修炼之路

官方文档介绍链接：append方法介绍DataFrame.append(other, ignore_index=False, verify_integrity=False, sort=None)功能说明：向dataframe对象中添加新的行，如果添加的列名不在dataframe对象中，将会被当作新的列进行添加other：DataFrame、series、dict、list这样的数据结构i...

1、使用DataFrame的to_csv函数保存文件在使用DataFrame的to_csv保存文件的时候，会默认使用逗号作为分隔符，如果没有设置行列索引，也没有禁用行列索引保存的话，保存文件的时候，会默认加上由0开始的行列索引。 data = pd.DataFrame(np.arange(9).reshape(3, 3)) data.to_csv("data.csv")dat

使用pandas来处理文件的时候，经常会遇到大文件，而有时候我们只想要读取其中的一部分数据或对文件进行逐块处理。data.csv1、读取文件中前部分通过nrows参数，来设置读取文件的前多少行，nrows是一个大于等于0的整数。 data = pd.read_csv("data.csv",nrows=5) print(data) '''

pandas可以将读取到的表格型数据（文件不一定要是表格）转成DataFrame类型的数据结构，然后我们可以通过操作DataFrame进行数据分析，数据预处理以及行和列的操作等。下面介绍一些常用读取文件的方法1、read_csv函数功能：从文件、URL、文件新对象中加载带有分隔符的数据，默认分隔符是逗号。data.txta,b,c,d,name1,2,3,4,python5,6

在使用pandas的过程也许你遇到过一个比较头疼的问题，为什么有的时候能用整数索引有的时候又不能用，下面我们就一起来看一下为什么。一、Series的整数索引 s = pd.Series(np.arange(3),index=["a","b","c"]) print(s[-1]) #2 s1 = pd.Series(np.arange(3)) print

pandas提供了set_index方法可以将DataFrame的列（多列）变成行索引，通过reset_index方法可以将层次化索引的级别会被转移到列里面。1、DataFrame的set_index方法 data = pd.DataFrame(np.arange(1,10).reshape(3,3),index=["a","b","c"],columns=["A","B","C"]

一、层次化索引层次化索引(hierarchical indexing)是pandas的一个重要的功能，它可以在一个轴上有多个（两个以上）的索引，这就表示着，它能够以低维度形式来表示高维度的数据。二、Series的层次化索引 # Series的层次化索引，索引是一个二维数组，相当于两个索引决定一个值 # 有点类似于DataFrame的行索引和列索引 s = Seri

在实际应用中对于数据进行分析的时候，经常能看见缺失值，下面来介绍一下如何利用pandas来处理缺失值。常见的缺失值处理方式有，过滤、填充。一、缺失值的判断pandas使用浮点值NaN(Not a Number)表示浮点数和非浮点数组中的缺失值，同时python内置None值也会被当作是缺失值。a、Series的缺失值判断 s = Series(["a","b",np.na

1、Series唯一值判断 s = Series([3,3,1,2,4,3,4,6,5,6]) #判断Series中的值是否重复,False表示重复 print(s.is_unique) #False #输出Series中不重复的值,返回值没有排序，返回值的类型为数组 print(s.unique()) #[3 1 2 4 6 5]

1、输出百分比变化以及前后指定的行数 a = np.arange(1,13).reshape(6,2) data = DataFrame(a) #计算列的百分比变化，如果想计算行设置axis=1 print(data.pct_change()) ''' 0 1 0 NaN NaN

pandas提供了很多常用的数学和统计方法，其中大部分都属于约简和汇总统计，用于从Series中提取单个值（如sum或mean）或从DataFrame的行或列中提取一个Series。一、DataFrame的sum和mean方法 a = [[1,np.nan,9],[2,8,3],[3,5,np.nan]] data = DataFrame(a,index=["a","b","

有的时候，可能会遇到表格中出现重复的索引，在操作重复索引的时候可能要注意一些问题。一、判断索引是否重复a、Series索引重复判断 s = Series([1,2,3,4,5],index=["a","a","b","b","c"]) print(s.index.is_unique) #FalseSeries.index.is_unique为False表示索引重

有的时候我们可以要根据索引的大小或者值的大小对Series和DataFrame进行排名和排序。一、排序pandas提供了sort_index方法可以根据行或列的索引按照字典的顺序进行排序a、Series排序1、按索引进行排序 #定义一个Series s = Series([1,2,3],index=["a","c","b"]) #对Series的索引进行排

我们可以定义函数，来应用到DataFrame指定的行或者列上。一、通过apply使用自定义函数 #使用python的lambda定义函数 f = lambda x : x.max() - x.min() a = np.arange(9).reshape(3,3) data = DataFrame(a,index=["a","b","c"],columns=["

pandas可以对不同索引的对象进行算术运算，如果存在不同的索引对，结果的索引就是该索引对的并集。一、算术运算a、series的加法运算 s1 = Series([1,2,3],index=["a","b","c"]) s2 = Series([4,5,6],index=["a","c","e"]) print(s1+s2) ''' a

1、reindex重新索引pandas提供了一个reindex方法来创建一个适应新索引的新对象，Serires通过调用reindex方法会根据新索引的顺序重新排序，如果新的索引中存在原索引中不存在的索引，将会使用NaN值进行填充。 obj = Series([1,2,3],index=["c","b","a"]) obj1 = obj.reindex(["a","b","c"

pandas两个最重要的数据结构Series和DataFrame都具备索引，pandas的索引对象负责管理轴标签和其他元数据（如轴名称等）。在创建Series或DataFrame的时候，用到的数组或其他序列的标签都会被装换成一个Index对象。1、获取index对象 obj = Series([1,2,3],index=["a","b","c"]) #获取index对象

DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同数据类型的数据。DataFrame既有行索引也有列索引，可以将它看作为一个由Series组成的字典（共用同一个索引）。DataFrame中的数据是以一个或多个二维块存储的，而不是列表、字典或别的一维数据结构。1、创建DataFramea、通过字典创建，字典的值对应的列表或者numpy数组必须要是等长的。

pandas有两个最主要的数据结构Series和DataFrame，要想熟练的运用pandas进行数据分析，离不开Series和DataFrame的运用。Series是一种类似于一维数组的对象，它是由一组数据和一组标签组成，标签与数据之间存在联系。1、创建一个默认标签的SeriesSeries字符串的组成形式类似于python中的字典，左边是索引，右边是值。Series默认的索引是从0开始