Pandas教程04 - 算数运算，逻辑运算，统计运算，自定义运算

Pandas教程04 - 算数运算，逻辑运算，统计运算，自定义运算

pandas一站式学习->: pandas一站式学习，创建，索引使用，运算，pd可视化柱状图等，csv,hdf5,json格式数据读取存储，NaN值处理，数据离散化，数据合并，交叉表与透视表

---

python一站式学习->: python一站式学习，python基础，数据类型，numpy，pandas,机器学习，NLP自然语言处理，deepseek大预言模型，Tensorflow，CV视觉

---

算数运算

方式一：使用+ - * / 运算符号
方式二：使用add, sub,multiply，divide函数

import pandas as pd

p1 = pd.DataFrame([[1,2,3],[4,5,6]])
# 方式一
new_p1 = p1 + 1

# 方式二
new_p1 = p1.add(1)

# 结果new_p1: [[2, 3, 4],[5, 6, 7]]

逻辑运算

数据准备

import numpy as np 
import pandas as pd

# 制造3个地区，5天的气温变化数据
data = np.random.uniform(10,20,(3,5))
# 保留一位小数
p1 = np.around(data,decimals=1)

date = pd.date_range(start="20260101",periods=5,freq="D") 
city =['city{}'.format(i+1) for i in range(3)]
# 创建datafram
pd1 = pd.DataFrame(p1,index=city,columns=date)
pd1

逻辑运算符 < > | &

# 判断所有数据是否大于15
pd1>15
# 判断某列数据是否大于15
pd1["2026-01-01"]>15

布尔索引

# 判断所有数据是否大于15
new_pd1 = pd1[pd1["2026-01-01"]>15]

多条件搜索

方式一：data[ (data[“列名1”]>10) & (data[“列名2”]<20) ]
方式二：data.query( “列名1>10 & 列名2 < 20”) (推荐，但列索引名不能像日期这样数字开头，必须遵循命名规则)

# 判断所有数据是否大于15
pd1[(pd1["2026-01-01"]>10.2)  &  (pd1["2026-01-02"]<11.7)]

是否包含 isin()

# 是否包含
new_pd1 = pd1.isin([10.2])

isin()过滤数据

# isin()过滤数据
new_pd1 = pd1[pd1["2026-01-01"].isin([10.2])]

统计运算

数据准备

import pandas as pd

item = ['数学','语文'，'英语']
name=['张三','李四','王五']
# 创建datafram
pd1 = pd.DataFrame([[1,1,1],
					[2,3,4],
					[3,4,4]],index=item,columns=name)
pd1

describe整体统计

pd1.describe()
# count计数
# mean 平均值
# std 标准差
# min/max 最小/最大值
# 百分比 是分位数

常用统计函数

# 求和 # 其他函数不做演示了，这里列出常用的统计函数
pd1.sum()
# max() 最大数
# min() 最小数
# median() 中位数
# mean() 平均值
# abs() 绝对值
# mode() 众数(每列出现次数最多的数，如果次数一样，就返回多个)
# std 标准差
# prod(axis=1, skipna=True)  axis=1/0按照行或者列，skipna跳过NaN后，进行乘积
# var(axis=0,ddof=1)  axis=1/0按照行或者列,ddof=1/0计算样本方差或者总体方差
# idxmax() 最大数位置的索引
# idxmin() 最小数位置的索引

累计统计函数

# axis=0/1  控制行列方向

# cumsum() 计算前n个数的和   
# cummax()   计算前n个数的最大值
# cummax()  计算前n个数的最小值
# cumprod()  计算前n个数的乘积

自定义运算 apply

data.apply(fun ， axis=1/0) 对数据按照行或者列进行 fun自定义函数运算

# 求输入列中最大值，和最小值的差值是多少
# lambda函数就是fun ,  x为输入的行或者列(由axis=1/0决定)
pd1[['数学','语文']].apply(lambda x: x.max()-x.min() )