Python之Pandas使用教程

最新推荐文章于 2024-04-17 14:46:36 发布
最新推荐文章于 2024-04-17 14:46:36 发布
阅读量1.8k 收藏 13
点赞数
分类专栏： Python
原文链接：https://www.cnblogs.com/wobujiaonaoxin/articles/11378281.html
版权

Python之Pandas使用教程

1.Pandas概述

  1. Pandas是Python的一个数据分析包，该工具为解决数据分析任务而创建。
  2. Pandas纳入大量库和标准数据模型，提供高效的操作数据集所需的工具。
  3. Pandas提供大量能使我们快速便捷地处理数据的函数和方法。
  4. Pandas是字典形式，基于NumPy创建，让NumPy为中心的应用变得更加简单。

2.Pandas安装

pip3 install pandas

3.Pandas引入

import pandas as pd

4.Pandas数据结构

4.1Series

复制代码

import numpy as np

import pandas as pd

s=pd.Series([1,2,3,np.nan,5,6])

print(s)

 

----------执行以上程序，返回的结果为----------

0    1.0
1    2.0
2    3.0
3    NaN
4    5.0
5    6.0
dtype: float64

复制代码

4.2DataFrame

DataFrame是表格型数据结构，包含一组有序的列，每列可以是不同的值类型。DataFrame有行索引和列索引，可以看成由Series组成的字典。

复制代码

import numpy as np

import pandas as pd

 

dates=pd.date_range('2019-08-01',periods=6)

pd=pd.DataFrame(np.random.randn(6,4),index=dates,columns=['A','B','C','D'])

print('输出6行4列的表格：')

print(pd)

print('\n')

 

print('输出第二列：')

print(pd['B'])

print('\n')

 

----------执行以上程序，返回的结果为----------

输出6行4列的表格：
                   A         B         C         D
2019-08-01  0.796050 -0.383286 -1.465294 -0.272321
2019-08-02 -1.431981 -0.875381  1.371449  0.321703
2019-08-03 -1.497636  1.258925 -1.374210 -0.765626
2019-08-04  2.518305  0.125094  2.647512 -0.024748
2019-08-05 -0.319238  0.395384 -0.582052 -0.396132
2019-08-06 -0.519434  1.873216  1.685524 -1.493000


输出第二列：
2019-08-01   -0.383286
2019-08-02   -0.875381
2019-08-03    1.258925
2019-08-04    0.125094
2019-08-05    0.395384
2019-08-06    1.873216
Freq: D, Name: B, dtype: float64

 

-------------------------------------------

import numpy as np

import pandas as pd

from datetime import datetime as dt

 

print('通过字典创建DataFrame:')

df_1=pd.DataFrame({'A':1.0,

'B':pd.Timestamp(2019,8,19),

'C':pd.Series(1,index=list(range(4)),dtype='float32'),

'D':np.array([3]*4,dtype='int32'),

'E':pd.Categorical(['test','train','test','train']),

'F':'foo'})

print(df_1)

print('\n')

 

print('返回每列的数据类型：')

print(df_1.dtypes)

print('\n')

 

print('返回行的序号：')

print(df_1.index)

print('\n')

 

print('返回列的序号名字：')

print(df_1.columns)

print('\n')

 

print('把每个值进行打印出来：')

print(df_1.values)

print('\n')

 

print('数字总结：')

print(df_1.describe())

print('\n')

 

print('翻转数据：')

print(df_1.T)

print('\n')

 

print('按第一列进行排序：')

#axis等于1按列进行排序 如ABCDEFG 然后ascending倒叙进行显示

print(df_1.sort_index(1,ascending=False))

print('\n')

 

print('按某列的值进行排序：')

print(df_1.sort_values('E'))

print('\n')

 

----------执行以上程序，返回的结果为----------

通过字典创建DataFrame:
     A          B    C  D      E    F
0  1.0 2019-08-19  1.0  3   test  foo
1  1.0 2019-08-19  1.0  3  train  foo
2  1.0 2019-08-19  1.0  3   test  foo
3  1.0 2019-08-19  1.0  3  train  foo


返回每列的数据类型：
A           float64
B    datetime64[ns]
C           float32
D             int32
E          category
F            object
dtype: object


返回行的序号：
Int64Index([0, 1, 2, 3], dtype='int64')


返回列的序号名字：
Index(['A', 'B', 'C', 'D', 'E', 'F'], dtype='object')


把每个值进行打印出来：
[[1.0 Timestamp('2019-08-19 00:00:00') 1.0 3 'test' 'foo']
 [1.0 Timestamp('2019-08-19 00:00:00') 1.0 3 'train' 'foo']
 [1.0 Timestamp('2019-08-19 00:00:00') 1.0 3 'test' 'foo']
 [1.0 Timestamp('2019-08-19 00:00:00') 1.0 3 'train' 'foo']]


数字总结：
         A    C    D
count  4.0  4.0  4.0
mean   1.0  1.0  3.0
std    0.0  0.0  0.0
min    1.0  1.0  3.0
25%    1.0  1.0  3.0
50%    1.0  1.0  3.0
75%    1.0  1.0  3.0
max    1.0  1.0  3.0


翻转数据：
                     0                    1                    2                    3
A                    1                    1                    1                    1
B  2019-08-19 00:00:00  2019-08-19 00:00:00  2019-08-19 00:00:00  2019-08-19 00:00:00
C                    1                    1                    1                    1
D                    3                    3                    3                    3
E                 test                train                 test                train
F                  foo                  foo                  foo                  foo


按第一列进行排序：
     F      E  D    C          B    A
0  foo   test  3  1.0 2019-08-19  1.0
1  foo  train  3  1.0 2019-08-19  1.0
2  foo   test  3  1.0 2019-08-19  1.0
3  foo  train  3  1.0 2019-08-19  1.0


按某列的值进行排序：
     A          B    C  D      E    F
0  1.0 2019-08-19  1.0  3   test  foo
2  1.0 2019-08-19  1.0  3   test  foo
1  1.0 2019-08-19  1.0  3  train  foo
3  1.0 2019-08-19  1.0  3  train  foo

 

复制代码

5.Pandas选择数据

复制代码

import numpy as np

import pandas as pd

 

dates=pd.date_range('2019-08-01',periods=6)

df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=['A','B','C','D'])

print('输出6行4列的数据：')

print(df)

 

print('打印B列数据：')

print(df['B'])

 

----------执行以上程序，返回的结果为----------

输出6行4列的数据：
                   A         B         C         D
2019-08-01 -0.856790 -1.968381 -0.590032 -0.511943
2019-08-02  0.032420  0.750065 -1.168060 -1.571403
2019-08-03  0.962793 -2.377613  1.447871 -1.515988
2019-08-04  1.078565  1.780728 -0.060782  1.393749
2019-08-05 -1.785669  1.161425  0.440988  1.233997
2019-08-06 -0.740927 -0.877388 -0.868203  1.395331


打印B列数据：
2019-08-01   -1.968381
2019-08-02    0.750065
2019-08-03   -2.377613
2019-08-04    1.780728
2019-08-05    1.161425
2019-08-06   -0.877388
Freq: D, Name: B, dtype: float64

复制代码

切片选择

复制代码

print('切片选择：')

print(df[0:3],df['20190801':'20190804'])

 

----------执行以上程序，返回的结果为----------

切片选择：
                   A         B         C         D
2019-08-01 -0.456445 -1.641900  0.878254 -0.265412
2019-08-02  0.223910 -1.524222  0.428250  0.410542
2019-08-03 -1.248945  0.649155 -1.039407  0.138473                   

                   A         B         C         D
2019-08-01 -0.456445 -1.641900  0.878254 -0.265412
2019-08-02  0.223910 -1.524222  0.428250  0.410542
2019-08-03 -1.248945  0.649155 -1.039407  0.138473
2019-08-04 -1.135849  1.404054 -0.771489 -0.685064

复制代码

根据标签loc-行标签进行选择数据

复制代码

print('根据行标签进行选择数据：')

print(df.loc['2019-08-01',['A','B']])

 

----------执行以上程序，返回的结果为----------

根据行标签进行选择数据：
A   -0.495304
B   -0.083505
Name: 2019-08-01 00:00:00, dtype: float64

复制代码

根据序列iloc-行号进行选择数据

复制代码

import numpy as np

import pandas as pd

 

print('输出第三行第一列的数据：')

print(df.iloc[3,1])

print('\n')

 

print('进行切片选择：')

print(df.iloc[3:5,0:2])

print('\n')

 

print('进行不连续筛选：')

print(df.iloc[[1,2,4],[0,2]])

 

----------执行以上程序，返回的结果为----------

输出第三行第一列的数据：
1.2355112660049548


进行切片选择：
                   A         B
2019-08-04 -0.943150  1.235511
2019-08-05 -0.245097 -1.272304


进行不连续筛选：
                   A         C
2019-08-02 -0.212743 -0.584698
2019-08-03  0.012863 -0.896789
2019-08-05 -0.245097  2.646507

复制代码

根据混合的两种ix

复制代码

import numpy as np

import pandas as pd

 

print(df.ix(:3,[A,C]))

 

----------执行以上程序，返回的结果为----------

                   A         C
2019-08-01  1.591064  1.272731
2019-08-02  1.820216  0.657560
2019-08-03  0.358265 -1.197687

复制代码

根据判断筛选

复制代码

import numpy as np

import pandas as pd

 

print('根据判断筛选：')

print(df[df.A>0])

 

----------执行以上程序，返回的结果为----------

根据判断筛选：
                   A         B         C         D
2019-08-01  1.098786  0.261861  1.430775 -1.161001
2019-08-05  0.527853 -0.612058 -0.906565  1.279515

复制代码

 6.Pandas设置数据

根据loc和iloc设置

复制代码

import numpy as np

import pandas as pd

 

dates=pd.date_range('2019-08-01',periods=6)

df=pd.DataFrame(np.arange(24).reshape(6,4),index=dates,columns=['A','B','C','D'])

print('输出6行4列的数据：')

print(df)

print('\n')

 

print('更改后的数据：')

df.iloc[2,2]=999

df.loc['2019-08-01','D']=999

print(df)

print('\n')

 

----------执行以上程序，返回的结果为----------

输出6行4列的数据：
             A   B   C   D
2019-08-01   0   1   2   3
2019-08-02   4   5   6   7
2019-08-03   8   9  10  11
2019-08-04  12  13  14  15
2019-08-05  16  17  18  19
2019-08-06  20  21  22  23


更改后的数据：
             A   B    C    D
2019-08-01   0   1    2  999
2019-08-02   4   5    6    7
2019-08-03   8   9  999   11
2019-08-04  12  13   14   15
2019-08-05  16  17   18   19
2019-08-06  20  21   22   23

复制代码

根据条件设置

复制代码

import numpy as np

import pandas as pd

 

print('根据条件设置：')

df[df.A>0]=999

print(df)

 

----------执行以上程序，返回的结果为----------

根据条件设置：
              A    B    C    D
2019-08-01    0    1    2  999
2019-08-02  999  999  999  999
2019-08-03  999  999  999  999
2019-08-04  999  999  999  999
2019-08-05  999  999  999  999
2019-08-06  999  999  999  999

复制代码

根据行或列设置

复制代码

import numpy as np

import pandas as pd

 

print('根据行或列设置：')

df['C']=np.nan

print(df)

 

----------执行以上程序，返回的结果为----------

根据行或列设置：
              A    B   C    D
2019-08-01    0    1 NaN  999
2019-08-02  999  999 NaN  999
2019-08-03  999  999 NaN  999
2019-08-04  999  999 NaN  999
2019-08-05  999  999 NaN  999
2019-08-06  999  999 NaN  999

复制代码

添加数据

复制代码

import numpy as np

import pandas as pd

 

print('添加数据：')

df['E']=pd.Series([1,2,3,4,5,6],index=pd.date_range('2019-08-03',periods=6))

print(df)

 

----------执行以上程序，返回的结果为----------

添加数据：
              A    B   C    D    E
2019-08-01    0    1 NaN  999  NaN
2019-08-02  999  999 NaN  999  NaN
2019-08-03  999  999 NaN  999  1.0
2019-08-04  999  999 NaN  999  2.0
2019-08-05  999  999 NaN  999  3.0
2019-08-06  999  999 NaN  999  4.0

复制代码

7.Pandas处理丢失数据

处理数据中NaN数据

复制代码

import numpy as np

import pandas as pd

 

dates=pd.date_range('2019-08-01',periods=6)

df=pd.DataFrame(np.arange(24).reshape(6,4),index=dates,columns=['A','B','C','D'])

df.iloc[0,1]=np.nan

df.iloc[1,2]=np.nan

print('输出6行4列的数据：')

print(df)

print('\n')

print('使用dropna()函数去掉NaN的行或列：')

print(df.dropna(0,how='any'))#0对行进行操作 1对列进行操作 any:只要存在NaN即可drop掉 all:必须全部是NaN才可drop

print('\n')

print('使用fillna()函数替换NaN值：')

print(df.fillna(value=0))#将NaN值替换为0

print('\n')

print('使用isnull()函数判断数据是否丢失：')

print(pd.isnull(df))

 

----------执行以上程序，返回的结果为----------

输出6行4列的数据：
             A     B     C   D
2019-08-01   0   NaN   2.0   3
2019-08-02   4   5.0   NaN   7
2019-08-03   8   9.0  10.0  11
2019-08-04  12  13.0  14.0  15
2019-08-05  16  17.0  18.0  19
2019-08-06  20  21.0  22.0  23


使用dropna()函数去掉NaN的行或列：
             A     B     C   D
2019-08-03   8   9.0  10.0  11
2019-08-04  12  13.0  14.0  15
2019-08-05  16  17.0  18.0  19
2019-08-06  20  21.0  22.0  23


使用fillna()函数替换NaN值：
             A     B     C   D
2019-08-01   0   0.0   2.0   3
2019-08-02   4   5.0   0.0   7
2019-08-03   8   9.0  10.0  11
2019-08-04  12  13.0  14.0  15
2019-08-05  16  17.0  18.0  19
2019-08-06  20  21.0  22.0  23


使用isnull()函数判断数据是否丢失：
                A      B      C      D
2019-08-01  False   True  False  False
2019-08-02  False  False   True  False
2019-08-03  False  False  False  False
2019-08-04  False  False  False  False
2019-08-05  False  False  False  False
2019-08-06  False  False  False  False

复制代码

8.Pandas导入导出

pandas可以读取与存取像csv、excel、json、html、pickle等格式的资料，详细说明请看官方资料

复制代码

import numpy as np

import pandas as pd

 

print('读取csv文件：')

data=pd.read_csv('test2.csv')

print(data)

print('将资料存储成pickle文件：')

print(data.to_pickle('test3.pickle'))

 

----------执行以上程序，返回的结果为----------

读取csv文件：
   A  B  C  D
0  1  1  1  1
1  2  2  2  2
2  3  3  3  3


将资料存储成pickle文件：
None

复制代码

9.Pandas合并数据

axis合并方向

复制代码

import numpy as np

import pandas as pd

 

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])

df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])

res=pd.concat([df1,df2,df3],axis=0,ignore_index=True)#0表示竖项合并 1表示横项合并 ingnore_index重置序列index index变为0 1 2 3 4 5 6 7 8

print(res)

 

----------执行以上程序，返回的结果为----------

     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
5  1.0  1.0  1.0  1.0
6  2.0  2.0  2.0  2.0
7  2.0  2.0  2.0  2.0
8  2.0  2.0  2.0  2.0

复制代码

join合并方式

复制代码

import numpy as np

import pandas as pd

 

df1=pd.DataFrame(np.ones((3,4))*0,columns=['A','B','C','D'],index=[1,2,3])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['B','C','D','E'],index=[2,3,4])

print('第一个数据为：')

print(df1)

print('\n')

print('第二个数据为：')

print(df2)

print('\n')

 

print('join行往外合并:相当于全连接')

res=pd.concat([df1,df2],axis=1,join='outer')

print(res)

print('\n')

 

print('join行相同的进行合并:相当于内连接')

res2=pd.concat([df1,df2],axis=1,join='inner')

print(res2)

print('\n')

 

print('以df1的序列进行合并：相当于左连接')

res3=pd.concat([df1,df2],axis=1,join_axes=[df1.index])

print(res3)

 

----------执行以上程序，返回的结果为----------

第一个数据为：
     A    B    C    D
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  0.0  0.0  0.0  0.0


第二个数据为：
     B    C    D    E
2  1.0  1.0  1.0  1.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0


join行往外合并:相当于全连接
     A    B    C    D    B    C    D    E
1  0.0  0.0  0.0  0.0  NaN  NaN  NaN  NaN
2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
4  NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0


join行相同的进行合并:相当于内连接
     A    B    C    D    B    C    D    E
2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0


以df1的序列进行合并：相当于左连接
     A    B    C    D    B    C    D    E
1  0.0  0.0  0.0  0.0  NaN  NaN  NaN  NaN
2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0

复制代码

append添加数据

复制代码

import numpy as np

import pandas as pd

 

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])

df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])

s1=pd.Series([1,2,3,4],index=['a','b','c','d'])

 

print('将df2合并到df1的下面 并重置index')

res=df1.append(df2,ignore_index=True)

print(res)

print('\n')

 

print('将s1合并到df1的下面，并重置index')

res2=df1.append(s1,ignore_index=True)

print(res2)

 

----------执行以上程序，返回的结果为----------

将df2合并到df1的下面 并重置index
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
5  1.0  1.0  1.0  1.0


将s1合并到df1的下面，并重置index
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  2.0  3.0  4.0

复制代码

10.Pandas合并merge

依据一组key合并

复制代码

import numpy as np

import pandas as pd

 

left=pd.DataFrame({'key':['k0','k1','k2','k3'],

                     'A':['A0','A1','A2','A3'],

                     'B':['B0','B1','B2','B3']})

print('第一个数据为：')

print(left)

print('\n')

 

right=pd.DataFrame({'key':['k0','k1','k2','k3'],

                      'C':['C0','C1','C2','C3'],

                      'D':['D0','D1','D2','D3']})

print('第二个数据为：')

print(right)

print('\n')

 

print('依据key进行merge:')

res=pd.merge(left,right,on='key')

print(res)

 

----------执行以上程序，返回的结果为----------

第一个数据为：
  key   A   B
0  k0  A0  B0
1  k1  A1  B1
2  k2  A2  B2
3  k3  A3  B3


第二个数据为：
  key   C   D
0  k0  C0  D0
1  k1  C1  D1
2  k2  C2  D2
3  k3  C3  D3


依据key进行merge:
  key   A   B   C   D
0  k0  A0  B0  C0  D0
1  k1  A1  B1  C1  D1
2  k2  A2  B2  C2  D2
3  k3  A3  B3  C3  D3

复制代码

依据两组key合并

复制代码

import numpy as np

import pandas as pd

 

left=pd.DataFrame({'key1':['k0','k1','k2','k3'],

                   'key2':['k0','k1','k0','k1'],

                      'A':['A0','A1','A2','A3'],

                      'B':['B0','B1','B2','B3']})

print('第一个数据为：')

print(left)

print('\n')

 

right=pd.DataFrame({'key1':['k0','k1','k2','k3'],

                    'key2':['k0','k0','k0','k0'],

                       'C':['C0','C1','C2','C3'],

                       'D':['D0','D1','D2','D3']})

print('第二个数据为：')

print(right)

print('\n')

 

print('内联合并')

res=pd.merge(left,right,on=['key1','key2'],how='inner')

print(res)

print('\n')

 

print('外联合并')

res2=pd.merge(left,right,on=['key1','key2'],how='outer')

print(res2)

print('\n')

 

print('左联合并')

res3=pd.merge(left,right,on=['key1','key2'],how='left')

print(res3)

print('\n')

 

print('右联合并')

res4=pd.merge(left,right,on=['key1','key2'],how='right')

print(res4)

 

----------执行以上程序，返回的结果为----------

第一个数据为：
  key1 key2   A   B
0   k0   k0  A0  B0
1   k1   k1  A1  B1
2   k2   k0  A2  B2
3   k3   k1  A3  B3


第二个数据为：
  key1 key2   C   D
0   k0   k0  C0  D0
1   k1   k0  C1  D1
2   k2   k0  C2  D2
3   k3   k0  C3  D3


内联合并
  key1 key2   A   B   C   D
0   k0   k0  A0  B0  C0  D0
1   k2   k0  A2  B2  C2  D2


外联合并
  key1 key2    A    B    C    D
0   k0   k0   A0   B0   C0   D0
1   k1   k1   A1   B1  NaN  NaN
2   k2   k0   A2   B2   C2   D2
3   k3   k1   A3   B3  NaN  NaN
4   k1   k0  NaN  NaN   C1   D1
5   k3   k0  NaN  NaN   C3   D3


左联合并
  key1 key2   A   B    C    D
0   k0   k0  A0  B0   C0   D0
1   k1   k1  A1  B1  NaN  NaN
2   k2   k0  A2  B2   C2   D2
3   k3   k1  A3  B3  NaN  NaN


右联合并
  key1 key2    A    B   C   D
0   k0   k0   A0   B0  C0  D0
1   k2   k0   A2   B2  C2  D2
2   k1   k0  NaN  NaN  C1  D1
3   k3   k0  NaN  NaN  C3  D3

复制代码

Indicator合并

复制代码

import numpy as np

import pandas as pd

df1=pd.DataFrame({'col1':[0,1],'col_left':['a','b']})

df2=pd.DataFrame({'col1':[1,2,2],'col_right':[2,2,2]})

print('第一个数据为：')

print(df1)

print('\n')

 

print('第二个数据为：')

print(df2)

print('\n')

 

print('依据col1进行合并 并启用indicator=True输出每项合并方式:')

res=pd.merge(df1,df2,on='col1',how='outer',indicator=True)

print(res)

print('\n')

 

----------执行以上程序，返回的结果为----------

第一个数据为：
   col1 col_left
0     0        a
1     1        b


第二个数据为：
   col1  col_right
0     1          2
1     2          2
2     2          2


依据col1进行合并 并启用indicator=True输出每项合并方式:
   col1 col_left  col_right      _merge
0     0        a        NaN   left_only
1     1        b        2.0        both
2     2      NaN        2.0  right_only
3     2      NaN        2.0  right_only

 

复制代码

依据index合并

复制代码

import numpy as np

import pandas as pd

 

left=pd.DataFrame({'A':['A0','A1','A2'],

                   'B':['B0','B1','B2']},

                   index=['k0','k1','k2'])

 

right=pd.DataFrame({'C':['C0','C1','C2'],

                    'D':['D0','D1','D2']},

                   index=['k0','k2','k3']

)

 

print('第一个数据为：')

print(left)

print('\n')

 

print('第二个数据为：')

print(right)

print('\n')

 

print('根据index索引进行合并 并选择外联合并')

res=pd.merge(left,right,left_index=True,right_index=True,how='outer')

print(res)

print('\n')

 

print('根据index索引进行合并 并选择内联合并')

res2=pd.merge(left,right,left_index=True,right_index=True,how='inner')

print(res2)

print('\n')

 

 

----------执行以上程序，返回的结果为----------

第一个数据为：
     A   B
k0  A0  B0
k1  A1  B1
k2  A2  B2


第二个数据为：
     C   D
k0  C0  D0
k2  C1  D1
k3  C2  D2


根据index索引进行合并 并选择外联合并
      A    B    C    D
k0   A0   B0   C0   D0
k1   A1   B1  NaN  NaN
k2   A2   B2   C1   D1
k3  NaN  NaN   C2   D2


根据index索引进行合并 并选择内联合并
     A   B   C   D
k0  A0  B0  C0  D0
k2  A2  B2  C1  D1

复制代码

秋高工作室
关注
  • 0
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python 数据处理库 pandas 入门教程基本操作
09-20
pandas是一个Python语言的软件包，在我们使用Python语言进行机器学习编程的时候，这是一个非常常用的基础编程库。本文是对Python 数据处理库 pandas 入门教程,非常不错，感兴趣的朋友一起看看吧
Pandas(全网最详细攻略)（Python）
时光会把你雕刻成，你应有的模样！
05-27 1278
Pandas 最初由 AQR Capital Management 于2008年4月开发，并于2009年底开源出来，当时由专注于 Python 数据包开发的 PyData 开发团队继续开发和维护，属于 PyData 项目的一部分。Pandas 最初被作为金融数据分析工具而开发出来，因此，Pandas 为时间序列分析提供了很好的支持。Pandas 的名称来自于面板数据（panel data）和 python 数据分析（data analysis）。
python Pandas介绍
克里斯蒂亚诺更新的博客
04-17 309
例如，用户可以通过 Pandas 进行数据的加载、保存、筛选、排序、聚合、合并、连接、重塑、透视等操作。的 CSV 文件，然后显示了数据集的前几行。总的来说，Pandas 是 Python 中用于数据处理和数据分析的重要工具之一，它使得用户可以更高效地处理和分析数据，从而加速了数据科学和机器学习等领域的开发和应用。每一列的名称是字典中的键，每一行的数据是字典中的值。总的来说，Pandas 提供了丰富的功能和方法，可以帮助用户进行数据处理、分析、可视化和建模，是数据科学和数据分析领域的重要工具之一。
pandas数据处理学习.zip
07-13
该资源是一个中文版关于pandas的教程文档，详细介绍了pandans库对数据预处理的详细步骤，并且配有实例说明。
python之pandas简单介绍及使用（一）
weixin_30888413的博客
11-27 1万+
一、　　Pandas简介 1、Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一...
Python数据分析基础技术之pandas（史上最全面）
热门推荐
薛定谔的猫-前端领域
04-29 7万+
pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。简单地说，你可以把 Pandas 看作是 Python 版的 Excel。 ...
Python之Pandas使用详解
huanxiajioabu的博客
07-21 3436
在数据分析当中，我们通常使用 Pandas 来做数据清理的工作。在真实的工作生活中，我们拿到的数据往往都是不整洁的，空值、重复值、无效值等等信息都会干扰我们的分析，此时我们就需要按部就班的完成数据的清理。数据清理是数据分析中非常重要的一步，也是非常繁琐的一步，当然，在你掌握了 Pandas 库之后，你就好像是得到了一把削铁如泥的宝剑，数据清理工作的效率会大大提高。
【pandas 类库】
zhurrm的博客
11-27 2819
Pandas 是 Python 语言的一个扩展程序库，用于数据分析。 Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。 Pandas 名字衍生自术语 "panel data"（面板数据）和 "Python data analysis"（Python 数据分析）。 Pandas 一个强大的分析结构化数据的工具集，基础是Numpy（提供高性能的矩阵运算）。 Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入.
Python Pandas使用教程
05-03
Python Pandas 使用教程 Python Pandas 是一种功能强大的 Python 数据分析工具包，由 Wes McKinney 和 Pandas 开发团队开发，最新版本为 1.4.2，发布于 2022 年 4 月 2 日。 安装 要开始使用 Pandas，首先需要...
基础Python教程之pandas使用总结.pdf
10-30
在Python的世界里，数据分析是一项核心任务，而Pandas库正是这个领域的王者。Pandas提供了高效的数据处理工具，使得数据清洗、分析和建模变得轻松。本文将深入探讨Pandas库的基础使用，包括其数据结构、读取与存储...
Python Pandas教程
11-14
python
python数据分析：Pandas库教程
最新发布
07-14
Pandas是一个强大的Python数据分析库，由Wes McKinney在2008年创建。它提供了高性能、易用的数据结构和数据分析工具，特别适合于处理表格数据。Pandas中最主要的数据结构是Series和DataFrame，它们使得数据处理和...
3.5万字，图解Python数据分析最强库Pandas(全是干货，建议收藏)
wangluoanquan152的博客
11-06 8236
大家好，在 Python 各个工具包中，最频繁使用的应该就是 Pandas 了。今天我以图解的方式给大家介绍 Pandas 中各种常用的操作，内容有点长，喜欢记得点赞、收藏、关注。
Python基础(5)-Pandas
xiuxiuhh的博客
06-23 2973
pandas是一个数据分析库，能快速分析结构化数据，并提供了高级数据结构和操作工具。1、Pandas是Python的一个第三方包，也是商业和工程领域最流行的结构化数据工具集，用于数据清洗、处理以及分析2、Pandas和Spark中很多功能都类似，甚至使用方法都是相同的；学会Pandas之后再学习Spark就更加简单快速3、Pandas在整个数据开发的流程中的应用场景：在大数据场景下，数据在流转的过程中，Python Pandas丰富的API能够更加灵活、快速的对数据进行清洗和处理。
python之pandas库，快速学习
qq_68411520的博客
06-15 7471
目录一、pandas的两种数据结构 1.pandas导入 2.Series （1）series：一维数据机构，可以保存任何类型的数据结构，相当于一列。 （2）series默认索引从0开始。也通过可以指定索引。 3.DataFrame （1）DataFrame：是一个矩阵的数据类型，既有行索引，也有列索引。 （2）DataFrame：可以更改
Python之Pandas
陌小柠的博客
04-02 8479
Python之pandas 环境：jupyter Notebook(Anaconda) 1.引入pandas库和numpy库 import pandas as pd import numpy as np 2. 读取文件 t1=pd.read_excel('D:\scores.xlsx',header=[0,1],index_col=0) #读取文件 t1 #index_col 接收int、sequence或者False。表示设定的列作为行名，如果是一个数列，则是多重索引，默认为None 3. i
Python里Pandas基础知识
m0_60525383的博客
04-14 1200
df3.sort_values ('two',axis=1,ascending=True) #纵轴，第"two”行，升序。df2.sort_values('pop', ascending=False)#降序，按照索引顺序排列，并且如果传入的列在数据中找不到，就会在结果中产生缺失值。表格型的数据类型，每列值类型可以不同，同一列内 的元素类型也可以不同。就会被解释为外层字典的键作为列，内层字典键则作为行索引。列位置]:通过默认生成的数字索引査询指定的数据，索引从。与之相关的数据 标签(即索引)组成，即。
掌握Python的常用模块pandas
m0_61981943的博客
06-27 1926
本节介绍 Pandas 基础数据结构，包括各类对象的数据类型、索引、轴标记、对齐等基础操作。“数据对齐是内在的”，这一原则是根本。除非显式指定，Pandas 不会断开标签和数据之间的连接。下文先简单介绍数据结构，然后再分门别类介绍每种功能与方法。
python的pandas教程
08-27
你可以通过以下几种途径学习Python的Pandas教程： 1. 官方文档：Pandas官方文档是学习和使用Pandas的首要资源。官方文档提供了详细的教程、示例和文档，涵盖了Pandas的各个方面。你可以在Pandas官方网站上找到最新的官方文档链接。 2. 在线教程：还有很多在线教程可以帮助你学习Python中的Pandas。其中一个很受欢迎的教程是《Python之Pandas使用教程》。该教程提供了Pandas的概述、安装方法和基本使用方法，适合初学者入门。 3. 书籍资源：有很多优秀的书籍专门介绍了Python中的Pandas。《利用Python进行数据分析》是一本非常经典的书籍，其中有很多关于Pandas的内容。这本书提供了丰富的示例和实践项目，帮助你深入理解和应用Pandas。 总结起来，你可以通过阅读官方文档、参考在线教程和阅读相关书籍来学习Python中的Pandas教程。这些资源将为你提供丰富的知识和实践经验，帮助你更好地掌握Pandas的使用。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [python：pandas模块最全最详细的教程](https://blog.csdn.net/qdPython/article/details/128535116)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [Python之Pandas使用教程](https://blog.csdn.net/tlammon/article/details/105448216)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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