pandas 获取Dataframe元素值的几种方法

可以通过遍历的方法:
pandas按行按列遍历Dataframe的几种方式:https://blog.csdn.net/sinat_29675423/article/details/87972498

选择列

使用类字典属性,返回的是Series类型
data[‘w’]
遍历Series

        for index in data['w'] .index:
            time_dis = data['w'] .get(index)

pandas.DataFrame.at

根据行索引和列名,获取一个元素的值

>>> df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]],
...                   columns=['A', 'B', 'C'])
>>> df
    A   B   C
0   0   2   3
1   0   4   1
2  10  20  30
>>> df.at[4, 'B']
2

或者

>>> df.iloc[5].at['B']
4

pandas.DataFrame.iat

根据行索引和列索引获取元素值

>>> df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]],
...                   columns=['A', 'B', 'C'])
>>> df
    A   B   C
0   0   2   3
1   0   4   1
2  10  20  30
>>> df.iat[1, 2]
1

或者

>>> df.iloc[0].iat[1]
2

pandas.DataFrame.loc

选取元素,或者行

>>> df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
...      index=['cobra', 'viper', 'sidewinder'],
...      columns=['max_speed', 'shield'])
>>> df
            max_speed  shield
cobra               1       2
viper               4       5
sidewinder          7       8

选取元素

>>> df.loc['cobra', 'shield']
2

选取行返回一个series

>>> df.loc['viper']
max_speed    4
shield       5
Name: viper, dtype: int64

选取行列返回dataframe

>>> df.loc[['viper', 'sidewinder']]
            max_speed  shield
viper               4       5
sidewinder          7       8

pandas.DataFrame.iloc

>>> mydict = [{'a': 1, 'b': 2, 'c': 3, 'd': 4},
...           {'a': 100, 'b': 200, 'c': 300, 'd': 400},
...           {'a': 1000, 'b': 2000, 'c': 3000, 'd': 4000 }]
>>> df = pd.DataFrame(mydict)
>>> df
      a     b     c     d
0     1     2     3     4
1   100   200   300   400
2  1000  2000  3000  4000

按索引选取元素

>>> df.iloc[0, 1]
2

获取行的series

>>> type(df.iloc[0])
<class 'pandas.core.series.Series'>
>>> df.iloc[0]
a    1
b    2
c    3
d    4
Name: 0, dtype: int64
  • 36
    点赞
  • 160
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
### 回答1: 可以使用Pandas中的函数进行处理,比如可以使用.apply()函数,该函数可以用来对DataFrame中的每一个元素应用一个函数;也可以使用.map()函数,该函数可以将某个的每一个元素映射到另一个;还可以使用.replace()函数,该函数可以将某个中的某个替换为另一个。 ### 回答2: pandas是一个基于Python的数据分析工具,可以方便地对数据进行处理和分析。当需要对dataFrame中的某一个进行处理时,可以使用pandas提供的一些方法。 首先,我们可以使用dataFrame名来引用某一。例如,我们有一个dataFrame名为df,其中包含名为col的。我们可以使用df['col']来引用该数据。 接下来,我们可以使用pandas提供的方法数据进行处理。以下是一些常用方法: 1. head():返回某个的前几行数据。可以使用df['col'].head(n)来获取的前n行数据。 2. unique():返回某个的唯一。可以使用df['col'].unique()来获取的所有唯一。 3. value_counts():返回某个中各个出现的次数。可以使用df['col'].value_counts()来获取各个的出现次数。 4. map():对某个的每个元素进行映射操作。可以使用df['col'].map(func)来对该的每个元素进行func函数的映射操作。 5. apply():对某个的每个元素进行自定义的函数操作。可以使用df['col'].apply(func)来对该的每个元素进行func函数的操作。 6. fillna():对某个的缺失进行填充。可以使用df['col'].fillna(value)来将该的缺失填充为value。 7. dropna():删除某个中包含缺失的行。可以使用df.dropna(subset=['col'])来删除该中包含缺失的行。 以上是pandas中对dataFrame中某一个的数据进行处理的常用方法。通过使用这些方法,可以方便地对数据进行操作和分析。 ### 回答3: PandasDataFrame中某一个的数据进行处理的方法有很多种,下面我举了几种常用的方法: 1. 使用apply()函数:apply()函数可以将一个自定义的函数应用到某一个的每一个元素上。例如,假设我们要将某一的数据进行平方处理,可以定义一个平方函数,然后使用apply()函数将该函数应用到该上。 ```python def square(x): return x ** 2 df['column_name'] = df['column_name'].apply(square) ``` 2. 使用pandas内置函数:Pandas提供了很多内置的函数,例如对某一的数据进行求和、求平均、计数等操作。可以直接使用这些函数来进行数据处理。 ```python df['column_name'] = df['column_name'].sum() df['column_name'] = df['column_name'].mean() df['column_name'] = df['column_name'].count() ``` 3. 使用lambda表达式:lambda表达式是一种简洁的定义函数的方式,可以在apply()函数中使用lambda表达式对某一的数据进行处理。 ```python df['column_name'] = df['column_name'].apply(lambda x: x ** 2) ``` 4. 使用其他pandas函数:除了上述方法Pandas还提供了很多其他的函数来对某一的数据进行处理,例如map()函数、str模块中的函数(用于文本处理)、astype()函数(用于改变数据类型)等。 总结起来,PandasDataFrame中某一个的数据进行处理的方法有很多种,可以根据具体需求选择合适的方法来处理数据。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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