pandas入门学习第一天第一部分

最新推荐文章于 2024-04-08 11:08:24 发布
最新推荐文章于 2024-04-08 11:08:24 发布
阅读量94 收藏
点赞数
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/sara686/article/details/103102992
版权 
In [1]: import pandas as pd
In [2]: import numpy as np
In [3]: s = pd.Series([1,3,5,np.Na])
In [4]: dates = pd.date_range("20160301", periods=6)
In [5]: dates
DatetimeIndex(['2016-03-01', '2016-03-02', '2016-03-03', '2016-03-04',
               '2016-03-05', '2016-03-06'],
              dtype='datetime64[ns]', freq='D')
  In [6]: data = pd.DataFrame(np.random.randn(6,4), index=dates,columns=list("ABCD"))
  In [7]: data
  Out[7]:
                   A         B         C         D
2016-03-01 -0.222083 -0.963381 -0.172100  0.690578
2016-03-02  0.010768 -0.149352 -0.408257  1.341249
2016-03-03  1.808672 -0.234542 -0.566456  0.588830
2016-03-04 -0.315677 -1.339445  1.154074  0.411009
2016-03-05  0.850521 -0.302853 -0.978198 -0.991488
2016-03-06  1.505182 -0.087285  1.641413  2.316626
In [8]: data.shape
Out[8]: (6, 4)
In [9]: data.values
Out[9]:
array([[-0.22208318, -0.96338087, -0.17209986,  0.69057764],
       [ 0.01076758, -0.14935166, -0.40825718,  1.34124888],
       [ 1.80867181, -0.23454168, -0.56645639,  0.58882996],
       [-0.31567662, -1.33944465,  1.15407395,  0.41100917],
       [ 0.85052137, -0.30285326, -0.97819807, -0.99148776],
       [ 1.50518199, -0.08728479,  1.64141316,  2.31662617]])
 In [11]: data.index
 Out[11]:
DatetimeIndex(['2016-03-01', '2016-03-02', '2016-03-03', '2016-03-04',
               '2016-03-05', '2016-03-06'],
              dtype='datetime64[ns]', freq='D')
  In [12]: data.columns
  Out[12]: Index(['A', 'B', 'C', 'D'], dtype='object')
In [15]: data.describe()
Out[15]:
              A         B         C         D
count  6.000000  6.000000  6.000000  6.000000
mean   0.606230 -0.512809  0.111746  0.726134
std    0.916979  0.514009  1.041656  1.093405
min   -0.315677 -1.339445 -0.978198 -0.991488
25%   -0.163870 -0.798249 -0.526907  0.455464
50%    0.430644 -0.268697 -0.290179  0.639704
75%    1.341517 -0.170649  0.822531  1.178581
max    1.808672 -0.087285  1.641413  2.316626
In [17]: data.T
Out[17]:
   2016-03-01  2016-03-02  2016-03-03  2016-03-04  2016-03-05  2016-03-06
A   -0.222083    0.010768    1.808672   -0.315677    0.850521    1.505182
B   -0.963381   -0.149352   -0.234542   -1.339445   -0.302853   -0.087285
C   -0.172100   -0.408257   -0.566456    1.154074   -0.978198    1.641413
D    0.690578    1.341249    0.588830    0.411009   -0.991488    2.316626
In [18]: data
Out[18]:
                   A         B         C         D
2016-03-01 -0.222083 -0.963381 -0.172100  0.690578
2016-03-02  0.010768 -0.149352 -0.408257  1.341249
2016-03-03  1.808672 -0.234542 -0.566456  0.588830
2016-03-04 -0.315677 -1.339445  1.154074  0.411009
2016-03-05  0.850521 -0.302853 -0.978198 -0.991488
2016-03-06  1.505182 -0.087285  1.641413  2.316626
In [19]: data.sort_index(axis=1)
Out[19]:
                   A         B         C         D
2016-03-01 -0.222083 -0.963381 -0.172100  0.690578
2016-03-02  0.010768 -0.149352 -0.408257  1.341249
2016-03-03  1.808672 -0.234542 -0.566456  0.588830
2016-03-04 -0.315677 -1.339445  1.154074  0.411009
2016-03-05  0.850521 -0.302853 -0.978198 -0.991488
2016-03-06  1.505182 -0.087285  1.641413  2.316626
In [21]: data.sort_index(axis=1,ascending=False)
Out[21]:
                   D         C         B         A
2016-03-01  0.690578 -0.172100 -0.963381 -0.222083
2016-03-02  1.341249 -0.408257 -0.149352  0.010768
2016-03-03  0.588830 -0.566456 -0.234542  1.808672
2016-03-04  0.411009  1.154074 -1.339445 -0.315677
2016-03-05 -0.991488 -0.978198 -0.302853  0.850521
2016-03-06  2.316626  1.641413 -0.087285  1.505182
In [22]: data.sort_values(by="A")
Out[22]:
                   A         B         C         D
2016-03-04 -0.315677 -1.339445  1.154074  0.411009
2016-03-01 -0.222083 -0.963381 -0.172100  0.690578
2016-03-02  0.010768 -0.149352 -0.408257  1.341249
2016-03-05  0.850521 -0.302853 -0.978198 -0.991488
2016-03-06  1.505182 -0.087285  1.641413  2.316626
2016-03-03  1.808672 -0.234542 -0.566456  0.588830
In [23]: data["A"]
Out[23]:
2016-03-01   -0.222083
2016-03-02    0.010768
2016-03-03    1.808672
2016-03-04   -0.315677
2016-03-05    0.850521
2016-03-06    1.505182
In [24]: data[2:4]
Out[24]:
                   A         B         C         D
2016-03-03  1.808672 -0.234542 -0.566456  0.588830
2016-03-04 -0.315677 -1.339445  1.154074  0.411009
In [25]: data.loc["2016-03-01":"2016-03-04"]
Out[25]:
                   A         B         C         D
2016-03-01 -0.222083 -0.963381 -0.172100  0.690578
2016-03-02  0.010768 -0.149352 -0.408257  1.341249
2016-03-03  1.808672 -0.234542 -0.566456  0.588830
2016-03-04 -0.315677 -1.339445  1.154074  0.411009
In [26]: data.iloc[2:4]
Out[26]:
                   A         B         C         D
2016-03-03  1.808672 -0.234542 -0.566456  0.588830
2016-03-04 -0.315677 -1.339445  1.154074  0.411009
In [27]: data.loc[:,["B","D"]]
Out[27]:
                   B         D
2016-03-01 -0.963381  0.690578
2016-03-02 -0.149352  1.341249
2016-03-03 -0.234542  0.588830
2016-03-04 -1.339445  0.411009
2016-03-05 -0.302853 -0.991488
2016-03-06 -0.087285  2.316626
In [28]: data.loc["2016-03-02":"2016-03-04",["B","D"]]
Out[28]:
                   B         D
2016-03-02 -0.149352  1.341249
2016-03-03 -0.234542  0.588830
2016-03-04 -1.339445  0.411009
In [30]: data.at[pd.Timestamp("2016-03-02"),"B"]
Out[30]: -0.14935166221886448
In [31]: data.iloc[1:3,2:4]
Out[31]:
                   C         D
2016-03-02 -0.408257  1.341249
2016-03-03 -0.566456  0.588830
In [32]: data.iloc[1,1]
Out[32]: -0.14935166221886448
In [33]: data.iat[1,1]
Out[33]: -0.14935166221886448
In [34]: data
Out[34]:
                   A         B         C         D
2016-03-01 -0.222083 -0.963381 -0.172100  0.690578
2016-03-02  0.010768 -0.149352 -0.408257  1.341249
2016-03-03  1.808672 -0.234542 -0.566456  0.588830
2016-03-04 -0.315677 -1.339445  1.154074  0.411009
2016-03-05  0.850521 -0.302853 -0.978198 -0.991488
2016-03-06  1.505182 -0.087285  1.641413  2.316626
  In [35]: data.iat[0,0]=100
  In [36]: data
Out[36]:
                     A         B         C         D
2016-03-01  100.000000 -0.963381 -0.172100  0.690578
2016-03-02    0.010768 -0.149352 -0.408257  1.341249
2016-03-03    1.808672 -0.234542 -0.566456  0.588830
2016-03-04   -0.315677 -1.339445  1.154074  0.411009
2016-03-05    0.850521 -0.302853 -0.978198 -0.991488
2016-03-06    1.505182 -0.087285  1.641413  2.316626
In [37]: data.A=range(6)
In [38]: data
Out[38]:
            A         B         C         D
2016-03-01  0 -0.963381 -0.172100  0.690578
2016-03-02  1 -0.149352 -0.408257  1.341249
2016-03-03  2 -0.234542 -0.566456  0.588830
2016-03-04  3 -1.339445  1.154074  0.411009
2016-03-05  4 -0.302853 -0.978198 -0.991488
2016-03-06  5 -0.087285  1.641413  2.316626
In [39]: data.B=200
In [40]: data
Out[40]:
            A    B         C         D
2016-03-01  0  200 -0.172100  0.690578
2016-03-02  1  200 -0.408257  1.341249
2016-03-03  2  200 -0.566456  0.588830
2016-03-04  3  200  1.154074  0.411009
2016-03-05  4  200 -0.978198 -0.991488
2016-03-06  5  200  1.641413  2.316626
sara686
关注
pandas获取DataFrame每月(每年)第一天或者最后一天对应行的实战代码
weixin_43178406的博客
05-26 1万+
本文主要介绍了pandas获取DataFrame每月(每年)第一天对应行的实战代码，希望能对学习pandas的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案 2.1 筛选每月第一天所有行的数据 2.2 筛选每月最后一天所有行的数据 2.3 筛选每年第一天所有行的数据 2.4 筛选每年最后一天所有行的数据
用Python做股市数据分析（二）
weixin_30881367的博客
03-20 583
本文由伯乐在线-小米云豆粥翻译。未经许可，禁止转载！英文出处：Curtis Miller。欢迎加入翻译组。 这篇博文是用Python分析股市数据系列两部中的第二部，内容基于我在犹他大学 数学3900 (数据科学)的课程 （阅读第一部分）。在这两篇博文中，我会讨论一些基础知识，包括比如如何用pandas从雅虎财经获得数据， 可视化股市数据，平均数指标的定义，设计移动平均交汇点分析移动平均线...
AI学习：python.pandas基础入门（第一天）
weixin_52241563的博客
06-14 165
AI学习第一天，pandas基础入门（附源码）
Pandas学习，第一天
Monsters2019的博客
12-16 200
文章目录pandas学习日志一、python 基础1.列表推导式与条件赋值2.匿名函数与map方法3.zip对象与enumerate方法二、Numpy基础1.np数组的构造2.numpy数组的变形与合并3.np数组的切片与索引4.常用函数5. 广播机制6. 向量与矩阵的计算总结 pandas学习日志 根据Datawhale的学习手册进行pandas的学习 一、python 基础 1.列表推导式与条件赋值 生成一个数字序列 data = [] def double(x): return 2*x..
Pandas学习笔记——第一弹
qq_44533176的博客
04-08 533
表格中的内容似乎不对劲，这不是我想要输出的表格的内容，感觉表格里的东西是个网址还是啥。（刚开始还怀疑是不是网络不太稳定，于是换了好几个梯子的节点，不断刷新，也还是没有解决）博主将练习的csv文件放在了github上，于是通过pd.read_csv(url)来读取github上的csv文件。这个回答确实很详细，而且指出了问题所在，但是去看了一下输入的文件地址，感觉没错啊。这个文件的分隔符与Pandas默认的分隔符不一样。这个地址，才是真正访问原始csv文件的地址。小白踩坑第一弹，分享给踩过同样坑的小伙伴~
零基础学pandas第一天
m0_65560393的博客
03-12 88
【代码】零基础学pandas第一天。
pandas第一天
qq_52689354的博客
07-03 328
# seriees常用属性 下面我们介绍 Series 的常用属性和方法。 在下表列出了 Series 对象的常用属性。
数学建模pandas学习（第十天）
qq_52689354的博客
07-17 955
顾名思义，时间序列（timeseries），就是由时间构成的序列，它指的是在一定时间内按照时间顺序测量的某个变量的取值序列，比如一天内的温度会随时间而发生变化，或者股票的价格会随着时间不断的波动，这里用到的一系列时间，就可以看做时间序列。通常情况下，数据集中会存在许多同一类别的信息，比如相同国家、相同行政编码、相同性别等，当这些相同类别的数据多次出现时，就会给数据处理增添许多麻烦，导致数据集变得臃肿，不能直观、清晰地展示数据。时间差的最终的结果可以是正时间差，也可以是负时间差。......
数学建模pandas（第十一天）
qq_52689354的博客
07-27 1232
在CSV文件中指定了一个列，然后使用index_col可以实现自定义索引。print(df)
数据分析-PANDAS基础知识-第一天
christineNAN的博客
04-20 147
与大白鲨一起组队学习 学习路线：https://github.com/datawhalechina/team-learning/tree/master/Pandas%E6%95%99%E7%A8%8B%EF%BC%88%E4%B8%8A%EF%BC%89?from=singlemessage fighting~
Pandas基础.zip
04-20
在"学习Pandas打卡第一天的程序和代码"这个资料中，你将深入理解这两个核心数据结构的基础用法以及如何解决实际问题。 1. **Series**: Series是Pandas的基本一维数据结构，类似于Python的ndarray，但其每个元素都有...
100天精通Python（数据分析篇）——第53天：初始pandas模块基础
热门推荐
努力让自己发光，对的人才能迎着光而来
08-29 1万+
一、初始pandas 1. 什么是pandas？ 2. 为什么要学习pandas？ 3. pandas的优势 4. 下载安装pandas 二、Pandas的数据类型 1. Series 2. DataFrame
Pandas 学习笔记基础知识汇总
marvinmao的博客
08-02 4747
一、pandas读取和存储excel、csv文件 1、df1 = pd.read_excel( file_path ,index_col = ‘col2’ ) 设置索引列为col2，读取出来的数据是dataframe格式 2、df2 = pd.read_csv( serprator =’::’,engine = python) 设置分隔符和读取引擎 3、dataframe.to_excel( file_path ) dataframe.to_csv( ) 4、pd.read_excel(filepath,
南京工业大学在辽宁2020-2024各专业最低录取分数及位次表.pdf
10-04
那些年，与你同分同位次的同学都去了哪里？全国各大学在辽宁2020-2024年各专业最低录取分数及录取位次数据，高考志愿必备参考数据
下单系统的Spnigboot和微信小程序实现（全栈微信小程式下单）.zip
10-04
下单系统的Spnigboot和微信小程序实现（全栈微信小程式下单）
基于Java开发的智能文件管家设计源码
10-04
该项目是一款基于Java的智能文件管家设计源码，涵盖102个文件，包括29个Java源文件、27个类文件、19个XML配置文件、10个YAML文件、8个列表文件、4个属性文件、4个JAR包文件以及1个Git忽略文件。该系统旨在提供高效便捷的文件管理解决方案。
基于YoloV8的简单目标检测和跟踪，使用KMNET进行鼠标移动（处理多目标移动抖动，处理鼠标平滑移动）.zip
10-04
基于YoloV8的简单目标检测和跟踪，使用KMNET进行鼠标移动（处理多目标移动抖动，处理鼠标平滑移动）
基于Vue和JavaScript的心旅途个性化推荐旅游平台设计源码
10-04
本项目是一款基于Vue和JavaScript开发的心旅途个性化推荐旅游平台设计源码，整合了513个Java文件、76个PNG图片、70个XML配置文件、62个JavaScript文件、42个Vue组件文件、28个CSS样式文件、22个HTML文件、18个YAML配置文件、16个属性文件、11个Vue模板文件，总计919个文件。平台采用现代化前端技术堆栈，旨在为用户提供个性化的旅游推荐服务。
基于Python的AutoLine自动化测试开源平台设计源码
最新发布
10-04
AutoLine是一个基于Python的通用自动化测试开源平台，包含了657个文件，涵盖228个PNG图片、209个CSS样式、95个JavaScript脚本、39个Python源代码、21个HTML文件、19个XML文件、14个GIF图片、6个DS_Store文件、5个文本文件、4个Markdown文件。该平台的设计源码由多种编程语言编写，旨在提供灵活高效的自动化测试解决方案。
Python初学者入门：第一天学习笔记
"这篇笔记是关于初学者第一天学习Python的内容，涵盖了Python的作用、优势、基本规则、关键字以及PyCharm的设置，还包含了简单的Python程序和运算符的使用。" 在学习Python的第一天，我们可以了解到这门语言在多个...
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