关于pandas中增减查改一些函数的理解应用

1：增

  1.1 insert

   目前本人关于pandas的增的函数只有insert用的多点

Dataframe.insert(loc, column, value, allow_duplicates=False)

其中：

• loc：int型，表示插入位置在第几列;若在第一列插入数据，则 loc=0

• column：给插入的列取名，如 column='新的一列’

• value：新列的值，数字、array、series等都可以

• allow_duplicates：是否允许列名重复，选择Ture表示允许新的列名与已存在的列名重复

例如：

 在使用insert函数后：

 或者插入array:

 1.2  

 第二种方法就是直接加入一个列就行。

2 ： 减

pandas—删除某行或某列数据_pandas 删除列_IT技术学习的博客-CSDN博客这个博客写的很清楚。

3：查

3.1    loc与iloc

可以看出，这两个长得还是挺像的，区别在于后面多了个i,这个i是index的缩写， loc是根据是根据行列名来提取数据，而iloc是根据索引来提取数据：

但是，如果用m.loc[2,1]就是错的：

正确的应该是：

3.2   isna和notna

这两个命令是用来处理缺失值的:

 3.2.1  isna

 

 利用isna命令，能够检查某一列是否有缺失值，也可以检查所有的列的缺失值情况，如果没有缺失值，则在单元格呈现Flase，有缺失就是True。也可以利用isna直接统计缺失了多少值：

或者也可以直接用info直接查看DataFrame的所有行列情况：

如果要查看某一列的缺失值在哪一行：

 3.2  notna

在使用notna统计缺失值的时候和isna刚好相反，True代表没有缺失，False代表缺失

同理，也可以统计所有列的缺失值总数：

 

 这时候呈现的是每列的所有值个数和。

如果想要把某一列没有缺失的行全部提取出来，可以：

4：改

4.1 map

import pandas as pd

t = pd.DataFrame(data=[[1, '不幸福'], [2, '幸福'], [8, '幸福'], [1, '不幸福']], columns=['a', 'b'])
print(t)
''' 
   a    b
0  1  不幸福
1  2   幸福
2  8   幸福
3  1  不幸福
'''
t['c'] = t['b'].map({'幸福':1, '不幸福':0})
print(t)
'''
   a    b  c
0  1  不幸福  0
1  2   幸福  1
2  8   幸福  1
3  1  不幸福  0
'''

用map的形式，能够把一列对应的数据赋值

4.2 fillna

fillna函数可以对缺失值进行填充

import pandas as pd

t = pd.DataFrame(data=[[1, '不幸福'], [None, '幸福'], [8, '幸福'], [None, '不幸福']], columns=['a', 'b'])
print(t)
'''
     a    b
0  1.0  不幸福
1  NaN   幸福
2  8.0   幸福
3  NaN  不幸福
'''

t['a'].fillna(0, inplace=True)
print(t)
'''
     a    b
0  1.0  不幸福
1  0.0   幸福
2  8.0   幸福
3  0.0  不幸福
'''

同时也可以对每一列所有不同的值进行统计：

import pandas as pd

t = pd.DataFrame(data=[[1, '不幸福'], [1, '幸福'], [8, '幸福'], [1, '不幸福']], columns=['a', 'b'])
a = t['b'].value_counts()
print(a)

'''
幸福     2
不幸福    2
Name: b, dtype: int64
'''

'''
t['b'].value_counts().index 该列含有的不同元素的种类

t['b'].value_counts().values 该列含有的不同元素的个数
'''

4.3  df.apply()

dataframe.apply(function,axis)对一行或一列做出一些操作（axis=1遍历行，axis=0遍历列）

import pandas as pd


def func(x):
    if x == '幸福':
        return 8
    else:
        return 9


t = pd.DataFrame(data=[[1, '不幸福'], [1, '幸福'], [8, '幸福'], [1, '不幸福']], columns=['a', 'b'])
print(t)
'''
   a    b
0  1  不幸福
1  1   幸福
2  8   幸福
3  1  不幸福
'''

t['b'] = t['b'].apply(func)
print(t)
'''
   a  b
0  1  9
1  1  8
2  8  8
3  1  9
'''

**  未完待续，以后再来更新