2022Python最全Pandas库相关知识

最新推荐文章于 2024-05-22 10:45:59 发布
最新推荐文章于 2024-05-22 10:45:59 发布
阅读量842 收藏 11
点赞数 1
分类专栏： Python 文章标签： pandas python 数据分析
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_46106857/article/details/127249485
版权

Pandas库相关知识

一、概述

引用菜鸟教程上的一段话：
Pandas 是 Python 语言的一个扩展程序库，用于数据分析。
Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。
Pandas 名字衍生自术语 “panel data”（面板数据）和 “Python data analysis”（Python 数据分析）。
Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）。
Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。
Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。

二、具体使用

1、基础使用

1.1 定义一个序列

s = pd.Series([1, 3, 6, np.nan, 44, 1])

print('-------------------------定义一个序列---------------------------')
print(s)

结果
在这里插入图片描述

1.2 定义一个普通的二维序列

s2 = pd.DataFrame(np.arange(12).reshape((3, 4)))

print('-------------------------定义一个普通的二维序列---------------------')
print(s2)

结果
在这里插入图片描述

1.3 定义一个时间序列

dates = pd.date_range('20221010', periods=6)

print('-------------------------定义一个时间序列-------------------------')
print(dates)

结果
在这里插入图片描述

1.4 自定义一个二维序列

df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=['a', 'b', 'c', 'd'])

print('-------------------------自定义一个二维序列------------------------')
print(df)

结果
在这里插入图片描述

1.5 重新定义一个序列

df2 = pd.DataFrame({
    'A': 1.,
    'B': pd.Timestamp('20130102'),
    'C': pd.Series(1, index=list(range(4)), dtype='float32'),
    'D': np.array([3] * 4, dtype='int32'),
    'E': pd.Categorical(["test", "train", "test", "train"]),
    'F': 'foo'
})

结果
在这里插入图片描述

（1）通过上述序列，获取列的值
print('-------------------------获取列的名字---------------------------')
print(df2.columns)

结果
在这里插入图片描述

（2）通过上述序列，获取每一行的值
print('-------------------------获取每一行的值---------------------------')
print(df2.values)

结果
在这里插入图片描述

（3）描述数据
print('-------------------------描述数据---------------------------')
print(df2.describe())

结果
在这里插入图片描述

（4）反转矩阵
print('-------------------------反转矩阵---------------------------')
print(df2.T)

结果
在这里插入图片描述

（5）从左到右倒序排列
print('-------------------------从左到右倒序排列---------------------------')
print(df2.sort_index(axis=1, ascending=False))

结果
在这里插入图片描述

（6）从上到下倒序排列
print('-------------------------从上到下倒序排列---------------------------')
print(df2.sort_index(axis=0, ascending=False))

结果
在这里插入图片描述

（7）根据某一列的值进行排序
print('-------------------------根据某一列的值进行排列---------------------------')
print(df2.sort_values(by='E'))

结果
在这里插入图片描述

1.6 完整代码

import pandas as pd
import numpy as np

s = pd.Series([1, 3, 6, np.nan, 44, 1])

s2 = pd.DataFrame(np.arange(12).reshape((3, 4)))

dates = pd.date_range('20221010', periods=6)

df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=['a', 'b', 'c', 'd'])

df2 = pd.DataFrame({
    'A': 1.,
    'B': pd.Timestamp('20130102'),
    'C': pd.Series(1, index=list(range(4)), dtype='float32'),
    'D': np.array([3] * 4, dtype='int32'),
    'E': pd.Categorical(["test", "train", "test", "train"]),
    'F': 'foo'
})

if __name__ == '__main__':
    print('-------------------------定义一个序列---------------------------')
    print(s)

    print('-------------------------定义一个普通的二维序列---------------------')
    print(s2)

    print('-------------------------定义一个时间序列-------------------------')
    print(dates)

    print('-------------------------自定义一个二维序列------------------------')
    print(df)

    print('-------------------------定义一个新的序列---------------------------')
    print(df2)

    print('-------------------------获取列的名字---------------------------')
    print(df2.columns)

    print('-------------------------获取每一行的值---------------------------')
    print(df2.values)

    print('-------------------------描述数据---------------------------')
    print(df2.describe())

    print('-------------------------反转矩阵---------------------------')
    print(df2.T)

    print('-------------------------从左到右倒序排列---------------------------')
    print(df2.sort_index(axis=1, ascending=False))

    print('-------------------------从上到下倒序排列---------------------------')
    print(df2.sort_index(axis=0, ascending=False))

    print('-------------------------根据某一列的值进行排列---------------------------')
    print(df2.sort_values(by='E'))

2、pandas选择数据

2.1 定义一个二维序列

dates = pd.date_range('20220101', periods=6)
df = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])

print(df)

结果
在这里插入图片描述

（1）找出某一列的信息
 print('----------------------------找出A这一列的信息---------------------')
 print(df['A'], df.A)

结果
在这里插入图片描述

（2）根据序列号找出某几行的信息
print('----------------------------找出这三行的信息方式1-----------------------')
print(df[0:3])

结果
在这里插入图片描述

（3）根据index值（标签名）找出某几行信息
print('----------------------------找出这三行的信息方式2---------------------')
print(df['20220102':'20220104'])

结果
在这里插入图片描述

（4）对单个标签进行筛选
print('----------------------------对单个标签进行筛选---------------------')
print(df.loc['20220103'])

结果
在这里插入图片描述

（5）通过序列号和标签名混合使用
print('----------------------------混合使用---------------------')
print(df.loc[:, ['A', 'B']])

结果
在这里插入图片描述

（6）选择某一行的数据
print('----------------------------选择某一行的数据---------------------')
print(df.iloc[3])

结果
在这里插入图片描述

（7）选择某一行某一个的数据
print('----------------------------选择某一行某一个的数据---------------------')
print(df.iloc[3,1])

结果
在这里插入图片描述

（8）结合切片操作选择数据
print('----------------------------结合切片操作选择数据---------------------')
print(df.iloc[3:5, 1:3])

结果
在这里插入图片描述

（9）通过判断来删选数据
print('----------------------------通过判断来筛选数据---------------------')
print(df[df.A < 8])

结果
在这里插入图片描述

2.2 完整代码

import pandas as pd
import numpy as np

dates = pd.date_range('20220101', periods=6)
df = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])

if __name__ == '__main__':
    print(df)

    print('----------------------------找出A这一列的信息---------------------')
    print(df['A'], df.A)

    print('----------------------------找出这三行的信息方式1-----------------------')
    print(df[0:3])

    print('----------------------------找出这三行的信息方式2---------------------')
    print(df['20220102':'20220104'])

    print('----------------------------对单个标签进行筛选---------------------')
    print(df.loc['20220103'])

    print('----------------------------混合使用---------------------')
    print(df.loc[:, ['A', 'B']])

    print('----------------------------选择某一行的数据---------------------')
    print(df.iloc[3])

    print('----------------------------选择某一行某一个的数据---------------------')
    print(df.iloc[3, 1])

    print('----------------------------结合切片操作选择数据---------------------')
    print(df.iloc[3:5, 1:3])

    print('----------------------------通过判断来筛选数据---------------------')
    print(df[df.A < 8])

3、pandas设置值

3.1 定义一个二维序列

dates = pd.date_range('20220101', periods=6)
df = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])

print(df)

结果

在这里插入图片描述

（1）通过序列号改变某一位的值
print('--------------------通过序列号改变某一位的值---------------------')
df.iloc[2, 2] = 1111
print(df)

结果
在这里插入图片描述

（2）通过标签改变某一位的值
print('--------------------通过标签改变某一位的值---------------------')
df.loc['20220103', 'B'] = 2222
print(df)

结果
在这里插入图片描述

（3）通过判断条件改变值
print('--------------------通过判断结果改变值---------------------')
df[df.A > 4] = 0
print(df)

结果
在这里插入图片描述

（4）通过判断条件改变某一列的值
print('--------------------通过判断结果改变某一列的值---------------------')
df.A[df.A > 4] = 0
print(df)

结果
在这里插入图片描述

（5）增加某一列
print('--------------------增加某一列---------------------')
df['E'] = np.nan
print(df)

结果
在这里插入图片描述

（6）自定义增加某一列
print('--------------------自定义增加某一列---------------------')
df['F'] = pd.Series([1,2,3,4,5,6],index=pd.date_range('20220101',periods=6))
print(df)

结果
在这里插入图片描述

3.2 完整代码

import pandas as pd
import numpy as np

dates = pd.date_range('20220101', periods=6)
df = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])

if __name__ == '__main__':
    print(df)

    print('--------------------通过序列号改变某一位的值---------------------')
    df.iloc[2, 2] = 1111
    print(df)

    print('--------------------通过标签改变某一位的值---------------------')
    df.loc['20220103', 'B'] = 2222
    print(df)

    # print('--------------------通过判断结果改变值---------------------')
    # df[df.A > 4] = 0
    # print(df)

    print('--------------------通过判断结果改变某一列的值---------------------')
    df.A[df.A > 4] = 0
    print(df)

    print('--------------------增加某一列---------------------')
    df['E'] = np.nan
    print(df)

    print('--------------------自定义增加某一列---------------------')
    df['F'] = pd.Series([1,2,3,4,5,6],index=pd.date_range('20220101',periods=6))
    print(df)

4、pandas处理丢失数据

4.1 定义一个二维序列并将某两个数据赋值为nan

dates = pd.date_range('20220101', periods=6)
df = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
df.iloc[0, 1] = np.nan
df.iloc[1, 2] = np.nan

结果
在这里插入图片描述

（1）将数值为nan的行给删除
print('--------------------将数值为nan的行给删除-----------------------')
print(df.dropna(axis=0, how='any'))

结果
在这里插入图片描述

（2）将值为nan的值填充为0
print('--------------------将数值为nan的值填充为0-----------------------')
print(df.fillna(value=0))

结果
在这里插入图片描述

（3）判断数据是否为null
print('--------------------判断数据是否数值为nan-----------------------')
print(df.isnull())

结果
在这里插入图片描述

（4）判断数据是否存在值为nan的数据
print('--------------------判断数据是否存在值为nan的数据-----------------------')
print(np.any(df.isnull()) == True)

结果
在这里插入图片描述

4.2 完整代码

import pandas as pd
import numpy as np

dates = pd.date_range('20220101', periods=6)
df = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
df.iloc[0, 1] = np.nan
df.iloc[1, 2] = np.nan

if __name__ == '__main__':
    print(df)

    print('--------------------将数值为nan的行给删除-----------------------')
    print(df.dropna(axis=0, how='any'))

    print('--------------------将数值为nan的值填充为0-----------------------')
    print(df.fillna(value=0))

    print('--------------------判断数据是否数值为nan-----------------------')
    print(df.isnull())

    print('--------------------判断数据是否存在值为nan的数据-----------------------')
    print(np.any(df.isnull()) == True)

5、pandas导入导出

5.1 读取csv表

#读取csv表
data = pd.read_csv('doc/test.csv')

结果
在这里插入图片描述

5.2 保存数据

#保存数据为pickle
data.to_pickle('doc/test.pickle')

结果
在这里插入图片描述

5.3 完整代码

import pandas as pd

data = pd.read_csv('doc/test.csv')

if __name__ == '__main__':
    print(data)

    data.to_pickle('doc/test.pickle')

6、pandas合并操作（concat）

6.1 定义三个二维序列

df1 = pd.DataFrame(np.ones((3, 4)) * 0, columns=['a', 'b', 'c', 'd'])
df2 = pd.DataFrame(np.ones((3, 4)) * 1, columns=['a', 'b', 'c', 'd'])
df3 = pd.DataFrame(np.ones((3, 4)) * 2, columns=['a', 'b', 'c', 'd'])

结果
在这里插入图片描述

（1）concat合并后的效果
print('------------------------------合并后的效果------------------------')
res = pd.concat([df1, df2, df3], axis=0, ignore_index=True)
print(res)

结果
在这里插入图片描述

6.2 定义两个新的二维序列

df4 = pd.DataFrame(np.ones((3, 4)) * 0, columns=['a', 'b', 'c', 'd'], index=[1, 2, 3])
df5 = pd.DataFrame(np.ones((3, 4)) * 1, columns=['b', 'c', 'd', 'e'], inde

结果
在这里插入图片描述

（1）inner合并
print('-----------------------------inner合并-------------------------')
res = pd.concat([df4, df5], join='inner', ignore_index=True)
print(res)

结果
在这里插入图片描述

（2）从左到右合并
print('-----------------------------从左到右合并，指定合并的方式-------------------------')
res2 = pd.concat([df4, df5], axis=1)
print(res2)

结果
在这里插入图片描述

（3）使用append单个添加，默认从上到下合并
print('-----------------------------使用append，默认从上到下合并-------------------------')
res2 = df1.append(df2, ignore_index=True)
print(res2)

结果
在这里插入图片描述

（4）使用append多个添加，默认从上到下合并
print('-----------------------------使用append多个合并，默认从上到下合并-------------------------')
res2 = df1.append([df2, df3], ignore_index=True)
print(res2)

结果
在这里插入图片描述

（5）使用append添加一行数据
print('-----------------------------使用append，添加一行数据-------------------------')
s1 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
res2 = df1.append(s1, ignore_index=True)
print(res2)

结果
在这里插入图片描述

6.3 完整代码


import pandas as pd
import numpy as np

df1 = pd.DataFrame(np.ones((3, 4)) * 0, columns=['a', 'b', 'c', 'd'])
df2 = pd.DataFrame(np.ones((3, 4)) * 1, columns=['a', 'b', 'c', 'd'])
df3 = pd.DataFrame(np.ones((3, 4)) * 2, columns=['a', 'b', 'c', 'd'])

df4 = pd.DataFrame(np.ones((3, 4)) * 0, columns=['a', 'b', 'c', 'd'], index=[1, 2, 3])
df5 = pd.DataFrame(np.ones((3, 4)) * 1, columns=['b', 'c', 'd', 'e'], index=[2, 3, 4])

if __name__ == '__main__':
    print(df1)
    print(df2)
    print(df3)

    print('------------------------------合并后的效果------------------------')
    res = pd.concat([df1, df2, df3], axis=0, ignore_index=True)
    print(res)

    print('------------------------------组合2------------------------')
    print(df4)
    print(df5)

    print('-----------------------------inner合并-------------------------')
    res = pd.concat([df4, df5], join='inner', ignore_index=True)
    print(res)

    print('-----------------------------从左到右合并，指定合并的方式-------------------------')
    res2 = pd.concat([df4, df5], axis=1)
    print(res2)

    print('-----------------------------使用append，默认从上到下合并-------------------------')
    res2 = df1.append(df2, ignore_index=True)
    print(res2)

    print('-----------------------------使用append多个合并，默认从上到下合并-------------------------')
    res2 = df1.append([df2, df3], ignore_index=True)
    print(res2)

    print('-----------------------------使用append，添加一行数据-------------------------')
    s1 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
    res2 = df1.append(s1, ignore_index=True)
    print(res2)

7、pandas合并二（merge）

7.1 定义两个二维序列（场景1）

left = pd.DataFrame({
    'key': ['k0', 'k1', 'k2', 'k3'],
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3'],
})

right = pd.DataFrame({
    'key': ['k0', 'k1', 'k2', 'k3'],
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3'],
})

结果
在这里插入图片描述

（1）merge合并
print('------------------------------merge合并--------------------------------')
res = pd.merge(left, right, on='key')
print(res)

结果
在这里插入图片描述

7.2 重新定义两个序列（场景2）

left2 = pd.DataFrame({
    'key': ['k0', 'k0', 'k1', 'k2'],
    'key2': ['k0', 'k1', 'k0', 'k1'],
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3'],
})

right2 = pd.DataFrame({
    'key': ['k0', 'k1', 'k1', 'k2'],
    'key2': ['k0', 'k0', 'k0', 'k0'],
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3'],
})

结果
在这里插入图片描述

（1）根据多个条件进行merge合并
print('------------------------------根据多个条件，进行merge合并--------------------------------')
res2 = pd.merge(left2, right2, on=['key', 'key2'])
print(res2)

结果
在这里插入图片描述

（2）outer进行merge合并
print('------------------------------outer进行merge合并--------------------------------')
res2 = pd.merge(left2, right2, on=['key', 'key2'], how='outer')
print(res2)

结果
在这里插入图片描述

（3）right进行merge合并
print('------------------------------right进行merge合并--------------------------------')
res2 = pd.merge(left2, right2, on=['key', 'key2'], how='right')
print(res2)

结果
在这里插入图片描述

7.3 再次定义两个二维序列（场景3）

df1 = pd.DataFrame({'col1': [0, 1], 'col_left': ['a', 'b']})
df2 = pd.DataFrame({'col1': [1, 2, 2], 'col_right': [2, 2, 2]})

print(df1)
print(df2)

结果
在这里插入图片描述

（1）进行right合并时，显示合并策略
print('------------------------------显示合并操作--------------------------------')
res3 = pd.merge(df1, df2, on='col1', how='outer', indicator=True)
print(res3)

结果
在这里插入图片描述

（2）修改合并策略的字段名
print('--------------------------------修改合并策略的字段名------------------------------')
res3 = pd.merge(df1, df2, on='col1', how='outer', indicator='indicator_column')
print(res3)

结果
在这里插入图片描述

7.4 之后定义两个二维序列（场景4）

left3 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2'],
    'B': ['B0', 'B1', 'B2'],
},
    index=['k0', 'k1', 'k2']
)

right3 = pd.DataFrame({
    'C': ['C0', 'C1', 'C2'],
    'D': ['D0', 'D1', 'D2'],
},
    index=['k0', 'k2', 'k3']
)

结果
在这里插入图片描述

（1）根据index来进行merge合并
print('--------------------------------index合并------------------------------')
res4 = pd.merge(left3, right3, left_index=True, right_index=True, how='outer')
print(res4)

结果
在这里插入图片描述

7.5 最后定义两个二维序列（场景5）

boys = pd.DataFrame({'k': ['K0', 'K1', 'K2'], 'age': [1, 2, 3]})
girls = pd.DataFrame({'k': ['K0', 'K0', 'K3'], 'age': [4, 5, 6]})

print(boys)
print(girls)

结果是
在这里插入图片描述

（1）merge合并后增加后缀
print('--------------------------------合并后增加后缀------------------------------')
res5 = pd.merge(boys, girls, on='k', suffixes=['_boy', '_girl'], how='outer')
print(res5)

结果
在这里插入图片描述

7.6 完整代码

import pandas as pd

left = pd.DataFrame({
    'key': ['k0', 'k1', 'k2', 'k3'],
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3'],
})

right = pd.DataFrame({
    'key': ['k0', 'k1', 'k2', 'k3'],
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3'],
})

left2 = pd.DataFrame({
    'key': ['k0', 'k0', 'k1', 'k2'],
    'key2': ['k0', 'k1', 'k0', 'k1'],
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3'],
})

right2 = pd.DataFrame({
    'key': ['k0', 'k1', 'k1', 'k2'],
    'key2': ['k0', 'k0', 'k0', 'k0'],
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3'],
})

df1 = pd.DataFrame({'col1': [0, 1], 'col_left': ['a', 'b']})
df2 = pd.DataFrame({'col1': [1, 2, 2], 'col_right': [2, 2, 2]})

left3 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2'],
    'B': ['B0', 'B1', 'B2'],
},
    index=['k0', 'k1', 'k2']
)

right3 = pd.DataFrame({
    'C': ['C0', 'C1', 'C2'],
    'D': ['D0', 'D1', 'D2'],
},
    index=['k0', 'k2', 'k3']
)

boys = pd.DataFrame({'k': ['K0', 'K1', 'K2'], 'age': [1, 2, 3]})
girls = pd.DataFrame({'k': ['K0', 'K0', 'K3'], 'age': [4, 5, 6]})

if __name__ == '__main__':
    print(left)
    print(right)

    print('------------------------------merge合并--------------------------------')
    res = pd.merge(left, right, on='key')
    print(res)

    print(left2)
    print(right2)

    print('------------------------------根据多个条件，进行merge合并--------------------------------')
    res2 = pd.merge(left2, right2, on=['key', 'key2'])
    print(res2)

    print('------------------------------outer进行merge合并--------------------------------')
    res2 = pd.merge(left2, right2, on=['key', 'key2'], how='outer')
    print(res2)

    print('------------------------------right进行merge合并--------------------------------')
    res2 = pd.merge(left2, right2, on=['key', 'key2'], how='right')
    print(res2)

    print('------------------------------分割线--------------------------------')
    print(df1)
    print(df2)

    print('------------------------------显示合并操作--------------------------------')
    res3 = pd.merge(df1, df2, on='col1', how='outer', indicator=True)
    print(res3)

    print('--------------------------------修改合并策略的字段名------------------------------')
    res3 = pd.merge(df1, df2, on='col1', how='outer', indicator='indicator_column')
    print(res3)

    print('--------------------------------分割线------------------------------')
    print(left3)
    print(right3)

    print('--------------------------------index合并------------------------------')
    res4 = pd.merge(left3, right3, left_index=True, right_index=True, how='outer')
    print(res4)

    print('--------------------------------分割线------------------------------')
    print(boys)
    print(girls)

    print('--------------------------------合并后增加后缀------------------------------')
    res5 = pd.merge(boys, girls, on='k', suffixes=['_boy', '_girl'], how='outer')
    print(res5)

8、pandas画图(plot)

8.1 单个线性图

# Seris
data = pd.Series(np.random.randn(1000), index=np.arange(1000))
data = data.cumsum()
data.plot()
plt.show()

结果
在这里插入图片描述

8.2 多个线性图

# DataFrame
data2 = pd.DataFrame(np.random.randn(1000, 4), index=np.arange(1000), columns=list("ABCD"))
data2 = data2.cumsum()

data2.plot()
plt.show()

结果
在这里插入图片描述

8.3 散点图

ax = data2.plot.scatter(x='A', y='B', color='DarkBlue', label='Class1')
data2.plot.scatter(x='A', y='C', color='DarkGreen', label='Class2', ax=ax)
plt.show()

结果
在这里插入图片描述

8.4 完整代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

if __name__ == '__main__':
    # Seris
    data = pd.Series(np.random.randn(1000), index=np.arange(1000))
    data = data.cumsum()

    # DataFrame
    data2 = pd.DataFrame(np.random.randn(1000, 4), index=np.arange(1000), columns=list("ABCD"))
    data2 = data2.cumsum()
    # data2.plot()

    ax = data2.plot.scatter(x='A', y='B', color='DarkBlue', label='Class1')
    data2.plot.scatter(x='A', y='C', color='DarkGreen', label='Class2', ax=ax)
    plt.show()

未完待续

熊凯瑞
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Python进阶-Pandas数据分析库
06-11
您观看课程学习后免费入群领取【超全...本课程会讲解到pandas中最核心的一些知识点，包括Series以及DataFrame的构建，赋值，操作，选择数据，合并等等，以及使用pandas对文件进行读取和写入，使用pandas绘图等等。
python-pandas用法大全
一起来学深度学习鸭的博客
11-15 6363
我想要让列按照 [“0 probability”, “1 probability”, …当然，这里的 by参数 也可以是一个列表，表示优先满足第一排序，在满足第二排序…问题描述：想要把 DataFrame 最后一列 label 的数据格式从。的表头不一样（顺序不一样或是部分feature不一样），则需要用到。在表头顺序一样的情况下，可以这样无脑连接两个。如果以某一列为“辨识列”，则需要用到。如果两个表头顺序不一样，修改参数。的名称进行修改，我们采用。读取时要注意的参数有。，即可，他会自动识别。
Python扩展库_Pandas
dongkang123456的博客
08-13 346
什么是Pandas？ 处理高级数据结构、用于数据分析的Python库。 Pandas的特点 基于Numpy 构建的一种工具； 基础数据类型是DataFrame; 数据预处理 使用info查看空值 import pandas as pd demo1 = pd.read_csv('DataDemo1.csv',encoding='utf-8') demo1.info() 使用isnull查看空值 import pandas as pd demo1 = pd.read_csv('DataDemo1.
Pandas库的基础内容
m0_62907411的博客
03-06 391
· 数据结构分析 · 索引操作及高级索引 · 数据排序 · 统计计算与描述 · 层次化索引 · 读写数据操作
【Python】Pandas的基本功能及使用人群
奥利文儿的博客
07-17 1178
Pandas对数据的处理是为数据分析服务的，它所提供的各种数据处理方法、工具是基于数理统计学的，包含了日常应用中的众多数据分析方法。我们学习它不仅要掌控它的相应技术，还要从它的数据处理思路中学习数据分析的理论和方法。特别地，如果你想要成为数据分析师、数据产品经理、数据开发工程师等与数据相关的工作者，学习Pandas能让你深入数据理论和实践，更好地理解和应用数据。...
pandas库的介绍
weixin_45063957的博客
07-26 1715
pandas库主要是解决如何提取数据的特征，提供高性能数据分析工具； 此库详情：http://pandas.pydata.org 引用方法：import pandas as pd pandas 是基于numpy库实现的，常与numpy库和matplotlib库一起使用； import pandas as pd d=pd.Series(range(20)) #这个函数是产生一个序列类...
深入浅析python的第三方库pandas
09-17
主要介绍了python的第三方库pandas的相关知识，本文给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下
python-活用pandas库数据集
04-15
python，pandas，dataframe，seires，dataframe基础知识，pandas数据结构，绘图入门，数据组合，缺失数据处理，数据整理，文本数据处理，数据建模
Python之Pandas知识点
02-24
很多人都分不清Numpy，Scipy，pandas三个库的区别。在这里简单分别一下：NumPy：数学计算库，以矩阵为基础的数学计算模块，包括基本的四则运行，方程式以及其他方面的计算什么的，纯数学；SciPy：科学计算库，有一些...
Python-pandas基础习题与答案
07-06
Python中的pandas与matplotlib,numpy等库进行数据分析的一些基础代码。
python库之pandas（2022/7/18）
weixin_46763745的博客
07-18 300
总结，pandas可以先看这部分。其他的可以边完成项目，边学习。
2022-07 Pandas进阶复盘汇总
热门推荐
小小明-代码实体的专栏
07-17 3万+
重读了《Pandas 百问百答》和《joyful-pandas》，对一些容易遗忘及相关内容进行复盘总结。
Python学习路线（2022修正版）
y19910825的博客
01-26 108
我最近想在微信小程序推送通知，于是开始学怎么弄模板消息。 首先要配置服务器域名和消息推送配置。 先配置服务器域名吧，这个简单。配置服务器域名 首先进入小程序后台>>开发>>开发设置，找到服务器域名 开始配置，把你的域名填上就好了。 这样就配好服务器域名了。 注意，这里配置域名时都是以https://开头的，所以要把网站升级为https，具体怎么操作，找百度，网上有很多教程。 消息服务器配置 找到消息推送，然后启用。 它会叫你配置几个信息 这里好坑..
python学习-使用pandas库分析excel表，并导出所需的表
SixSix的自留地
05-16 290
使用pandas库分析excel表中多个子表的数据
python项目如何读取配置文件（配置端口号，ip等等）
weixin_42759398的博客
05-16 243
然后在文件夹内新建一个config.ini。这样就能将配置和代码分离。
使用Python操作excel单元格——在单元格中插入公式
xll_007的博客
05-16 508
使用Python操作excel单元格——在单元格中插入公式。 通过使用Python的openpyxl库，来操作excel单元格，在单元格中插入公式的操作。把学习的过程分享给大家。大佬勿喷！
python数据分析numpy基础之intersect1d求数组交集
sinat_34735632的博客
05-19 248
python的numpy库的intersect1d(x,y)函数，计算x和y的公共元素，并返回去重后的有序结果。相当于求两个数组中的交集，并且进行去重和排序。numpy.intersect1()查找两个数组的公共元素，并且返回去重后的有序结果。ar1，ar2：必选，列表、元组、数组；如果是多维则自动转一维数组；assume_unique：可选，bool，默认False，若为True则可以加快计算素材，此时ar1和ar2需为元素唯一的数组，否则结果不会去重；
pytest：指定测试用例执行顺序
最新发布
铁之贝克的博客
05-22 232
在自动化测试中，测试用例的执行顺序有时对测试结果具有重要影响。本文将介绍如何在pytest框架中使用插件以及Collection hooks来控制测试用例的执行顺序。
python 图论最短路径
weixin_42490599的博客
05-16 233
在图论中，有许多算法可以用来求解最短路径问题，其中最著名的算法之一是Dijkstra算法。Dijkstra算法用于求解从一个顶点到其他所有顶点的最短路径，它适用于有向无环图（DAG）或无负权边的图。在上面的示例中，dijkstra函数接受一个图（以字典形式表示）和一个起始节点作为参数，然后使用Dijkstra算法来计算从起始节点到其他所有节点的最短距离。最终返回一个包含最短距离的字典。
python的pandas库和numpy库的知识点和作用及如何运用
07-28
Pandas库是一个用于数据处理和分析的Python库，它提供了高级的数据结构和数据操作工具，使得数据的清洗、转换、分析和可视化变得更加简单和高效。Pandas库建立在NumPy库的基础上，扩展了NumPy的功能，提供了更多高级的数据处理功能和灵活性。\[2\] Pandas库的主要数据结构是Series和DataFrame。Series是一维的标签化数组，类似于带有标签的NumPy数组。DataFrame是一个二维的表格型数据结构，可以看作是由多个Series组成的。Pandas库提供了丰富的数据操作方法，包括数据的选择、过滤、排序、合并、分组、聚合等。此外，Pandas还提供了处理缺失数据、时间序列数据、数据可视化等功能。\[3\] NumPy库是Python中用于科学计算的基础库，它提供了高性能的多维数组对象和相关的计算函数。NumPy的核心是ndarray（N-dimensional array）对象，它是一个多维的同类型数据容器，可以进行快速的向量化操作。NumPy库提供了丰富的数学、逻辑、统计等函数，以及线性代数、傅里叶变换等功能。\[1\] Pandas库和NumPy库在数据处理和分析方面有着密切的关联。Pandas库的数据结构和操作方法都是基于NumPy的ndarray对象构建的。Pandas库提供了更高级的数据处理功能，使得数据的清洗、转换和分析更加方便。同时，Pandas库还与其他Python科学计算库和工具紧密结合，如SciPy、Matplotlib等，共同构成了Python科学计算生态系统的基础。\[2\]\[3\] 在实际应用中，可以使用Pandas库和NumPy库来处理和分析各种类型的数据。例如，可以使用Pandas库读取和写入各种格式的数据文件，如CSV、Excel等；可以使用NumPy库进行数值计算和数组操作；可以使用Pandas库进行数据的清洗、转换和分析；可以使用Matplotlib库进行数据的可视化等。通过灵活运用这两个库的功能，可以更加高效地处理和分析数据。 #### 引用[.reference_title] - *1* [python的 numpy库学习总结和介绍(超详细)模块](https://blog.csdn.net/weixin_66224671/article/details/125338729)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [【数据分析知识点】Numpy 和 Pandas的区别](https://blog.csdn.net/m0_59541412/article/details/130482080)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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

打赏作者

熊凯瑞

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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