # 删除df中的c列 df.drop('c', axis=1, inplace=True) df
- 取出指定列/行
# 不知道列名,取出表格最后两列 df3 = df.iloc[:, -2:] # 知道列名,取出name和A两列 df4 = df.loc[:, ['name', 'A']] print(f"df3\n{df3}\ndf4\n{df4}")
# 重新设置下索引 df.index = ['a1', 'a2', 'a3', 'a4', 'a5'] # 不知道行索引,取出表格前两行 df5 = df.iloc[:2, :] # 知道行索引,取出a1和a3两行 df6 = df.loc[['a1', 'a3'], :] print(f"df5\n{df5}\ndf6\n{df6}")
- 交换两列指定值
# 将B列中小于0的元素和A列交换 # 筛选出B列中小于0的行 flag = df['B'].astype(int).map(lambda x: x<0) # 通过布尔提取交换两列数据 df.loc[flag, 'B'], df.loc[flag, 'A'] = df.loc[flag, 'A'], df.loc[flag, 'B'] df
好啦,今天的分享就到这里啦,下会有新的积累,再分享给大家,也欢迎大家留言区留言说说你平时pandas用的比较多的操作呀~互相学习,才能一起进步,更快的进步。
以上就是“最近写项目常用Pandas技巧”的全部内容,希望对你有所帮助。
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、Python必备开发工具
三、Python视频合集
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、Python练习题
检查学习结果。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
最后祝大家天天进步!!
上面这份完整版的Python全套学习资料已经上传至CSDN官方,朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。