pandas学习

已于 2022-03-23 18:49:48 修改
阅读量675 收藏 4
点赞数 2
分类专栏： pandas 文章标签： python
于 2022-03-21 16:07:23 首次发布
原文链接：https://study.163.com/instructor/1148198144.htm?_trace_c_p_k2_=d46ae943ad0342cb80e32e03c96bf924
版权

1. Pandas读取数据

  1. 1pandas读取纯文本文件
    • 读取csv文件
    • 读取txt文件

（1）读取CSV，使用默认的标题行、逗号分隔符

fpath = "./datas/ml-latest-small/ratings.csv"

ratings = pd.read_csv(fpath)

# 查看每列的数据类型
ratings.dtypes

（2）读取txt文件，自己指定分隔符、列名

fpath = "./datas/crazyant/access_pvuv.txt"

pvuv = pd.read_csv(
    fpath,
    sep="\t",（制表符）
    header=None,
    names=['pdate', 'pv', 'uv']
)

 1.2pandas读取xlsx格式excel文件  

fpath = "./datas/crazyant/access_pvuv.xlsx"
pvuv = pd.read_excel(fpath)

1.3pandas读取mysql数据表

import pymysql
conn = pymysql.connect(
        host='127.0.0.1',
        user='root',
        password='12345678',
        database='test',
        charset='utf8'
    )

mysql_page = pd.read_sql("select * from crazyant_pvuv", con=conn)

其他：

# 查看数据的形状，返回(行数、列数)
ratings.shape

# 查看列名列表
ratings.columns

# 查看索引列
ratings.index

# 查看每列的数据类型
ratings.dtypes

2.Pandas数据结构

2.1. Series

Series是一种类似于一维数组的对象，它由一组数据（不同数据类型）以及一组与之相关的数据标签（即索引）组成。

（1）仅有数据列表即可产生最简单的Series   

  s1 = pd.Series([1,'a',5.2,7])

(2)创建一个具有标签索引的Series

 s2 = pd.Series([1, 'a', 5.2, 7], index=['d','b','a','c'])

(3)使用Python字典创建Series

sdata={'Ohio':35000,'Texas':72000,'Oregon':16000,'Utah':5000}

s3=pd.Series(sdata)

(4) 根据标签索引查询数据

s2['a']

type(s2[['b','a']])同级【【】】

其他:

# 获取索引
s1.index

# 获取数据
s1.values

2.2 DataFrame

DataFrame是一个表格型的数据结构

  • 每列可以是不同的值类型（数值、字符串、布尔值等）
  • 既有行索引index,也有列索引columns
  • 可以被看做由Series组成的字典

(1)创建dataframe最常用的方法，见02节读取纯文本文件、excel、mysql数据库

(2) 根据多个字典序列创建dataframe

data={
        'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],
        'year':[2000,2001,2002,2001,2002],
        'pop':[1.5,1.7,3.6,2.4,2.9]
    }
df = pd.DataFrame(data)

其他：

df.columns

2.3 从DataFrame中查询出Series

  • 如果只查询一行、一列，返回的是pd.Series
  • 如果查询多行、多列，返回的是pd.DataFrame

查询一列，结果是一个pd.Series

df['year']

type(df['year'])

查询多列，结果是一个pd.DataFrame

df[['year', 'pop']]

type(df[['year', 'pop']])

查询一行，结果是一个pd.Series

df.loc[0]

查询多行，结果是一个pd.DataFrame

df.loc[0:3]

3. Pandas查询数据

  1. df.loc方法，根据行、列的标签值查询
  2. df.iloc方法，根据行、列的数字位置查询
  3. df.where方法
  4. df.query方法

.loc既能查询，又能覆盖写入，强烈推荐！

使用值列表批量查询

# 得到DataFrame
df.loc[['2018-01-03','2018-01-04','2018-01-05'], ['bWendu', 'yWendu']]

使用数值区间进行范围查询

# 行和列都按区间查询
df.loc['2018-01-03':'2018-01-05', 'bWendu':'fengxiang']

布尔条件---简单条件查询，最低温度低于-10度的列表

df.loc[df["yWendu"]<-10, :]

使用条件表达式查询

## 查询最高温度小于30度，并且最低温度大于15度，并且是晴天，并且天气为优的数据
df.loc[(df["bWendu"]<=30) & (df["yWendu"]>=15) & (df["tianqi"]=='晴') & (df["aqiLevel"]==1), :]

调用函数查询

# 直接写lambda表达式
df.loc[lambda df : (df["bWendu"]<=30) & (df["yWendu"]>=15), :]

# 编写自己的函数，查询9月份，空气质量好的数据，调用日期列转换成字符串index.str,
def query_my_data(df):
    return df.index.str.startswith("2018-09") & (df["aqiLevel"]==1)
df.loc[query_my_data, :]

4. Pandas新增数据列

（1）直接赋值的方法

# 替换掉温度的后缀℃
df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')
df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')

# 注意，df["bWendu"]其实是一个Series，后面的减法返回的是Series
df.loc[:, "wencha"] = df["bWendu"] - df["yWendu"]

（2）df.apply方法

实例：添加一列温度类型：

  1. 如果最高温度大于33度就是高温
  2. 低于-10度是低温
  3. 否则是常温

def get_wendu_type(x):
    if x["bWendu"] > 33:
        return '高温'
    if x["yWendu"] < -10:
        return '低温'
    return '常温'

# 注意需要设置axis==1，这是series的index是columns
df.loc[:, "wendu_type"] = df.apply(get_wendu_type, axis=1)

# 查看温度类型的计数
df["wendu_type"].value_counts()

（3）df.assign方法

# 可以同时添加多个新的列
df.assign(
    yWendu_huashi = lambda x : x["yWendu"] * 9 / 5 + 32,
    # 摄氏度转华氏度
    bWendu_huashi = lambda x : x["bWendu"] * 9 / 5 + 32
)

（4）按条件选择分组分别赋值

按条件先选择数据，然后对这部分数据赋值新列

# 先创建空列（这是第一种创建新列的方法）
df['wencha_type'] = ''

df.loc[df["bWendu"]-df["yWendu"]>10, "wencha_type"] = "温差大"

df.loc[df["bWendu"]-df["yWendu"]<=10, "wencha_type"] = "温差正常"

5.Pandas数据统计函数

（1）汇总类统计

# 一下子提取所有数字列统计结果
df.describe()

## 查看单个Series的数据
df["bWendu"].mean() 

# 最高温
df["bWendu"].max()

# 最低温
df["bWendu"].min()

（2）唯一去重和按值计数

一般不用于数值列，而是枚举、分类列

唯一性去重

df["fengxiang"].unique()

 按值计数

df["fengxiang"].value_counts()

 （3)相关系数和协方差

  1. 协方差：衡量同向反向程度，如果协方差为正，说明X，Y同向变化，协方差越大说明同向程度越高；如果协方差为负，说明X，Y反向运动，协方差越小说明反向程度越高。-~<---0--->+~
  2. 相关系数：衡量相似度程度，当他们的相关系数为1时，说明两个变量变化时的正向相似度最大，当相关系数为－1时，说明两个变量变化的反向相似度最大 -1<---0--->1

# 协方差矩阵：
df.cov()

# 相关系数矩阵
df.corr()

 # 单独查看空气质量和最高温度的相关系数
df["aqi"].corr(df["bWendu"])

# 空气质量和温差的相关系数
df["aqi"].corr(df["bWendu"]-df["yWendu"])

6.Pandas对缺失值的处理

Pandas使用这些函数处理缺失值：

  • isnull和notnull：检测是否是空值，可用于df和series
  • dropna：丢弃、删除缺失值
    • axis : 删除行还是列，{0 or ‘index’, 1 or ‘columns’}, default 0
    • how : 如果等于any则任何值为空都删除，如果等于all则所有值都为空才删除
    • inplace : 如果为True则修改当前df，否则返回新的df
  • fillna：填充空值
    • value：用于填充的值，可以是单个值，或者字典（key是列名，value是值）
    • method : 等于ffill使用前一个不为空的值填充forword fill；等于bfill使用后一个不为空的值填充backword fill
    • axis : 按行还是列填充，{0 or ‘index’, 1 or ‘columns’}
    • inplace : 如果为True则修改当前df，否则返回新的df

(1)studf.isnull()

studf["分数"].notnull()

# 筛选没有空分数的所有行
studf.loc[studf["分数"].notnull(), :]

(2)#删除掉全是空值的列

studf.dropna(axis="columns", how='all', inplace=True)

#删除掉全是空值的行

studf.dropna(axis="index", how='all', inplace=True)

(3)将分数列为空的填充为0分

studf.fillna({"分数":0})

# 等同于
studf.loc[:, '分数'] = studf['分数'].fillna(0)

(4)使用前面的有效值填充，用ffill：forward fill

studf.loc[:, '姓名'] = studf['姓名'].fillna(method="ffill")

7.Pandas的SettingWithCopyWarning报警

# 只选出3月份的数据用于分析
condition = df["ymd"].str.startswith("2018-03")

发出警告的代码 df[condition]["wen_cha"] = df["bWendu"]-df["yWendu"]

相当于：df.get(condition).set(wen_cha)，第一步骤的get发出了报警

链式操作其实是两个步骤，先get后set，get得到的dataframe可能是view也可能是copy，pandas发出警告

(1)解决方法1

将get+set的两步操作，改成set的一步操作

df.loc[condition, "wen_cha"] = df["bWendu"]-df["yWendu"]

(2)解决方法2

如果需要预筛选数据做后续的处理分析，使用copy复制dataframe

df_month3 = df[condition].copy()

df_month3["wen_cha"] = df["bWendu"]-df["yWendu"]

总之，pandas不允许先筛选子dataframe，再进行修改写入
要么使用.loc实现一个步骤直接修改源dataframe
要么先复制一个子dataframe再一个步骤执行修改

8.Pandas数据排序

Series的排序：
Series.sort_values(ascending=True, inplace=False)
参数说明：

  • ascending：默认为True升序排序，为False降序排序
  • inplace：是否修改原始Series

DataFrame的排序：
DataFrame.sort_values(by, ascending=True, inplace=False)
参数说明：

  • by：字符串或者List<字符串>，单列排序或者多列排序
  • ascending：bool或者List，升序还是降序，如果是list对应by的多列
  • inplace：是否修改原始DataFrame

df["aqi"].sort_values(ascending=False)

单列排序

df.sort_values(by="aqi")

多列排序

# 按空气质量等级、最高温度排序，默认升序
df.sort_values(by=["aqiLevel", "bWendu"])

# 分别指定升序和降序
df.sort_values(by=["aqiLevel", "bWendu"], ascending=[True, False])

9.Pandas字符串处理

Pandas的字符串处理：

  1. 使用方法：先获取Series的str属性，然后在属性上调用函数；
  2. 只能在字符串列上使用，不能数字列上使用；
  3. Dataframe上没有str属性和处理方法
  4. Series.str并不是Python原生字符串，而是自己的一套方法，不过大部分和原生str很相似；

# 字符串替换函数
df["bWendu"].str.replace("℃", "")

# 判断是不是数字
df["bWendu"].str.isnumeric()

需要多次str处理的链式操作

# slice就是切片语法，可以直接用
df["ymd"].str.replace("-", "").str[0:6]

使用正则表达式的处理

# 方法2：正则表达式替换
df["中文日期"].str.replace("[年月日]", "")

10.Pandas的axis参数怎么理解

  • axis=0或者"index"：
    • 如果是单行操作，就指的是某一行
    • 如果是聚合操作，指的是跨行cross rows
  • axis=1或者"columns"：
    • 如果是单列操作，就指的是某一列
    • 如果是聚合操作，指的是跨列cross columns

按哪个axis，就是这个axis要动起来(类似被for遍历)，其它的axis保持不动

# 代表的就是删除某列
df.drop("A", axis=1)

# 代表的就是删除某行
df.drop(1, axis=0)

跨行# axis=0 or axis=index
df.mean(axis=0)

跨列# axis=1 or axis=columns
df.mean(axis=1)

def get_sum_value(x):
    return x["A"] + x["B"] + x["C"] + x["D"]

df["sum_value"] = df.apply(get_sum_value, axis=1)

 11.Pandas的索引index的用途

index的用途总结：

  1. 更方便的数据查询；
  2. 使用index可以获得性能提升；
  3. 自动的数据对齐功能；
  4. 更多更强大的数据结构支持；

（1）使用index查询数据

# 使用index的查询方法
df.loc[500].head(5)

# 使用column的condition查询方法
df.loc[df["userId"] == 500].head()

（2）使用index会提升查询性能

  • 如果index是唯一的，Pandas会使用哈希表优化，查询性能为O(1);
  • 如果index不是唯一的，但是有序，Pandas会使用二分查找算法，查询性能为O(logN);
  • 如果index是完全随机的，那么每次查询都要扫描全表，查询性能为O(N);

排序 df_sorted = df_shuffle.sort_index()

%timeit df_sorted.loc[500]

（3）使用index能自动对齐数据

 （4）

很多强大的索引数据结构

  • CategoricalIndex，基于分类数据的Index，提升性能；
  • MultiIndex，多维索引，用于groupby多维聚合后结果等；
  • DatetimeIndex，时间类型索引，强大的日期和时间的方法支持；

12.Pandas怎样实现DataFrame的Merge

Pandas的Merge，相当于Sql的Join，将不同的表按key关联到一个表

merge的语法：

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=True, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)

  • left，right：要merge的dataframe或者有name的Series
  • how：join类型，'left', 'right', 'outer', 'inner'
  • on：join的key，left和right都需要有这个key
  • left_on：left的df或者series的key
  • right_on：right的df或者seires的key
  • left_index，right_index：使用index而不是普通的column做join
  • suffixes：两个元素的后缀，如果列有重名，自动添加后缀，默认是('_x', '_y')

df_ratings_users_movies = pd.merge(
    df_ratings_users, df_movies, left_on="MovieID", right_on="MovieID", how="inner"
)

所有列名都有

 

 

如果出现非Key的字段重名怎么办

 

 13.Pandas实现数据的合并concat

使用场景：

批量合并相同格式的Excel、给DataFrame添加行、给DataFrame添加列

一句话说明concat语法：

  • 使用某种合并方式(inner/outer)
  • 沿着某个轴向(axis=0/1)
  • 把多个Pandas对象(DataFrame/Series)合并成一个。

concat语法：pandas.concat(objs, axis=0, join='outer', ignore_index=False)

  • objs：一个列表，内容可以是DataFrame或者Series，可以混合
  • axis：默认是0代表按行合并，如果等于1代表按列合并
  • join：合并的时候索引的对齐方式，默认是outer join，也可以是inner join
  • ignore_index：是否忽略掉原来的数据索引

append语法：DataFrame.append(other, ignore_index=False)

append只有按行合并，没有按列合并，相当于concat按行的简写形式

  • other：单个dataframe、series、dict，或者列表
  • ignore_index：是否忽略掉原来的数据索引

 (1)使用pandas.concat合并数据

添加一列Series

 s1 = pd.Series(list(range(4)), name="F")
pd.concat([df1,s1], axis=1)

添加多列Series***lambda x每一行的字典:x["A"]A这一列每一行的值+"_GG"

s2 = df1.apply(lambda x:x["A"]+"_GG", axis=1)

pd.concat([df1,s1,s2], axis=1)

(2)使用DataFrame.append按行合并数据

df1.append(df2, ignore_index=True)

for i in range(5):
    # 注意这里每次都在复制
    df = df.append({'A': i}, ignore_index=True)
df

# 第一个入参是一个列表，避免了多次复制
pd.concat(
    [pd.DataFrame([i], columns=['A']) for i in range(5)],
    ignore_index=True
)

14.Pandas批量拆分Excel与合并Excel

work_dir="./course_datas/c15_excel_split_merge"
#f是format的高级引入方法，格式化字符串

df_source = pd.read_excel(f"{work_dir}/crazyant_blog_articles_source.xlsx")

(1)将一个大Excel等份拆成多个Excel

# 每个人的任务数目，//向负无穷方向取整后
split_size = total_row_count // len(user_names)
if total_row_count % len(user_names) != 0:
    split_size += 1

拆分成多个dataframe

enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，for循环传进参数是数组

df_subs = []
for idx, user_name in enumerate(user_names):
    # iloc的开始索引
    begin = idx*split_size
    # iloc的结束索引
    end = begin+split_size
    # 实现df按照iloc拆分
    df_sub = df_source.iloc[begin:end]
    # 将每个子df存入列表
    df_subs.append((idx, user_name, df_sub))

遍历的是列表，将df存入的是列表，遍历列表，加文件名，将df存入命名好的excel 

for idx, user_name, df_sub in df_subs:

    file_name = f"{splits_dir}/crazyant_blog_articles_{idx}_{user_name}.xlsx"
    df_sub.to_excel(file_name, index=False)

(2)合并多个小Excel到一个大Excel

遍历文件夹，得到要合并的Excel名称列表

分别读取到dataframe

使用pd.concat进行合并

df_merged = pd.concat(df_list)

15.Pandas怎样实现groupby分组统计

groupby：先对数据分组，然后在每个分组上应用聚合函数、转换函数

df.groupby(['A','B']).mean()

 df.groupby(['A','B'], as_index=False).mean()

 # 方法1：预过滤，性能更好
df.groupby('A')['C'].agg([np.sum, np.mean, np.std])

不同列使用不同的聚合函数

df.groupby('A').agg({"C":np.sum, "D":np.mean}) 

# 新增一列为月份
df['month'] = df['ymd'].str[:7]

#agg是使用多个聚合函数
group_data = df.groupby('month').agg({"bWendu":np.max, "yWendu":np.min, "aqi":np.mean})
16.Pandas的分层索引MultiIndex

(1)Series的分层索引MultiIndex

# unstack把二级索引变成列
ser.unstack()

#将索引变成列
ser.reset_index()

Series有多层索引MultiIndex怎样筛选数据？

#筛选第一个索引
ser.loc['BIDU']

# 多层索引，可以用元组的形式筛选
ser.loc[('BIDU', '2019-10-02')]

#筛选第二个索引
ser.loc[:, '2019-10-02']

(2)DataFrame的多层索引MultiIndex

  • 元组(key1,key2)代表筛选多层索引，其中key1是索引第一级，key2是第二级，比如key1=JD, key2=2019-10-02
  • 列表[key1,key2]代表同一层的多个KEY，其中key1和key2是并列的同级索引，比如key1=JD, key2=BIDU

#筛选多级索引用元组括起来
stocks.loc[('BIDU', '2019-10-02'), :]

#[]表示并列筛选多个值
stocks.loc[['BIDU', 'JD'], :]

# slice(None)代表筛选这一索引的所有内容
stocks.loc[(slice(None), ['2019-10-02', '2019-10-03']), :]

17.Pandas的数据转换函数map、apply、applymap

数据转换函数对比：map、apply、applymap：

  1. map：只用于Series，实现每个值->值的映射；
  2. apply：用于Series实现每个值的处理，用于Dataframe实现某个轴的Series的处理；
  3. applymap：只能用于DataFrame，用于处理该DataFrame的每个元素；

# 公司股票代码到中文的映射，注意这里是小写
dict_company_names = {
    "bidu": "百度",
    "baba": "阿里巴巴",
    "iq": "爱奇艺", 
    "jd": "京东"
}

17.1. map用于Series值的转换

实例：将股票代码英文转换成中文名字

Series.map(dict) or Series.map(function)均可

方法1：Series.map(dict)

#str.lower()变成小写去map里找,直接实现value的映射
stocks["公司中文1"] = stocks["公司"].str.lower().map(dict_company_names)

方法2：Series.map(function)

function的参数是Series的每个元素的值

#lambda x 即series每个值
#lambda x : dict_company_names[x.lower()] value形成新的series,
stocks["公司中文2"] = stocks["公司"].map(lambda x : dict_company_names[x.lower()])

17.2. apply用于Series和DataFrame的转换

  • Series.apply(function), 函数的参数是每个值
  • DataFrame.apply(function), 函数的参数是Series

Series.apply(function)

function的参数是Series的每个值

stocks["公司中文3"] = stocks["公司"].apply(
    lambda x : dict_company_names[x.lower()])

DataFrame.apply(function)

function的参数是对应轴的Series

stocks["公司中文4"] = stocks.apply(
    lambda x : dict_company_names[x["公司"].lower()], 
    axis=1)

17.3. applymap用于DataFrame所有值的转换

# 将这些数字取整数，应用于所有元素
sub_df.applymap(lambda x : int(x))

# 直接修改原df的这几列
stocks.loc[:, ['收盘', '开盘', '高', '低', '交易量']] = sub_df.applymap(lambda x : int(x))

18.归一化，Pandas怎样对每个分组应用apply函数

非常可爱的刘妹妹
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[python]tqdm进度条其他用法 pandas、enumerate
cyz52的博客
05-23 9752
安装tqdm pip install tqdm 普通用法在迭代器中使用 import time from tqdm import tqdm pbar = tqdm(["a", "b", "c", "d"]) for char in pbar: time.sleep(1) 当遇到 enumerate 一起使用 for x, i in enumerate(tqdm(index)): ...
python标题行_Python Pandas-阅读带注释标题行的csv
weixin_39637151的博客
12-24 253
I want to read and process a csv file with pandas. The file (as seen below) contains multiple header lines which are indicated by a # tag. I can import that file easily by usingimport pandas as pdfile...
对pandas读取中文unicode的csv和添加行标题的方法详解
12-25
pandas这个库就是这么智能。有了dateframe格式一切都好办了。相比csv库对中文支持就渣了。 reader = pd.read_csv(leg2CsvReadFile, delimiter=”,” ,header=0,encoding = “gbk”) header=None 即指明原始文件数据没有列索引，这样read_csv为自动加上列索引，除非你给定列索引的名字。 obj_2=pd.read_csv('f:/ceshi.csv',header=0,names=range(2,5)) print obj_2 2 3 4 0 0 5 10 1 1 6 11 2 2 7 12 3
大数据技术Hadoop -- Hive的基本操作
最新发布
七七四十九的博客
05-17 1292
（8）查询stocks表中收盘价(price_close)比开盘价(price_open)高得最多的那条记录的交易所(exchange)、股票代码(symbol)、日期(ymd)、收盘价、开盘价及二者差价。（4） 创建一个未分区的外部表dividends_unpartitioned，并从dividends.csv向其中导入数据，表结构如表14-13所示。/apache-hive-3.1.2-bin.tar.gz -C /usr/local # 解压到/usr/local中。
python pandas读取excel时动态确定标题行所在行数
xcntime的专栏
03-16 4265
我用python pandas读取了一个excel数据： import pandas as pd data = pd.read_csv('..../file.txt', sep='\t' ) 模拟数据如下所示： ^{pr2}$ 本例中的数据在命中头之前包含3个垃圾行（我不想读入的行），有时它包含4个或更多垃圾行。所以在这个例子中，我读到了数据： data = pd.read_csv('..../file.txt', sep='\t', skiprows = 3 ) 数据看起来像：
Python函数：enumerate()
Raywit的博客
10-26 1173
Python基本函数: enumerate（）一、函数说明二、函数用法 格式：enumerate() 注意：该文章用到文件读取语句open( ‘filepath’ , ‘r’) 以及 for循环。 一、函数说明 enumerate字面意思是枚举 enumerate多用于 得到for循环中的循环计数 对于可迭代（iterator）或者 可遍历对象（如列表、字符串），enumerate可将其组...
pandas学习资料
07-09
**Pandas学习资料详解** Pandas是Python编程语言中用于数据处理和分析的重要库，它提供了高效的数据结构，如DataFrame和Series，使得数据清洗、转换、统计分析等工作变得轻松便捷。以下将根据提供的文件名，解析出...
pandas学习笔记
12-13
**Pandas学习笔记** 在数据科学领域，Python的Pandas库是不可或缺的工具，它为数据分析提供了强大且灵活的数据结构，如DataFrame和Series。Pandas的易用性和高性能使其成为初学者和专业数据科学家的首选。这篇笔记...
Pandas学习笔记整理.pdf
03-06
Pandas学习笔记整理
Pandas学习笔记
11-06
学习pandas时整理的学习笔记，包括了很多Pandas里面的函数的用法，并且对Pandas的使用有一个整体的框架
Pandas学习 – 基础
12-21
在Python的数据分析领域，Pandas库是不可或缺的工具，它提供了高效的数据处理和分析功能。在本文中，我们将深入探讨Pandas...通过深入学习Pandas，你将能够高效地处理和分析各种数据集，为数据分析工作打下坚实的基础。
python之enumerate函数
goongoup的博客
09-22 356
for index , i in enumerate(list[ ]): print(index) print(i) 返回元素的下标 index和元素 i 参考：https://blog.csdn.net/weixin_43283397/article/details/104537455
pandas笔记
qq_42962326的博客
03-18 4004
import pandas as pd data = pd.read_csv("Narrativedata.csv") 显示数据框信息 data.info() 2. 填充缺失值 fillna data["Age"] = data["Age"].fillna(data["Age"].mean()) 3.删除缺失值 data = data.dropna() 4 某一列去重 labels = data["Embarked"].unique().tolist() 5. 对某一列执行 la
Python——enumerate()函数用法总结
bingbangx的博客
07-05 458
这种方法简单，但是可能比较慢，当文件比较大时甚至不能工作。
Python学习笔记——enumerate（）函数
WoeGod的博客
02-21 1184
enumerate（）函数的描述 enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。 使用语法： enumerate(sequence,[start=0]) 参数 sequence 一个序列、迭代器或其他支持迭代的对象 （string、list 和 tuple 都属于 sequence（序列））...
python学习之enumerate函数
qq_29983883的博客
04-21 180
enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。 a = ["sf","svv"] for v in enumerate(a): print(v) 直接结果 (0, 'sf') (1, 'svv') 我们可以通过enumerate函数修改数组内容例如 a = ["sf","svv"] ...
python enumerate用法总结_python enumerate用法总结
weixin_42355272的博客
12-29 797
enumerate()说明enumerate()是python的内置函数enumerate在字典上是枚举、列举的意思对于一个可迭代的(iterable)/可遍历的对象(如列表、字符串)，enumerate将其组成一个索引序列，利用它可以同时获得索引和值enumerate多用于在for循环中得到计数例如对于一个seq，得到：(0, seq[0]), (1, seq[1]), (2, seq[2])1...
python --enumerate用法
woshizoe的专栏
02-26 538
http://blog.csdn.net/suofiya2008/article/details/5603861 python cookbook   Recipe 2.5. Counting Lines in a File ，      今日发现一个新函数 enumerate 。一般情况下对一个列表或数组既要遍历索引又要遍历元素时，会这样写： for i in range
python | 工作笔记 | pandas 常用总结
求知：数据科学家之路
09-26 839
之前使用pandas处理数据使用的少，最近在实习中经常用到，故自以为把心得总结一番。 说明：有部分是网上查到的案例，觉得很实用，就把它搬过来了。DataFrame的列名 concat拼接 merge 两个dataframe拼接 计算nan的个数 排序 删除重复记录 使用pandas画图中文显示问题 双坐标轴的图 enumerate函数 时间处理 时间转换为周几周月 画图 一个框中框中画多个图 多个子
python pandas学习
08-09
Python pandas学习可以涉及以下内容： 1. 数据结构简介：DataFrame和Series，它们是pandas中最重要的两种数据结构。 2. 数据索引index，了解如何对数据进行索引，以便快速查找和筛选数据。 3. 利用pandas查询数据，...
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