Pandas索引操作、对齐运算、函数应用

最新推荐文章于 2022-04-27 10:23:06 发布
最新推荐文章于 2022-04-27 10:23:06 发布
阅读量1.6k 收藏 6
点赞数 1
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/qq_41375318/article/details/105332850
版权

Pandas索引操作---index对象

import numpy as np
import pandas as pd

1. Series和DataFrame中的索引都是Index对象

ps1 = pd.Series(range(5),index=['a','b','c','d','e'])
print(type(ps1.index))
ps1

在这里插入图片描述

pd1 = pd.DataFrame(np.arange(9).reshape(3,3),index = ['a','b','c'],columns = ['A','B','C'])
pd1

在这里插入图片描述

2. 索引对象不可变，保证了数据的安全

ps.index[0] = 2
ps

在这里插入图片描述

pd1.index[1] = 2

在这里插入图片描述

3.常见的Index种类
Index，索引

Int64Index，整数索引

MultiIndex，层级索引

DatetimeIndex，时间戳类型

Pandas索引操作---重新索引

二.索引的 一些基本操作
1.重新索引
2.增
3.删
4.改
5.查

#1.reindex 创建一个符合新索引的新对象
ps2 = ps1.reindex(['a','b','c','d','e','f'])
ps2

在这里插入图片描述

#行索引重建
pd2 = pd1.reindex(['a','b','c','d'])
pd2

在这里插入图片描述

#列索引重建
pd3 = pd1.reindex(columns = ['C','B','A'])
pd3

在这里插入图片描述

Pandas索引操作---增

ps1

在这里插入图片描述

ps1['g'] = 9
ps1

在这里插入图片描述

s1 = pd.Series({'f':999})
ps3 = ps1.append(s1)
ps3

在这里插入图片描述

pd1

在这里插入图片描述

#增加列
pd1[4] = [10,11,12]
pd1

在这里插入图片描述

# 插入
pd1.insert(0,'E',[9,99,999])
pd1

在这里插入图片描述

#增加行
#标签索引loc
pd1.loc['d'] = [1,1,1,1,1]
pd1

在这里插入图片描述

row = {'E':6,'A':6,'B':6,'C':6,4:6}
pd5 = pd1.append(row,ignore_index=True)
#ignore_index 参数默认值为False，如果为True，会对新生成的dataframe使用新的索引（自动产生），忽略原来数据的索引。
pd5

在这里插入图片描述

Pandas索引操作---删

#del
ps1

在这里插入图片描述

del ps1['b']
ps1

在这里插入图片描述

pd1

在这里插入图片描述

del pd1['E']
pd1

在这里插入图片描述

#drop  删除轴上数据
#删除一条
ps6 = ps1.drop('g')
ps6

在这里插入图片描述

#删除多条
ps1.drop(['c','d'])

在这里插入图片描述

#dataframe
#删除行
pd1.drop('a')

在这里插入图片描述

pd1.drop(['a','d'])

在这里插入图片描述

#删除列
pd1.drop('A',axis=1)  #1列  0 行

在这里插入图片描述

pd1.drop('A',axis='columns')

在这里插入图片描述

#inplace属性   在原对象上删除，并不会返回新的对象
ps1

在这里插入图片描述

ps1.drop('d',inplace=True)
ps1

在这里插入图片描述

Pandas索引操作---改

ps1 = pd.Series(range(5),index=['a','b','c','d','e'])
print(type(ps1.index))
ps1

在这里插入图片描述

pd1 = pd.DataFrame(np.arange(9).reshape(3,3),index = ['a','b','c'],columns = ['A','B','C'])
pd1

在这里插入图片描述

ps1['a'] = 999
ps1

在这里插入图片描述

ps1[0] = 888
ps1

在这里插入图片描述

#直接使用索引
pd1['A'] = [9,10,11]
pd1

在这里插入图片描述

#对象.列
pd1.A = 6
pd1

在这里插入图片描述

# 变成增加列的操作
pd1['a'] = 777
pd1

在这里插入图片描述

#loc 标签索引
pd1.loc['a'] =777
pd1

在这里插入图片描述

pd1.loc['a','A'] = 1000
pd1

在这里插入图片描述

Pandas索引操作---查

#Series
# 1.行索引
ps1

在这里插入图片描述

ps1['a']

在这里插入图片描述

ps1[0]

在这里插入图片描述

#2.切片
# 位置切片索引
ps1[1:4]

在这里插入图片描述

#标签切片   按照水印名切片操作  是包含终止索引的
ps1['b':'e']

在这里插入图片描述

# 3.不连续索引
ps1[['b','e']]

在这里插入图片描述

ps1[[0,2,3]]

在这里插入图片描述

# 布尔索引
ps1[ps1>2]

在这里插入图片描述

#dataframe
pd1

在这里插入图片描述

#1.列索引
pd1['A']

在这里插入图片描述

#取多列
pd1[['A','C']]

在这里插入图片描述

#选取一个值
pd1['A']['a']

在这里插入图片描述

#2.切片
pd1[:2]  #获取行

在这里插入图片描述

Pandas索引操作---高级索引

高级索引
loc 标签索引
iloc 位置索引
ix 标签与位置混合索引

#loc 标签索引
#loc是基于标签名的索引 自定义的索引名
ps1['a':'c']

在这里插入图片描述

ps1.loc['a':'c']

在这里插入图片描述

pd1

在这里插入图片描述

pd1.loc['a':'b','A':'C']  #第一个参数索引行 第二个是列

在这里插入图片描述

#2.iloc位置索引
ps1[1:3]

在这里插入图片描述

ps1.iloc[1:3]

在这里插入图片描述

pd1.iloc[0:2,0:3]

在这里插入图片描述

#3.ix标签与位置混合索引
ps1.ix[1:3]
ps1.ix['b':'c']

在这里插入图片描述

pd1.ix[0:2,0]

在这里插入图片描述

Pandas索引操作---作业

Pandas对齐运算---算术运算和数据对齐

import numpy as np
import pandas as pd

#Series
s1 = pd.Series(np.arange(4),index = ['a','b','c','d'])
s2 = pd.Series(np.arange(5),index = ['a','c','e','f','g'])

s1

在这里插入图片描述

s2

在这里插入图片描述

s1+s2

在这里插入图片描述

#DataFrame
df1 = pd.DataFrame(np.arange(12).reshape(4,3),index = ['a','b','c','d'],columns= list('ABC'))
df2 = pd.DataFrame(np.arange(9).reshape(3,3),index = ['a','d','f'],columns= list('ABD'))

df1

在这里插入图片描述

df2

在这里插入图片描述

df1+df2

在这里插入图片描述

Pandas对齐运算---填充值

使用填充值的算术方法

s1

在这里插入图片描述

s2

在这里插入图片描述

s1+s2

在这里插入图片描述

s1.add(s2,fill_value =0 )

在这里插入图片描述

df1.add(df2,fill_value = 0)

在这里插入图片描述

1/df1

在这里插入图片描述

df1.rdiv(1)   #字母r开头  会翻转参数

在这里插入图片描述

df1.reindex(columns=df2.columns,fill_value=9)

在这里插入图片描述

Pandas对齐运算---混合运算

DataFrame和Series混合运算

arr = np.arange(12).reshape(3,4)
arr

在这里插入图片描述

arr[0]

在这里插入图片描述

arr-arr[0]

在这里插入图片描述

df1

在这里插入图片描述

s3 =df1.iloc[0]
s3

在这里插入图片描述

df1-s3

在这里插入图片描述

s4 = df1['A']
s4

在这里插入图片描述

df1.sub(s4,axis=0)   # == axis=0

在这里插入图片描述

Pandas函数应用---apply和applymap

import numpy as np
import pandas as pd

#1.1 可以直接使用numpy的函数
df = pd.DataFrame(np.random.randn(5,4))
df

在这里插入图片描述

np.abs(df)

在这里插入图片描述

#1.2 通过apply将函数应用到列或行
f = lambda x:x.max()
df.apply(f)

# 注意轴的方向  默认axis0 列

在这里插入图片描述

df.apply(f,axis=1)

在这里插入图片描述

#1.3通过applymap将函数应用到每个数据
f2 = lambda x:'%.2f'%x 
df.applymap(f2)

在这里插入图片描述

Pandas函数应用---排序

2.1 索引排序

s1 = pd.Series(np.arange(4),index=list('dbca'))
s1

在这里插入图片描述

s1.sort_index()  #默认升序

在这里插入图片描述

s1.sort_index(ascending = False)  #降序

在这里插入图片描述

pd1 = pd.DataFrame(np.arange(12).reshape(4,3),index=list('bdca'),columns = list('BCA'))
pd1

在这里插入图片描述

#按照行排序
pd1.sort_index()

在这里插入图片描述

#按照列排序
pd1.sort_index(axis=1)

在这里插入图片描述

2.2 按值排序

s1
s1['a'] = np.nan
s1

在这里插入图片描述

s1.sort_values()  #根据值的大小进行排序，当有缺失值,会默认排最后

在这里插入图片描述

s1.sort_values(ascending=False)

在这里插入图片描述

pd1

在这里插入图片描述

pd1.sort_values(by=['A','B'])

在这里插入图片描述

pd2 = pd.DataFrame({'a':[3,7,9,0],'b':[1,-1,4,8],'c':[0,6,-3,2]})
pd2

在这里插入图片描述

pd2.sort_values(by='b')  #指定b列排序

在这里插入图片描述

pd2.sort_values(by=['a','c'],ascending=False)  #指定多列排序

在这里插入图片描述

Pandas函数应用---唯一值和成员属性

s1 = pd.Series([2,6,8,9,8,3,6],index=['a','a','c','c','c','c','c'])
s1

在这里插入图片描述

#返回一个series中的唯一值
s2=s1.unique()   #返回一个数组
s2

在这里插入图片描述

s1.index.is_unique

在这里插入图片描述

s1 = pd.Series([2,6,8,9,8,3,6])
s1

在这里插入图片描述

#计算series值的个数
s1.value_counts()   #返回一个series

在这里插入图片描述

#isin  判断值是否存在   返回布尔类型
s1.isin([8])  #判断8是否存在s1

在这里插入图片描述

#判断多个值
s1.isin([8,2])

在这里插入图片描述

data = pd.DataFrame({'a':[3,7,9,0],'b':[1,-1,4,8],'c':[0,6,-3,2]})
data

在这里插入图片描述

data.isin([2,4])

在这里插入图片描述

Pandas函数应用---处理缺失数据

df3 = pd.DataFrame([np.random.randn(3), [1., 2., np.nan],
                    [np.nan, 4., np.nan], [1., 2., 3.]])
df3

在这里插入图片描述

# 1.判断是否存在缺失值 isnull()
df3.isnull()

在这里插入图片描述

# 2.丢弃缺失数据 dropna()
df3.dropna()  #默认丢弃行

在这里插入图片描述

df3.dropna(axis=1)

在这里插入图片描述

# 3.填充缺失数据
df3.fillna(-100.)

在这里插入图片描述

Pandas层级索引

1.层级索引

import numpy as np
import pandas as pd

s1 = pd.Series(np.random.randn(12),index = [['a','a','a','b','b','b','c','c','c','d','d','d'],[0,1,2,0,1,2,0,1,2,0,1,2]])
s1

在这里插入图片描述

print(type(s1.index))
print(s1.index)

在这里插入图片描述

2.选取

#1.外层选取
s1['b']

在这里插入图片描述

#2.内层获取
s1[:,2]

在这里插入图片描述

s1['a',0]

在这里插入图片描述

3.交换

#1.swaplevel（）交换内层和外层的索引
s1.swaplevel()

在这里插入图片描述

#2.sortlevel()先对外层索引进行排序，在对内层索引进行排序， 默认升序
s1.sortlevel()

在这里插入图片描述

#交换并排序分层
s1.swaplevel().sortlevel()

在这里插入图片描述

Pandas统计计算和描述

import numpy as np
import pandas as pd

df=pd.DataFrame([[1.4,np.nan],[7.1,-4.5],
                [np.nan,np.nan],[0.75,-1.3]],
                index=['a','b','c','d'],
                columns=['one','two'])
df

在这里插入图片描述

#默认按列求和
df.sum()

在这里插入图片描述

# 按行求和
df.sum(axis=1,skipna=False)

在这里插入图片描述

df.idxmax()

在这里插入图片描述

df.cumsum()

在这里插入图片描述

# 汇总统计
df.describe()

在这里插入图片描述

s1 = pd.Series(['a','a','b','c']*4)
s1

在这里插入图片描述

s1.describe()

在这里插入图片描述

Pandas入门总结

*Major*
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
pandas数据对齐
weixin_30432007的博客
11-02 1696
Pandas的对齐运算 是数据清洗的重要过程，可以按索引对齐进行运算，如果没对齐的位置则补NaN，最后也可以填充NaN Series的对齐运算 1. Series 按行、索引对齐 示例代码： s1 = pd.Series(range(10, 20), index = range(10)) s2 = pd.Series(range(20, 25), index =...
Pandas 索引对齐、缺失值
Cdccc_daye的博客
04-12 2268
开篇 当在进行Series、DataFrame这两个对象的二元运算时，有稍不同于Numpy的处理方式。 本篇将以组合不同来源的数据为起点，探究其中发生的索引对齐，过程中产生的缺失值的特性和处理手段，以及更进一步的数据集合并方法。 引子——Pandas的NumPy-based特性 因为Pandas是建立在NumPy的基础之上的，所以NumPy的通用函数仍适用于Series对象和DataFrame对象。你可以在NumPy的通用函数里传入一个Series对象，会返回一个保留索引的Pandas对象。*下面代
pandas 的算术运算和数据对齐
weixin_33850015的博客
02-20 180
pandas 还有一个重要的功能，就是他可以对不同索引的对象进行算数运算。对象相加， 如果存在不同的索引对，则结果的索引就是该索引对的并集。 先来个例子 Series In [33]: s1 = Series([7.3, -2.5, 3.4, 1.5], index=['a', 'c', 'd', 'e']) In [34]: s2 = Series([-2.1, 3.6, -...
pandas 索引_Python基础教程：Pandas知识点汇总（3）——索引对齐
weixin_39615499的博客
11-27 68
打算跟大家把Pandas相关的知识点跟大家汇总一起来讲一下，本期的Python基础教程一起来学习吧！一.索引对象支持集合运算：联合、交叉、求差、对称差Demo1:import pandas as pd import numpy as np college = pd.read_csv('data/college.csv')columns = college.columnsc1 = columns[:...
《Pandas Cookbook》第06章 索引对齐
weixin_34064653的博客
09-30 209
第01章 Pandas基础第02章 DataFrame运算第03章 数据分析入门第04章 选取数据子集第05章 布尔索引 第06章 索引对齐第07章 分组聚合、过滤、转换第08章 数据清理 第09章 合并Pandas对象 第10章 时间序列分析 第11章 用Matplotlib、Pandas、Seaborn...
python人工智能-pandas中的算术运算和逻辑运算
最新发布
09-30
3. 对齐运算：当运算涉及的DataFrame有不同的索引时，Pandas会自动对齐数据，确保运算的正确性。 4. 缺失值处理：在运算过程中，遇到缺失值（NaN），Pandas会自动忽略或者采用特定方式处理，如使用`fillna()`填充。 ...
python数据分析之Pandas数据结构和操作
01-27
Pandas还支持多种数据处理和分析操作，如函数应用、排序和处理缺失数据。例如，你可以使用`.apply()`函数对DataFrame的每一行或每一列应用自定义函数，`.sort_values()`用于排序DataFrame的行或列，而`.fillna()`或`...
Pandas时间序列基础详解(转换,索引,切片)
09-17
7. **时间序列算术运算**：Pandas的时间序列支持算术运算，并且会自动对齐日期。例如，当我们对两个时间序列进行加法运算时，Pandas会自动填充缺失值（如果有的话）并进行计算，这在处理不完全重叠的时间序列时非常...
pandas入门
12-22
Pandas 提供了许多基本功能，如算术运算、逐元素应用函数、排序和描述性统计。例如，可以使用算术运算符（+、-、*、/）直接对 DataFrame 进行操作，应用函数可以使用 `.apply()` 方法，排序可以用 `.sort_values()`...
Pandas中DataFrame基本函数整理(小结)
12-17
在Pandas库中，DataFrame是核心数据结构之一，它提供了丰富的功能来处理和操作二维表格数据。本篇文章将对DataFrame的一些基本函数进行整理和总结，帮助你更好地理解和使用这些功能。 1. **构造DataFrame** - `...
Pandas算数运算与数据对齐
qq2351227851的博客
12-20 1761
算数运算与数据对齐 Pandas 执行算数运算时，会先按照索引进行对齐，对齐以后再进行相应的运算，没有对齐的位置会用NaN进行补齐。其中，Series是按照行索引对齐的，DataFrame是按照行索引、列索引对齐的 假设有两个Series对象，创建它们的示例代码如下： obj_one=pd.Series(range(10,13),index=range(3)) obj_one obj_two=pd.Series(range(20,25),index=range(5)) obj_two 如果要对obj
pandas算术运算和数据对齐
weixin_43139613的博客
10-10 365
df1 = DataFrame(np.arange(12).reshape(3,4),columns=list('abcd')) df1 Out[74]: a b c d 0 0 1 2 3 1 4 5 6 7 2 8 9 10 11 df2 = DataFrame(np.arange(20).reshape(4,5),columns=list(...
python课程知识点总结_Python基础教程：Pandas知识点汇总（3）——索引对齐
weixin_29617841的博客
02-11 100
原标题：Python基础教程：Pandas知识点汇总(3)——索引对齐打算跟大家把Pandas相关的知识点跟大家汇总一起来讲一下，本期的Python基础教程一起来学习吧！一.索引对象支持集合运算：联合、交叉、求差、对称差Demo1:import pandas as pdimport numpy as npcollege = pd.read_csv('data/college.csv')column...
pandas：算术运算,数据对齐
错位的梦寐的博客
09-25 684
算术运算和数据对齐 from pandas import Index from pandas import Series,DataFrame import numpy as np import pandas as pd #DataFrame算术:不重叠部分为NaN,重叠部分元素运算' x=DataFrame(np.arange(9).reshape(3,3), ...
Python基础教程：Pandas知识点汇总（3）——索引对齐
chen801090的博客
12-10 588
打算跟大家把Pandas相关的知识点跟大家汇总一起来讲一下，本期的Python基础教程一起来学习吧！ 一.索引对象支持集合运算：联合、交叉、求差、对称差Demo1: import pandas as pd import numpy as np college = pd.read_csv('data/college.csv') columns = college.columns c1 = ...
算数运算，数据对齐，数据排序
weixin_52528062的博客
04-27 1183
3.3算数运算与数据对齐 Pandas执行算数运算时，会先按照索引进行对齐，对齐以后再进行相应的运算，没对齐的位置会用NaN进行补齐。其中，series是按行索引对齐的，DataFrame是按行索引、列索引对齐的。 例： 1） import pandas as pd obj_one = pd.Series(range(10, 13), index=range(3)) print(obj_one) 2） obj_two = pd.Series(range(20, 25), index=range(5))
关于分区索引对齐
a549010853的博客
02-27 264
一直在群里听到大牛们说一定要”分区索引对齐“，不然交换分区会失败。 对于“分区索引对齐”这个关键词，在MSDN的技术文档里， 终于找到了解答： 索引要与其基表对齐，并不需要与基表参与相同的命名分区函数。但是，索引和基表的分区函数在实质上必须相同， 即： 1) 分区函数的参数具有相同的数据类型； 2) 分区函数定义了相同数目的分区； 3) 分区函数为分区定义了相同的边界值。 ...
Pandas
m0_67667736的博客
03-06 823
1.Pandas的数据结构分析 Pandas中的两个主要数据结构：Series和DataFrame Series:一维的数据结构 DataFrame:二维的，表格型的数据结构 (1)Series是一个类似一维数组的对象，它能够保存任何类型的数据，主要由一组数据和与之相关的索引两部分构成。 (2)通过传入一个列表来创建一个Series类对象： 除了使用列表构建Series类对象外，还可以使用dict进行构建。 (3)当某个索引对应的数据进行运算以后，其运算的结果会替换原数据，仍然与这..
pandas对齐操作
lvbu89757的博客
08-05 5316
pandas对齐操作 Series ser2=pd.Series(data=range(10,15),index=list('abcde')) ser3=pd.Series(data=range(20,25),index=list('cdefg')) print() print(ser2) print() print(ser3) print('#######') print() 对齐相加，如果无法...
对于二元运算，pandas在传递通用函数时会自动（）索引进行计算）
06-07
在 Pandas 中，对于二元运算，可以使用通用函数（ufunc）进行计算。通用函数是一种能够对数组进行逐元素操作的函数，例如加、减、乘、除等运算。在 Pandas 中，通用函数可以被应用于 Series 和 DataFrame 对象上，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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