Pandas必会的方法汇总，用Python做数据分析更加如鱼得水！（附代码）_python unique value single value列单一值比例(1)

本文链接：https://blog.csdn.net/rr8f2haQf/article/details/138049054

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

| 11 | df.iloc[行位置，列位置] | 通过默认生成的数字索引查询指定的数据。 |

举例：按索引提取单行的数值

df_inner.loc[3]

序号	方法	说明
1	df[val]	从DataFrame选取单列或一组列；在特殊情况下比较便利：布尔型数组（过滤行）、切片（行切片）、或布尔型DataFrame（根据条件设置值）
2	df.loc[val]	通过标签，选取DataFrame的单个行或一组行
3	df.loc[：,val]	通过标签，选取单列或列子集
4	df.1oc[val1,val2]	通过标签，同时选取行和列
5	df.iloc[where]	通过整数位置，从DataFrame选取单个行或行子集
6	df.iloc[where_i,where_j]	通过整数位置，同时选取行和列
7	df.at[1abel_i,1abel_j]	通过行和列标签，选取单一的标量
8	df.iat[i,j]	通过行和列的位置（整数），选取单一的标量
9	reindex	通过标签选取行或列
10	get_value	通过行和列标签选取单一值
11	set_value	通过行和列标签选取单一值

举例：使用iloc按位置区域提取数据

df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。

序号	函数	说明
1	.sort_index(axis=0, ascending=True)	根据指定轴索引的值进行排序
2	Series.sort_values(axis=0, ascending=True)	只能根据0轴的值排序。
3	DataFrame.sort_values(by, axis=0, ascending=True)	参数by为axis轴上的某个索引或索引列表。

举例：按照索引列排序

df_inner.sort_index()

序号	方法	说明
1	.idxmin()	计算数据最小值所在位置的索引（自定义索引）
2	.idxmax()	计算数据最大值所在位置的索引（自定义索引）
3	.argmin()	计算数据最小值所在位置的索引位置（自动索引）
4	.argmax()	计算数据最大值所在位置的索引位置（自动索引）
5	.describe()	针对各列的多个统计汇总，用统计学指标快速描述数据的概要
6	.sum()	计算各列数据的和
7	.count()	非NaN值的数量
8	.mean( )	计算数据的算术平均值
9	.median()	计算算术中位数
10	.var()	计算数据的方差
11	.std()	计算数据的标准差
12	.corr()	计算相关系数矩阵
13	.cov()	计算协方差矩阵
14	.corrwith()	利用DataFrame的corrwith方法，可以计算其列或行跟另一个Series或DataFrame之间的相关系数。
15	.min()	计算数据的最小值
16	.max()	计算数据的最大值
17	.diff()	计算一阶差分，对时间序列很有效
18	.mode()	计算众数，返回频数最高的那（几）个
19	.mean()	计算均值
20	.quantile()	计算分位数（0到1）
21	.isin()	用于判断矢量化集合的成员资格，可用于过滤Series中或DataFrame列中数据的子集
22	.unique()	返回一个Series中的唯一值组成的数组。
23	.value_counts()	计算一个Series中各值出现的频率。

举例：判断city列的值是否为北京

df_inner[‘city’].isin([‘beijing’])

序号	方法	说明
1	DataFrame.groupby()	分组函数
2	pandas.cut()	根据数据分析对象的特征，按照一定的数值指标，把数据分析对象划分为不同的区间部分来进行研究，以揭示其内在的联系和规律性。

举例：.groupby用法

group_by_name=salaries.groupby(‘name’) print(type(group_by_name))

输出结果为：

序号	方法	说明
1	read_csv	从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为逗号
2	read_table	从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为制表符（t）
3	read_ fwf	读取定宽列格式数据（也就是说，没有分隔符）
4	read_clipboard	读取剪贴板中的数据，可以看做read_table的剪贴板版。再将网页转换为表格时很有用
5	read_excel	从ExcelXLS或XLSXfile 读取表格数据
6	read_hdf	读取pandas写的HDF5文件
7	read_html	读取HTML文档中的所有表格
8	read_json	读取JSON字符串中的数据
9	read_msgpack	二进制格式编码的pandas数据
10	read_pickle	读取Python pickle格式中存储的任意对象
11	read_sas	读取存储于SAS系统自定义存储格式的SAS数据集
12	read_sql	读取SQL 查询结果为pandas的DataFrame
13	read_stata	读取Stata文件格式的数据集
14	read_feather	读取 Feather二进制文件格式

举例：导入CSV或者xlsx文件

df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1))df = pd.DataFrame(pd.read_excel(‘name.xlsx’))

序号	方法	说明
1	.fillna(value,method,limit,inplace)	填充缺失值
2	.dropna()	删除缺失数据
3	.info()	查看数据的信息，包括每个字段的名称、非空数量、字段的数据类型
4	.isnull()	返回一个同样长度的值为布尔型的对象（Series或DataFrame），表示哪些值是缺失的

举例：查看数据表基本信息（维度、列名称、数据格式等等）

df.info()

序号	方法	说明
1	.replace(old, new)	用新的数据替换老的数据，如果希望一次性替换多个值，old和new可以是列表。默认会返回一个新的对象，传入inplace=True可以对现有对象进行就地修改。
2	.duplicated()	判断各行是否是重复行，返回一个布尔型Series。
3	.drop_duplicates()	删除重复行，返回删除后的DataFrame对象。

举例：删除后出现的重复值：

df[‘city’].drop_duplicates()