python使用pandas抽取表的行列

最新推荐文章于 2023-05-31 06:29:21 发布
最新推荐文章于 2023-05-31 06:29:21 发布
阅读量1.8k 收藏 4
点赞数
分类专栏： python零基础学习 文章标签： python 数据挖掘 开发语言
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/qhqlnannan/article/details/121851116
版权 
import pandas as pd

# DateFrame中，index为行索引，columns为列索引
pd.set_option('display.unicode.east_asian_width', True)
s1 = 'H:\pythonProject\COD1.csv'
s2 = pd.read_csv(s1, index_col=0)  # 指定第一列为行索引
print(s2)
##以下为行的抽取
print('***---' * 10)
print(s2.iloc[0:2])  # 提取第一行和第二行
print('***---' * 10)
print(s2.iloc[0, 2])  # 提取第一行，第三个元素
print('***---' * 10)
print(s2.loc[['s2', 's5']])  # 提取第2行和第5行
print('***---' * 10)
print(s2.loc['s2':'s5'])  # 提取第2行到第5行
print('***---' * 10)
print(s2.loc[:'s5':])  # 提取第1行到's5'第5行
print('***---' * 10)
print(s2.iloc[4::])  # 提取第5行到最后一行
##以下为列的抽取
print('***---' * 10)
print(s2[['COD', 'b5']])  # 直接抽取列,注意一定要有两个中括号，不然直接报错，无法识别是列
# loc和iloc的参数中，第一个参数是行，第二个参数是列
print('***---' * 10)
print(s2.iloc[:, [0, 3]])  # 抽取列COD和b5
print('***---' * 10)
print(s2.iloc[:, 2:])  # 抽取列b2到最后一列
##以下为行列的抽取[行，列]
print('***---' * 10)
print(s2.iloc[[1, 2], [1, 2]])  # 抽取第2列和第3列的第一行与第二行的元素
print('***---' * 10)
print(s2.iloc[6:, [0, 2]])  # 抽取第7行到最后一行的第一列第3列元素
print('***---' * 10)
print(s2.iloc[:, 3])  # 抽取所有行第4列数据,注意结果，索引没了
print('***---' * 10)
print(s2.loc['s2', 'COD'])  # 抽取S2和COD
print('***---' * 10)
print(s2.loc[['s2'], ['COD']])  # 抽取第7行到最后一行的第一列第3列元素
print('***---' * 10)
print(s2.loc[['s2', 's5'], ['b1', 'b5']])  # 抽取s2和s5行，列抽取b1和b5
print('***---' * 10)
print(s2.loc['s2':'s5', 'b1':'b5'])  # 抽取s2到s5行，列抽取b1到b5
##基于科学计数法抽取
print('***---' * 10)
print(s2.loc[(s2['COD'] > 7) & (s2['b1'] > 0.04)])

结果为

H:\pythonProject\venv\Scripts\python.exe H:/pythonProject/main.py
           COD        b1        b2        b3        b4        b5
s1    6.246465  0.033064  0.044745  0.063753  0.046467  0.061651
s2    7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s3    7.151515  0.034787  0.044034  0.068569  0.047349  0.062583
s4    5.858586  0.038918  0.054270  0.070237  0.049240  0.063075
s5    7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
s6    7.458586  0.044111  0.055397  0.075133  0.052282  0.067838
s7    7.022222  0.043152  0.056629  0.072561  0.052936  0.070106
s8    7.846465  0.044698  0.061596  0.073882  0.053898  0.073508
s9   10.561616  0.042522  0.060696  0.069076  0.051668  0.080740
s10   2.828283  0.048858  0.057816  0.077516  0.056419  0.081748
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129
s12  12.581818  0.046677  0.067138  0.071816  0.052377  0.082932
***---***---***---***---***---***---***---***---***---***---
         COD        b1        b2        b3        b4        b5
s1  6.246465  0.033064  0.044745  0.063753  0.046467  0.061651
s2  7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
***---***---***---***---***---***---***---***---***---***---
0.0447448
***---***---***---***---***---***---***---***---***---***---
         COD        b1        b2        b3        b4        b5
s2  7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s5  7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
***---***---***---***---***---***---***---***---***---***---
         COD        b1        b2        b3        b4        b5
s2  7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s3  7.151515  0.034787  0.044034  0.068569  0.047349  0.062583
s4  5.858586  0.038918  0.054270  0.070237  0.049240  0.063075
s5  7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
***---***---***---***---***---***---***---***---***---***---
         COD        b1        b2        b3        b4        b5
s1  6.246465  0.033064  0.044745  0.063753  0.046467  0.061651
s2  7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s3  7.151515  0.034787  0.044034  0.068569  0.047349  0.062583
s4  5.858586  0.038918  0.054270  0.070237  0.049240  0.063075
s5  7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
***---***---***---***---***---***---***---***---***---***---
           COD        b1        b2        b3        b4        b5
s5    7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
s6    7.458586  0.044111  0.055397  0.075133  0.052282  0.067838
s7    7.022222  0.043152  0.056629  0.072561  0.052936  0.070106
s8    7.846465  0.044698  0.061596  0.073882  0.053898  0.073508
s9   10.561616  0.042522  0.060696  0.069076  0.051668  0.080740
s10   2.828283  0.048858  0.057816  0.077516  0.056419  0.081748
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129
s12  12.581818  0.046677  0.067138  0.071816  0.052377  0.082932
***---***---***---***---***---***---***---***---***---***---
           COD        b5
s1    6.246465  0.061651
s2    7.300000  0.062193
s3    7.151515  0.062583
s4    5.858586  0.063075
s5    7.458586  0.060580
s6    7.458586  0.067838
s7    7.022222  0.070106
s8    7.846465  0.073508
s9   10.561616  0.080740
s10   2.828283  0.081748
s11   8.492929  0.095129
s12  12.581818  0.082932
***---***---***---***---***---***---***---***---***---***---
           COD        b3
s1    6.246465  0.063753
s2    7.300000  0.060715
s3    7.151515  0.068569
s4    5.858586  0.070237
s5    7.458586  0.065471
s6    7.458586  0.075133
s7    7.022222  0.072561
s8    7.846465  0.073882
s9   10.561616  0.069076
s10   2.828283  0.077516
s11   8.492929  0.070019
s12  12.581818  0.071816
***---***---***---***---***---***---***---***---***---***---
           b2        b3        b4        b5
s1   0.044745  0.063753  0.046467  0.061651
s2   0.040027  0.060715  0.047964  0.062193
s3   0.044034  0.068569  0.047349  0.062583
s4   0.054270  0.070237  0.049240  0.063075
s5   0.047527  0.065471  0.046837  0.060580
s6   0.055397  0.075133  0.052282  0.067838
s7   0.056629  0.072561  0.052936  0.070106
s8   0.061596  0.073882  0.053898  0.073508
s9   0.060696  0.069076  0.051668  0.080740
s10  0.057816  0.077516  0.056419  0.081748
s11  0.058360  0.070019  0.053007  0.095129
s12  0.067138  0.071816  0.052377  0.082932
***---***---***---***---***---***---***---***---***---***---
          b1        b2
s2  0.032765  0.040027
s3  0.034787  0.044034
***---***---***---***---***---***---***---***---***---***---
           COD        b2
s7    7.022222  0.056629
s8    7.846465  0.061596
s9   10.561616  0.060696
s10   2.828283  0.057816
s11   8.492929  0.058360
s12  12.581818  0.067138
***---***---***---***---***---***---***---***---***---***---
s1     0.063753
s2     0.060715
s3     0.068569
s4     0.070237
s5     0.065471
s6     0.075133
s7     0.072561
s8     0.073882
s9     0.069076
s10    0.077516
s11    0.070019
s12    0.071816
Name: b3, dtype: float64
***---***---***---***---***---***---***---***---***---***---
7.3
***---***---***---***---***---***---***---***---***---***---
    COD
s2  7.3
***---***---***---***---***---***---***---***---***---***---
          b1        b5
s2  0.032765  0.062193
s5  0.037524  0.060580
***---***---***---***---***---***---***---***---***---***---
          b1        b2        b3        b4        b5
s2  0.032765  0.040027  0.060715  0.047964  0.062193
s3  0.034787  0.044034  0.068569  0.047349  0.062583
s4  0.038918  0.054270  0.070237  0.049240  0.063075
s5  0.037524  0.047527  0.065471  0.046837  0.060580
***---***---***---***---***---***---***---***---***---***---
           COD        b1        b2        b3        b4        b5
s6    7.458586  0.044111  0.055397  0.075133  0.052282  0.067838
s7    7.022222  0.043152  0.056629  0.072561  0.052936  0.070106
s8    7.846465  0.044698  0.061596  0.073882  0.053898  0.073508
s9   10.561616  0.042522  0.060696  0.069076  0.051668  0.080740
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129
s12  12.581818  0.046677  0.067138  0.071816  0.052377  0.082932

进程已结束，退出代码为 0
qhqlnannan
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
B-tree在外部存储和数据库索引中的应用
我的学习成长日记
08-25 3158
B-tree在外部存储中的应用 大家知道我们在使用数据结构时，常常将其直接放置到内存中。但是大数据量只能放到磁盘中。这里要说的就是，在磁盘存储中，文件系统是如何利用B-tree结构来提高磁盘读取效率的。 首先来说一下内存和磁盘性能上的巨大差别。 大家知道数据在磁盘上存储在特定的扇区。因此要读写特定的数据，需要三步： 1，首先磁头必须移动到正确的磁道上。 2，然后需要等待磁片旋转，使磁
Python数据分析基础：pandas抽行、抽列、抽行列。用到df[]、df.loc[]、df.iloc[]等
最新发布
libofsdnu的博客
05-19 1201
当然写熟了直接写df1 = df[(df[“英语”] > 20) & (df[“数学”] > 20)]即可，但是这样写对新手（比如我）来说，不是很友好，又是方括号又是圆括号，容易迷瞪。抽行必须用df.loc[]或df.iloc[]，不能直接写df[]。所以，1.2小节中df1 = df[“A”, “C”]其实等同于df1 = df.loc[:, [“A”, “C”]]，也就是全取行，指定单独两列。需用切片，切片就要用“:”，用“:”就必须用df.loc或df.iloc，此处不提，放“抽行列”中说。
pandas筛选出中文字符 教程
weixin_42612804的博客
01-04 911
可以使用 df[df['column_name'].str.contains(u'[\u4e00-\u9fff]+')] 来筛选出包含中文字符的行。 注意，这里的 df 是指你的数据框，column_name 是你要筛选的列的名称。 例如，假设你有一个名为 people 的数据框，其中有一列名为 name，你可以使用以下代码筛选出名字中包含中文字符的人： filtered_df = people[...
python中pandas读取文件有中文路径怎么办
shiyutianming的博客
08-06 1481
df1 = pd.read_csv("D:/消费数据/2.csv",'rb') print(df1) 后面加上‘rb’。
pandas 获取行列数据的几种方法
毛发浓密的猿工
11-24 1万+
取行和列的几种常用方式： data[ 列名 ]： 取单列或多列，不能用连续方式取，也不能用于取行。 data.列名： 只用于取单列，不能用于行。 data[i:j]： 用起始行下标(i)和终止行下标(j)取单行或者连续多行，不能用于列的选取。 data.loc[行名,列名]：用对象的.loc[]方法实现各种取数据方式。 data.iloc[行下标,列下标]： 用对象的.iloc[]方法实现各种取数据方式。 方法很多，不易记牢。此处只要记住 data.iloc[行下标,列下标] 就可以，这种方法与矩阵读取
Python开发之pandas行和列的获取
等待着冬天的风的博客
01-02 2万+
前言：主要介绍pandas行和列的获取
pandas数据分析 - 加载数据和获取行列数据
weixin_47464737的博客
09-05 1222
@ 加载数据 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
Python Pandas 字段分列
hxfjargon的博客
03-12 158
pandas 常见问题
python pandas获取行号_Python Pandas使用
weixin_39626089的博客
12-17 3354
用于数据探索和分析，基于numpy模块安装pip install pandas常用操作Series序列(可以理解为一列数据)，举例：>>> a = pandas.Series([2,1,6,3])>>> pandas.Series([2,1,6,3])0 21 12 63 3dtype: int64注：上面没有指定索引，所以默认索引就为从...
chatgpt赋能python：Python中选取表格几行的方法
sc17332889342的博客
05-31 233
Python是一种高级编程语言，它被设计用于快速的编写软件应用程序。Python编程语言最初由Guido van Rossum于1989年圣诞节时设计，作为一种能够充分利用计算机硬件效益的脚本语言。本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于。
Python的pandas之excel读取行列
baidu_32426435的博客
11-29 6918
import pandas url = 'C:\\test.xlsx' #文件路径 sheetname = '测试' #sheet名称 data = pandas.read_excel(url,sheet_name=sheetname) d = data.head() #显示前五行 lines = data.iloc[0].values # iloc索引 返回列表除标题外的第一行数据...
pandas选取特定行和列
luguanyou的博客
05-23 2万+
1、数据由pandas读取 df = pd.DataFrame(data） 2、选择特定列 df['列名1'] df[["列名1"]] 3、选择特定行 # 选择每一列的前2行数据 df.iloc[:2] df.iloc[10:12] #选择第10行到11行 4、行号和列号同时控制 # 选择前三列前三行 df.iloc[：3,:3] ...
pandas提取数据框其中几列生成新数据框
hooyying的博客
02-23 3857
假设列名如下： Team Goals Yellow Cards Red Cards 数据框：euro2012 要取得其中的yellow cards 和 red cards,形成 新的 数据框new： new = euro2012[['Yellow Cards','Red Cards']]
Python数据分析——pandas行列的选取
Hello World
03-21 7470
在数据分析中，选取需要的数据进行处理和分析是很重要的。在Excel表格中，通过鼠标点选或扩选可以轻松地选取数据，而在 pandas 数据中，需要通过索引来完成数据的选取工作。 DataFrame数据的选取更复杂些，因为它是二维数组，选取列和行都有具体的使用方法。接下来将重点介绍DataFrame数据的选取。 一. 选取列 通过列索引标签或以属性的方式可以单独获取 DataFrame的列数据，返回的数据为 Series结构。通过两个中括号，可以获取多个列的数据。 city name sex y
Pandas 中截取行列数据的方法实现
当回首往事的时候，不会因虚度年华而悔恨，也不会因碌碌无为而羞愧。
04-02 9835
一、Pandas 中截取行列数据的方法实现 读取方法有按行（单行，多行连续，多行不连续），按列（单列，多列连续，多列不连续）；部分不连续行不连续列；按位置（坐标），按字符（索引）；按块（list）；函数有 df.iloc(), df.loc(), df.iat(), df.at(), df.ix() #--------------------数据------------------------- data = {'省份': ['北京', '上海', '广州', '深圳'], '年份': ['
pandas用法-全网最详细教程
热门推荐
yiyele的博客
06-07 47万+
一、生成数据表 1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用： import numpy as np import pandas as pd 2、导入CSV或者xlsx文件： df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1)) df = pd.DataFrame(pd.read_excel(‘nam............
python列表 行列选择_Python第七课——如何选取excel表格的行数据和列数据
weixin_36371504的博客
02-10 2301
# Section0print("-"*30 + "Begin Section 0 开场" + "-"*30)print("lesson7 数据选择")print("1.列选择\n2.行选择\n3.行列选择")print("-"*30 + "End Section 0 开场" + "-"*30)import pandas as pd# Section1 列df = pd.read_excel(r"...
pandas获得指定行_pandas取dataframe特定行/列
pick_ears的博客
06-27 1万+
转自他人博客：https://blog.csdn.net/weixin_39586825/article/details/111758506 1.按列取、按索引/行取、按特定行列取 import numpy as np from pandas import DataFrame import pandas as pd df=DataFrame(np.arange(12).reshape((3,4)),index=[‘one’,‘two’,‘thr’],columns=list(‘abcd’)) df[‘a’]
pandas读取某几行
热衷开源的Boy
10-22 2982
np.loc[0:m]
python使用pandas 画图
08-16
当使用Python中的Pandas库进行数据分析时，你可以使用内置的绘图功能来创建各种类型的图表。Pandas使用Matplotlib库作为其绘图引擎。 首先，确保你已经安装了Pandas和Matplotlib库。你可以使用以下命令来安装它们： ``` pip install pandas matplotlib ``` 接下来，导入所需的库： ```python import pandas as pd import matplotlib.pyplot as plt ``` 然后，你可以使用Pandas的DataFrame对象来存储和处理数据。假设你已经有一个名为`data`的DataFrame对象，其中包含了你要绘制的数据。 下面是一些示例代码，展示如何使用Pandas绘制常见的图表类型： 1. 折线图： ```python data.plot(kind='line') plt.show() ``` 2. 柱状图： ```python data.plot(kind='bar') plt.show() ``` 3. 散点图： ```python data.plot(kind='scatter', x='x_column', y='y_column') plt.show() ``` 4. 饼图： ```python data.plot(kind='pie', y='column') plt.show() ``` 这只是一些基本示例，你可以根据自己的需求来进行更多的定制和调整。希望这能帮助到你开始使用Pandas进行数据可视化！
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