pandas批量修改列值_Pandas增删改查的详细总结

Numpy和Pandas是Python进行数据分析的基础库，当初学习Pandas就买了《利用Python进行数据分析》这本书来看，书非常棒，既深入又通俗，而且这本书的原作者就是Pandas库的主要创建者之一。Pandas最常用的两种数据结构是Series和DataFrame，Series是一维数据，类似一维数组，DataFrame是二维数据，类似Excel表格，这两种数据结构都包含数据标签index，在没有设置index时，系统会自动分配（0到N-1）。本文使用Jupyter notebook进行编程测试。

创建/读取Series和DataFrame数据

import 

左：Series，右：DataFrame

设置索引

索引和值

索引对象

Pandas的索引对象用来存储轴标签（包括行索引和列索引），索引对象不可以修改，类似于数组和集合，与集合不同的是索引可以重复。

#输出DataFrame的索引对象

索引对象

查找数据

#查找列数据

左：查找一列，右：查找c行

修改数据

#插入新行

将数组和列表赋值给data_frame时，长度必须一致，而将series赋值给data_frame的一列会按照索引重新排列，不匹配的索引则为缺失值NaN。

删除数据

#删除列del,直接在原数据上删除

左边：生成两列，右边：删除new_col1

数据排序

对DataFrame数据排序，既可以按照行列标签排序，也可以按照值进行排序，函数分别是sort_index和sort_values，排序后会生成排完序的新对象，而不是改变原来的数据。

#创建新data

从左到右：原数据，按行标签排序，按列标签排序，按列值排序

用rank()函数可对dataframe和series进行排名，pandas默认相同值取平均序号，可以传入参数更改。

#排序

左：每列数据排序，右：每行数据数据排序

数据连接

Pandas连接数据主要是通过merge()函数和concat()函数，merge()函数的连接类似于sql数据库中的join，而concat是在轴向上进行连接

#merge连接

常用统计方法

#统计某一列值的频率
data_pd['columns'].value_counts()