数据处理一_dfr.assign-CSDN博客

本文链接：https://blog.csdn.net/pollotui/article/details/123340141

数据查询

df.set_index('索引列',inplace=True) 设置索引为指定列

inplace=Ture将修改作用于原对象，默认不修改，值为False

loc

语法规则:df.loc[行,列]

行和列的取值都必须为标签，可以为单个标签、标签列表、也可以为标签范围，使用开始标签:结束标签实现。

也可以使用布尔索引查询，例如:df.loc[df['标签']<条件,:]

因为里面条件查询出的结果为一个布尔型的列表，满足条件最后则会输出。多个条件则每一个条件使用括号括起来且用&连接。

新增数据列

直接赋值、

对原有列直接赋值，修改，需要相同长度。

.str 转为字符串类型

.astype('数据类型') 转为指定类型

添加新列，直接使用赋值，会自动添加到表中

例:
```
 df.loc[:,"添加的列名"] = 等长度的DataFarme对象，应该列表也可以
```
df.apply

语法规则

	apply(python func) #调用python函数(Series调用)

将Series对象逐个作为参数调用python函数，返回值会直接赋值给原变量

	apply(numpy ufunc) #调用numpy通用函数、对象整个传入

比如numpy的sum函数，需要将sum用引号括起来，否则会被当做python函数，逐一传入。

axis属性(**DataFrame调用**)

0:对列进行计算，竖着的

1:对行进行计算，横着的

其他对象都可以调用方法

	GroupBy.apply()
	Resample.apply()
	Rolling.apply()
	Expanding.apply()

**重要用法**

和groupby函数一起使用

`df["标签"].value_counts() #计数`

**GroupBy.apply(function)**

Pandas的GroupBy遵从split、apply、combine模式

function的第一个参数是dataframe

function的返回结果，可是DataFrame、series、单个值，甚至和输入dataframe完全没关系

数据分组后是可以遍历的，而apply就相当于遍历这些分组，返回了一个结果，形成一个新的表

df.assign方法

可以同时添加多个新列

 df.assign(
 	列名1 = lambda x : x["列名"]+1,
 	列名2 = lambda x : x["列名"]+1

按条件选择分组分别赋值

按条件选择数据，然后对这部分数据直接赋值，首先需要创建一个空列，当我们选择满足条件的行的时候就对新列进行赋值操作。

数据读取与保存

pd.read_XXX(“路径”,skiprows=从第几行开始读) #读取指定格式XXX文件
df.to_XXX(“路径”,index=指定索引) #保存为XXX类型文件