网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
三、数据索引
| 序号 | 方法 | 说明 |
| :-: | :-- | :-- |
| 1 | .values | 将DataFrame转换为ndarray二维数组 |
| 2 | .append(idx) | 连接另一个Index对象,产生新的Index对象 |
| 3 | .insert(loc,e) | 在loc位置增加一个元素 |
| 4 | .delete(loc) | 删除loc位置处的元素 |
| 5 | .union(idx) | 计算并集 |
| 6 | .intersection(idx) | 计算交集 |
| 7 | .diff(idx) | 计算差集,产生新的Index对象 |
| 8 | .reindex(index, columns ,fill_value, method, limit, copy ) | 改变、重排Series和DataFrame索引,会创建一个新对象,如果某个索引值当前不存在,就引入缺失值。 |
| 9 | .drop() | 删除Series和DataFrame指定行或列索引。 |
| 10 | .loc[行标签,列标签] | 通过标签查询指定的数据,第一个值为行标签,第二值为列标签。 |
| 11 | df.iloc[行位置,列位置] | 通过默认生成的数字索引查询指定的数据。 |
举例:按索引提取单行的数值
df_inner.loc[3]
四、DataFrame选取和重新组合数据的方法
| 序号 | 方法 | 说明 |
| :-: | — | — |
| 1 | df[val] | 从DataFrame选取单列或一组列;在特殊情况下比较便利:布尔型数组(过滤行)、切片(行切片)、或布尔型DataFrame(根据条件设置值) |
| 2 | df.loc[val] | 通过标签,选取DataFrame的单个行或一组行 |
| 3 | df.loc[:,val] | 通过标签,选取单列或列子集 |
| 4 | df.1oc[val1,val2] | 通过标签,同时选取行和列 |
| 5 | df.iloc[where] | 通过整数位置,从DataFrame选取单个行或行子集 |
| 6 | df.iloc[:,where] | 通过整数位置,从DataFrame选取单个列或列子集 |
| 7 | df.iloc[where_i,where_j] | 通过整数位置,同时选取行和列 |
| 8 | df.at[1abel_i,1abel_j] | 通过行和列标签,选取单一的标量 |
| 9 | df.iat[i,j] | 通过行和列的位置(整数),选取单一的标量 |
| 10 | reindex | 通过标签选取行或列 |
| 11 | get_value | 通过行和列标签选取单一值 |
| 12 | set_value | 通过行和列标签选取单一值 |
举例:使用iloc按位置区域提取数据
df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称,而是数据所在的位置,从0开始,前三行,前两列。
五、排序
| 序号 | 函数 | 说明 |
| :-: | — | — |
| 1 | .sort_index(axis=0, ascending=True) | 根据指定轴索引的值进行排序 |
| 2 | Series.sort_values(axis=0, ascending=True) | 只能根据0轴的值排序。 |
| 3 | DataFrame.sort_values(by, axis=0, ascending=True) | 参数by为axis轴上的某个索引或索引列表。 |
举例:按照索引列排序
df_inner.sort_index()
六、相关分析和统计分析
| 序号 | 方法 | 说明 |
| :-: | — | — |
| 1 | .idxmin() | 计算数据最小值所在位置的索引(自定义索引) |
| 2 | .idxmax() | 计算数据最大值所在位置的索引(自定义索引) |
| 3 | .argmin() | 计算数据最小值所在位置的索引位置(自动索引) |
| 4 | .argmax() | 计算数据最大值所在位置的索引位置(自动索引) |
| 5 | .describe() | 针对各列的多个统计汇总,用统计学指标快速描述数据的概要 |
| 6 | .sum() | 计算各列数据的和 |
| 7 | .count() | 非NaN值的数量 |
| 8 | .mean( ) | 计算数据的算术平均值 |
| 9 | .median() | 计算算术中位数 |
| 10 | .var() | 计算数据的方差 |
| 11 | .std() | 计算数据的标准差 |
| 12 | .corr() | 计算相关系数矩阵 |
| 13 | .cov() | 计算协方差矩阵 |
| 14 | .corrwith() | 利用DataFrame的corrwith方法,可以计算其列或行跟另一个Series或DataFrame之间的相关系数。 |
| 15 | .min() | 计算数据的最小值 |
| 16 | .max() | 计算数据的最大值 |
| 17 | .diff() | 计算一阶差分,对时间序列很有效 |
| 18 | .mode() | 计算众数,返回频数最高的那(几)个 |
| 19 | .mean() | 计算均值 |
| 20 | .quantile() | 计算分位数(0到1) |
| 21 | .isin() | 用于判断矢量化集合的成员资格,可用于过滤Series中或DataFrame列中数据的子集 |
| 22 | .unique() | 返回一个Series中的唯一值组成的数组。 |
| 23 | .value_counts() | 计算一个Series中各值出现的频率。 |
举例:判断city列的值是否为北京
df_inner[‘city’].isin([‘beijing’])
七、分组的方法
| 序号 | 方法 | 说明 |
| :-: | — | — |
| 1 | DataFrame.groupby() | 分组函数 |
| 2 | pandas.cut() | 根据数据分析对象的特征,按照一定的数值指标,把数据分析对象划分为不同的区间部分来进行研究,以揭示其内在的联系和规律性。 |
举例:.groupby用法
group_by_name=salaries.groupby(‘name’)
print(type(group_by_name))
输出结果为:
<class ‘pandas.core.groupby.DataFrameGroupBy’>
八、读写文本格式数据的方法
| 序号 | 方法 | 说明 |
| :-: | — | — |
| 1 | read_csv | 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为逗号 |
| 2 | read_table | 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为制表符(t) |
| 3 | read_ fwf | 读取定宽列格式数据(也就是说,没有分隔符) |
| 4 | read_clipboard | 读取剪贴板中的数据,可以看做read_table的剪贴板版。再将网页转换为表格时很有用 |
| 5 | read_excel | 从ExcelXLS或XLSXfile 读取表格数据 |
| 6 | read_hdf | 读取pandas写的HDF5文件 |
| 7 | read_html | 读取HTML文档中的所有表格 |
| 8 | read_json | 读取JSON字符串中的数据 |
| 9 | read_msgpack | 二进制格式编码的pandas数据 |
| 10 | read_pickle | 读取Python pickle格式中存储的任意对象 |
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,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、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!