python数组数字求和_python数组求和

Pandas是Python的一个大数据处理模块。Pandas使用一个二维的数据结构DataFrame来表示表格式的数据，相比较于Numpy，Pandas可以存储混合的数据结构，同时使用NaN来表示缺失的数据，而不用像Numpy一样要手工处理缺失的数据，并且Pandas使用轴标签来表示行和列。

DataFrame类：

DataFrame有四个重要的属性： index：行索引。 columns：列索引。 values：值的二维数组。 name：名字。

构建方法，DataFrame(sequence)，通过序列构建，序列中的每个元素是一个字典。 frame=DateFrame构建完之后，假设frame中有’name’,’age’,’addr’三个属性，可以使用fame[‘name’]查看属性列内容，也可以fame.name这样直接查看。 frame按照’属性提取出来的每个列是一个Series类。 DataFrame类可以使用布尔型索引。 groupby(str|array…)函数：可以使用frame中对应属性的str或者和frame行数相同的array作为参数还可以使用一个会返回和frame长度相同list的函数作为参数，如果使用函数做分组参数，这个用做分组的函数传入的参数将会是fame的index，参数个数任意。使用了groupby函数之后配合,size()函数就可以对groupby结果进行统计。 groupby后可以使用： size()：就是count sum()：分组求和 apply(func，axis=0)：在分组上单独使用函数func返回frame，不groupby用在DataFrame会默认将func用在每个列上，如果axis=1表示将func用在行上。

reindex(index,column,method)：用来重新命名索引，和插值。 size()：会返回一个frame，这个frame是groupby后的结果。 sum(n).argsort()：如果frame中的值是数字，可以使用sum函数计算frame中摸个属性，各个因子分别求和，并返回一个Series，这个Series可以做为frame.take的参数，拿到frame中对应的行。 pivot_table(操作str1,index=str2,columns=str3,aggfunc=str4)透视图函数： str1：是给函数str4作为参数的部分。 str2：是返回frame的行名。 str3：是返回frame的列名。 str4：是集合函数名，有’mean’,’sum’这些，按照str2，str3分组。 使用透视图函数之后，可以使用.sum()这类型函数，使用后会按照index和columns的分组求和。 order_index(by,ascending): 返回一个根据by排序，asceding=True表示升序，False表示降序的frame concat(list)：将一个列表的frame行数加起来。 ix[index]：就是行索引，DataFrame的普通下标是列索引。 take(index)：作用和ix差不多，都是查询行，但是ix传入行号，take传入行索引。 unstack()：将行信息变成列信息。 apply(func，axis=0)和applymap(func)：apply用在DataFrame会默认将func用在每个列上，如果axis=1表示将func用在行上。applymap表示func用在每个元素上。 combine_first(frame2)：combine_first会把frame中的空值用frame1中对应位置的数据进行填充。Series方法也有相同的方法。 stack()函数，可以将DataFrame的列转化成行，原来的列索引成为行的层次索引。(stack和unstack方法是两个互逆的方法，可以用来进行Series和DataFrame之间的转换) duplicated()：返回一个布尔型Series，表示各行是否重复。 drop_duplicates()：返回一个移除了重复行后的DataFrame pct_change()：Series也有这个函数，这个函数用来计算同colnums两个相邻的数字之间的变化率。 corr()：计算相关系数矩阵。 cov()：计算协方差系数矩阵。 corrwith(Series|list,axis=0)：axis=0时计算frame的每列和参数的相关系数。

数据框操作

df.head(1) 读取头几条数据 df.tail(1) 读取后几条数据 df[‘date’] 获取数据框的date列 df.head(1)[‘date’] 获取第一行的date列 df.head(1)‘date’ 获取第一行的date列的元素值 sum(df[‘ability’]) 计算整个列的和 df[df[‘date’] == ‘20161111’] 获取符合这个条件的行 df[df[‘date’] == ‘20161111’].index[0] 获取符合这个条件的行的行索引的值 df.iloc[1] 获取第二行 df.iloc1 获取第二行的test2值 10 mins to pandas df.index 获取行的索引 df.index[0] 获取第一个行索引 df.index[-1] 获取最后一个行索引,只是获取索引值 df.columns 获取列标签 df[0:2] 获取第1到第2行，从0开始，不包含末端 df.loc[1] 获取第二行 df.loc[:,’test1’] 获取test1的那一列,这个冒号的意思是所有行，逗号表示行与列的区分 df.loc[:,[‘test1’,’test2’]] 获取test1列和test2列的数据 df.loc[1,[‘test1’,’test2’]] 获取第二行的test1和test2列的数据 df.at[1,’test1’] 表示取第二行，test1列的数据，和上面的方法类似 df.iloc[0] 获取第一行 df.iloc[0:2,0:2] 获取前两行前两列的数据 df.iloc[[1,2,4],[0,2]] 获取第1，2，4行中的0，2列的数据 (df[2] > 1).any() 对于Series应用any()方法来判断是否有符合条件的