m0_69097184的博客

在上面的示例中，我们使用`extract()`函数提取了每个字符串中的字母和数字部分。提取的结果是一个包含两列的DataFrame，其中第一列（0）是字母部分，第二列（1）是数字部分。它是通过正则表达式来实现的。`extract()`函数通常是通过`pandas`库的`Series`对象调用的，用于对Series中的字符串进行模式匹配并提取出匹配的部分。需要注意的是，`extract()`函数返回的是一个新的DataFrame或Series对象，而不是修改原始的数据。

value_counts()`函数对DataFrame中的'年龄'列进行频数统计，并计算每个唯一值的相对频率。具体解释如下：- `df['年龄']`：表示从DataFrame中选择名为'年龄'的列。- `.value_counts(1)`：对所选的'年龄'列应用`value_counts()`函数，并传入参数`1`。参数`1`表示计算相对频率，即将频数除以总数，得到每个唯一值的相对频率。结果将返回一个新的Series对象，其中包含'年龄'列中每个唯一值及其对应的相对频率。

在pandas中，`isna()`函数用于检测DataFrame或Series中的缺失值（NaN值）。它返回一个布尔值的DataFrame或Series，其中缺失值位置为True，非缺失值位置为False。

在pandas中，`cut()`函数用于将连续的数值数据按照指定的间隔划分成离散的区间。它可以将一组数值划分成不同的区间，并为每个值分配一个对应的区间标签。参数说明：- `x`：要划分的数值数据，可以是DataFrame的列、Series或数组。- `bins`：指定划分的区间边界。可以是一个整数，表示划分的区间数量；也可以是一个数 组，表示自定义的区间边界。- `labels`：可选参数，用于指定每个区间的标签。

data=df.groupby('xx')['yy'].reset_index().set_index('自定义列名')例：df.groupby('xx')['yy'].sum() 对xx字段进行分组，然后按照yy进行求和。多列排序： data.sort_values(by=['列名1','列名2'])df.loc[df['z']>1,'y']=10 对y列中大于1的行赋值为10。df.loc[1:5, ["x",'y']] :#指定行的两列数据。