dataframe 行数_昨天写了一长串Julia使用DataFrame，发现写掉了一些东西，今天来做个补充...

最新推荐文章于 2022-11-10 21:46:01 发布
最新推荐文章于 2022-11-10 21:46:01 发布
阅读量176 收藏
点赞数
文章标签： dataframe 行数
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/weixin_34901243/article/details/112113651
版权

92ccbfc5a92131a1e443275fef11104d.png

使用DataFrame之前先导入

using DataFrames # load package 注意大小写

先来创建一个DataFrame对象x

x=DataFrame(A=[1,2],B=[1.0,missing],C=["A","B"])
#=
2×3 DataFrame
│ Row │ A     │ B        │ C      │
│     │ Int64 │ Float64⍰ │ String │
├─────┼───────┼──────────┼────────┤
│ 1   │ 1     │ 1.0      │ A      │
│ 2   │ 2     │ missing  │ B      │

=#

使用size函数获取DataFrame大小

julia> size(x)
(2, 3)

julia> size(x,1)
2

julia> size(x,2)
3

使用nrow``ncol分别获取行数跟列数，使用length可以获取列数，但不推荐这么做

julia> nrow(x)
2

julia> ncol(x)
3

julia> length(x)
┌ Warning: `length(df::AbstractDataFrame)` is deprecated, use `size(df, 2)` instead.
│   caller = top-level scope at none:0
└ @ Core none:0
3

使用describe获取DataFrame的主要信息

# 先输出
julia> x
2×3 DataFrame
│ Row │ A     │ B        │ C      │
│     │ Int64 │ Float64⍰ │ String │
├─────┼───────┼──────────┼────────┤
│ 1   │ 1     │ 1.0      │ A      │
│ 2   │ 2     │ missing  │ B      │

julia> describe(x)
3×8 DataFrame
│ Row │ variable │ mean   │ min │ median │ max │ nunique │ nmissing │ eltype   │
│     │ Symbol   │ Union… │ Any │ Union… │ Any │ Union…  │ Union…   │ DataType │
├─────┼──────────┼────────┼─────┼────────┼─────┼─────────┼──────────┼──────────┤
│ 1   │ A        │ 1.5    │ 1   │ 1.5    │ 2   │         │          │ Int64    │
│ 2   │ B        │ 1.0    │ 1.0 │ 1.0    │ 1.0 │         │ 1        │ Float64  │
│ 3   │ C        │        │ A   │        │ B   │ 2       │          │ String   │

使用showcols将获取的信息存入数据帧中

julia> showcols(x)

┌ Warning: `showcols(df::AbstractDataFrame, all::Bool=false, values::Bool=true)` is deprecated, use `describe(df, stats=[:eltype, :nmissing, :first, :last])` instead.
│   caller = showcols(::DataFrame) at deprecated.jl:54
└ @ DataFrames ./deprecated.jl:54
3×5 DataFrame
│ Row │ variable │ eltype   │ nmissing │ first │ last    │
│     │ Symbol   │ DataType │ Union…   │ Any   │ Any     │
├─────┼──────────┼──────────┼──────────┼───────┼─────────┤
│ 1   │ A        │ Int64    │          │ 1     │ 2       │
│ 2   │ B        │ Float64  │ 1        │ 1.0   │ missing │
│ 3   │ C        │ String   │          │ A     │ B       │

names将返回所有列名

julia> names(x)
3-element Array{Symbol,1}:
 :A
 :B
 :C

eltypes将返回所有的数据类型

julia> eltypes(x)

3-element Array{Type,1}:
 Int64                  
 Union{Missing, Float64}
 String

接下来创建一个比较大的DataFrame

y=DataFrame(rand(1:10,1000,10))
#=
julia> y=DataFrame(rand(1:10,1000,10))
1000×10 DataFrame
│ Row  │ x1    │ x2    │ x3    │ x4    │ x5    │ x6    │ x7    │ x8    │ x9    │ x10   │
│      │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │
├──────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┤
│ 1    │ 8     │ 3     │ 7     │ 3     │ 1     │ 9     │ 4     │ 1     │ 7     │ 1     │
│ 2    │ 2     │ 7     │ 2     │ 3     │ 7     │ 10    │ 4     │ 4     │ 8     │ 5     │
│ 3    │ 9     │ 3     │ 6     │ 6     │ 9     │ 1     │ 6     │ 5     │ 5     │ 10    │
│ 4    │ 7     │ 10    │ 1     │ 5     │ 9     │ 2     │ 10    │ 7     │ 9     │ 6     │
│ 5    │ 4     │ 6     │ 5     │ 10    │ 1     │ 5     │ 5     │ 6     │ 1     │ 5     │
│ 6    │ 5     │ 9     │ 2     │ 4     │ 9     │ 1     │ 8     │ 1     │ 1     │ 2     │
│ 7    │ 9     │ 6     │ 2     │ 4     │ 5     │ 2     │ 7     │ 9     │ 10    │ 6     │
│ 8    │ 3     │ 9     │ 3     │ 10    │ 3     │ 9     │ 1     │ 9     │ 7     │ 4     │
│ 9    │ 3     │ 2     │ 6     │ 5     │ 1     │ 5     │ 9     │ 3     │ 2     │ 4     │
│ 10   │ 2     │ 1     │ 1     │ 4     │ 4     │ 5     │ 6     │ 2     │ 1     │ 1     │
⋮
│ 990  │ 4     │ 3     │ 6     │ 6     │ 10    │ 2     │ 1     │ 4     │ 4     │ 10    │
│ 991  │ 6     │ 2     │ 8     │ 3     │ 7     │ 9     │ 7     │ 7     │ 5     │ 3     │
│ 992  │ 4     │ 9     │ 6     │ 8     │ 6     │ 8     │ 1     │ 4     │ 10    │ 9     │
│ 993  │ 4     │ 9     │ 2     │ 5     │ 4     │ 1     │ 8     │ 8     │ 3     │ 7     │
│ 994  │ 8     │ 2     │ 4     │ 1     │ 3     │ 7     │ 4     │ 5     │ 3     │ 7     │
│ 995  │ 1     │ 7     │ 9     │ 5     │ 2     │ 9     │ 3     │ 8     │ 4     │ 6     │
│ 996  │ 1     │ 4     │ 8     │ 1     │ 2     │ 5     │ 6     │ 2     │ 3     │ 4     │
│ 997  │ 3     │ 4     │ 3     │ 7     │ 7     │ 7     │ 5     │ 4     │ 7     │ 8     │
│ 998  │ 10    │ 1     │ 5     │ 4     │ 4     │ 7     │ 9     │ 8     │ 2     │ 1     │
│ 999  │ 8     │ 7     │ 2     │ 4     │ 6     │ 6     │ 1     │ 1     │ 5     │ 6     │
│ 1000 │ 1     │ 10    │ 4     │ 7     │ 10    │ 1     │ 4     │ 1     │ 9     │ 7     │

=#

接下来使用head获取顶部的几行

head(y)

#=
julia> head(y)
┌ Warning: `head(df::AbstractDataFrame)` is deprecated, use `first(df, 6)` instead.
│   caller = top-level scope at none:0
└ @ Core none:0
6×10 DataFrame
│ Row │ x1    │ x2    │ x3    │ x4    │ x5    │ x6    │ x7    │ x8    │ x9    │ x10   │
│     │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┤
│ 1   │ 8     │ 3     │ 7     │ 3     │ 1     │ 9     │ 4     │ 1     │ 7     │ 1     │
│ 2   │ 2     │ 7     │ 2     │ 3     │ 7     │ 10    │ 4     │ 4     │ 8     │ 5     │
│ 3   │ 9     │ 3     │ 6     │ 6     │ 9     │ 1     │ 6     │ 5     │ 5     │ 10    │
│ 4   │ 7     │ 10    │ 1     │ 5     │ 9     │ 2     │ 10    │ 7     │ 9     │ 6     │
│ 5   │ 4     │ 6     │ 5     │ 10    │ 1     │ 5     │ 5     │ 6     │ 1     │ 5     │
│ 6   │ 5     │ 9     │ 2     │ 4     │ 9     │ 1     │ 8     │ 1     │ 1     │ 2     │


=#

使用tail函数可以获取你想获取的前几行

# 这里我获取前三行
julia> tail(y,3)
┌ Warning: `tail(df::AbstractDataFrame, n::Integer)` is deprecated, use `last(df, n)` instead.
│   caller = top-level scope at none:0
└ @ Core none:0
3×10 DataFrame
│ Row │ x1    │ x2    │ x3    │ x4    │ x5    │ x6    │ x7    │ x8    │ x9    │ x10   │
│     │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │ Int64 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┤
│ 1   │ 10    │ 1     │ 5     │ 4     │ 4     │ 7     │ 9     │ 8     │ 2     │ 1     │
│ 2   │ 8     │ 7     │ 2     │ 4     │ 6     │ 6     │ 1     │ 1     │ 5     │ 6     │
│ 3   │ 1     │ 10    │ 4     │ 7     │ 10    │ 1     │ 4     │ 1     │ 9     │ 7     │

介绍一些最基本的值获取和设置值

给你一个DataFrame``x，有三种方法可以将其中的某一列转换为一个数组

先输出x

julia> x
2×3 DataFrame
│ Row │ A     │ B        │ C      │
│     │ Int64 │ Float64⍰ │ String │
├─────┼───────┼──────────┼────────┤
│ 1   │ 1     │ 1.0      │ A      │
│ 2   │ 2     │ missing  │ B      │

julia> x[1]
2-element Array{Int64,1}:
 1
 2

julia> x[:A]
2-element Array{Int64,1}:
 1
 2

julia> x[:1]
2-element Array{Int64,1}:
 1
 2

可以利用索引来获取某一行

julia> x[1,:]

DataFrameRow (row 1)
A  1
B  1.0
C  A

可以使用相同的语法来获取一个具体的值

julia> x[1,1]
1

使用同一标量

julia> x[1:2,1:2]=1
1

julia> x
2×3 DataFrame
│ Row │ A     │ B        │ C      │
│     │ Int64 │ Float64⍰ │ String │
├─────┼───────┼──────────┼────────┤
│ 1   │ 1     │ 1.0      │ A      │
│ 2   │ 1     │ 1.0      │ B      │

使用同等大小的数据集来进行替换

julia> x[1:2,1:2]=DataFrame([5 6;7 8])
2×2 DataFrame
│ Row │ x1    │ x2    │
│     │ Int64 │ Int64 │
├─────┼───────┼───────┤
│ 1   │ 5     │ 6     │
│ 2   │ 7     │ 8     │

julia> x
2×3 DataFrame
│ Row │ A     │ B        │ C      │
│     │ Int64 │ Float64⍰ │ String │
├─────┼───────┼──────────┼────────┤
│ 1   │ 5     │ 6.0      │ A      │
│ 2   │ 7     │ 8.0      │ B      │

差不多了吧，再想起来再补

先写到这儿，记得点赞，关注，记得订阅 Julia Code 专栏！！！

88445fb16b62da9279d2e823ca030533.png
浪子十九号
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
julia语言做数据预处理
hfutxiaoguozhi的博客
12-17 3988
Julia语言数据预处理 本文简单介绍拿Julia语言进行数据预处理，数据R语言和python的都应该有感觉，就是R和python做数据预处理非常方便。R方面主要是有dplyr这个包，或者是datatable这个包。python对应的pandas这个库，因此这几个包极大地促进了数据预处理。juila语言其实在这个方面也是非常强的，因为julia本身就是吸收了python，R，matlab等一系列语
Julia DataFrames ---- 行和列的读取
October
01-01 3658
1 功能概要 可以通过多种方式创建DataFrame；如使用CSV，Dict， Rand()函数等。 可以读取指定行和列。 可以与Matrix等转换。 使用.=符号赋值。 可以添加一列。 按照某一列，对行排序。 2 代码示例 using DataFrames, CSV, Statistics,Tables using Random using BenchmarkTools ...
Julia : DataFrame与replace、delete
Julia & Rust & Python
02-23 952
https://stackoverflow.com/questions/34611109/julia-dataframe-replacing-missing-values Probably the easiest approach is to use replace! or replace from base Julia. Here is an example with replace!: jul...
Julia：DataFrame简介
chd_lkl的博客
09-25 1625
using DataFrames showln(x) = (show(x); println()) # 这句代码很重要 # A DataFrame is an in-memory database df = DataFrame(A = [2, 5], B = [e, pi], C = ["x", "y"]) showln(df) #> 2x3 DataFrame #> |----...
Julia DataFrames ----结构重划 -stack
October
01-18 507
1 功能说明 # stack函数会将数据从”表格结构“变成”花括号结构“，即将其行索引变成列索引，反之，unstack函数将数据从”花括号结构“变成”表格结构“，即要将其中一层的列索引变成行索引 # 1.stack： 将数据的列索引转换为行索引(列索引可以简单理解为列名) # 2.unstack：将数据的行索引转换为列索引 # 3.stack和unstack默认操作为最内层，可以用level参...
Julia : DataFrame常见用法
Julia & Rust & Python
03-02 3770
数据准备 数据说明：第二行第二列是空值；最后一列是空值； csv_2 = s"C:\Users\songroom\Desktop\000002.XSHE.csv" @time df = CSV.read(csv_2,header=true,delim=',',missingstring="0.0", dateformat="yyyy/mm/dd"); 上面参数说明：missingstring=...
pyspark.sql.DataFrame与pandas.DataFrame之间的相互转换实例
01-21
代码如下，步骤流程在代码注释中可见： # -*- coding: utf-8 -*- import pandas as pd ...df = pd.DataFrame([[1, 2, 3], [4, 5, 6]], index=['row1', 'row2'], columns=['c1', 'c2', 'c3']) #打印数据 pri
详解pandas.DataFrame中删除包涵特定字符串所在的行
09-19
主要介绍了pandas.DataFrame中删除包涵特定字符串所在的行，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
python pandas.DataFrame.loc函数使用详解
09-17
主要介绍了python pandas.DataFrame.loc函数使用详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
python实现在pandas.DataFrame添加一行
09-20
下面小编就为大家分享一篇python实现在pandas.DataFrame添加一行，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Julia 之 DataFrames
程志伟的博客
06-22 4351
关注微信公共号：小程在线 关注CSDN博客：程志伟的博客 使用 ] 进入下载包的进程，然后add "DataFrames",等待包下载完成，首次下载还需要下载别的包，完成之后Ctrl + C退出 加载包 julia> using DataFrames 首先使用DataFrame创建一个简单的数据表 julia> DataFrame(A = 1:4, B = ["M", "F", "F", "M"]) 4×2 DataFrame │ Row │ A │ B ...
【python与数据分析】Tushare库详解（1）
m0_72318954的博客
11-10 6607
tushare基础知识介绍
Julia 机器学习----基于DataFrame 的特征标准化方法
October
06-13 848
1、概述 评价是现代社会各领域的一项经常性的工作，是科学做出管理决策的重要依据。随着人们研究领域的不断扩大，所面临的评价对象日趋复杂，如果仅依据单一指标对事物进行评价往往不尽合理，必须全面地从整体的角度考虑问题，多指标综合评价方法应运而生。所谓多指标综合评价方法，就是把描述评价对象不同方面的多个指标的信息综合起来，并得到一个综合指标，由此对评价对象做一个整体上的评判，并进行横向或纵向比较。 而在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用
julia系列4：数学计算
kittyzc的博客
08-12 1623
我们还可以显式地声明下面地矩阵Diagonal(对角矩阵)，Symmetric(对称矩阵)，Hermitian(埃尔米特矩阵)Tridiagonal(三对角矩阵)，SymTridiagonal(对称三角矩阵)[SymTridiagonal只能作用于对称矩阵]注意julia中的slice是copy操作，引用操作需要使用view。.........
python中iloc的详细用法_python pandas 中 loc & iloc 用法区别
weixin_39966941的博客
12-03 2698
转自：https://blog.csdn.net/qq_21840201/article/details/80725433### 随机生DataFrame 类型数据import pandas as pdimport numpy as npframe = pd.DataFrame(np.random.rand(4,4),index=list('abcd'),columns=list('ABCD')...
Julia程序设计1 介绍和基础数学运算
一个不愿透露姓名的博客
06-17 806
Julia程序设计1 介绍和基础数学运算介绍简单数学运算 介绍 本来打算用Matlab来写MATH 575A和MATH 575B的笔记的，但最近关于Matlab的新闻让我觉得可能还是用免费开源又强大的Julia比较好。这个系列的博文介绍Julia程序设计和数值计算，我也是从Matlab转战Julia的，就边学边写吧。 Julia下载安装比较简单，在https://julialang.org/downloads/就可以下载 我选的是JuliaPro 1.4.2-1 Windows版本的，安装过程就选了一下路
过度拟合_过度拟合和尺寸缩减的过度拟合的最终指南
weixin_26748899的博客
09-15 634
过度拟合Let us consider that we are designing a machine learning model. A model is said to be a good machine learning model, if it generalizes any new input data from the problem domain in a proper way. T...
Julia ---- DataFrame 快速清洗数据的一些方式
October
04-12 1284
（1）循环处理每一项数据的方式 （2）
《利用Python进行数据分析》学习笔记之Pandas基础
亚北薯条
12-12 237
1. Series 类似于一维数组的对象： 由一组数据（各种numpy对象）和一组与之相关的索引组成。分别有两个属性，.values 和 .index (1)创建Series 直接定义,包括定义index 输入一个dict，转成Series import pandas as pd from pandas import DataFrame,Series import numpy as np fr...
pd.DataFrame输入指定行数的pd.DataFrame
最新发布
02-01
你可以通过指定行数来输入一个pd.DataFrame。 你可以使用pd.DataFrame()构造函数来创建一个新的pd.DataFrame。该函数有很多参数，但是你可能最常用的是“data”和“index”参数。 例如，你可以使用下面的代码创建...

“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