pandas 删除列_Pandas基本用法汇总

0| 引言

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。

1| 创建Series

Series是Pandas中最基本的对象，Series类似一种一维数组。

事实上，Series基本上就是基于NumPy的数组对象来的。

和NumPy的数组不同，Series能为数据自定义标签，也就是索引(index)，然后通过索引来访问数组中的数据。

import pandas as pdimport numpy as nps1 = pd.Series([4,7,-3,0])print(s1)

图 1 Series示例

• s1.values : 查看series的值
• s1.index : 查看series的索引值

s1.valuess1.index

图2 查看values和index

s2 = pd.Series([4.0, 6.5, -0.5, 3],index= ['d','c','b','a'])print(s2)

图3 s2示例

根据索引取值：

s2['b']s2[['a','b','c']]

图4 根据索引取值

图5 查看索引序列是否在s2数组中

2| 创建DataFrame

DataFrame是一个二维的表结构.Pandas的DataFrame可以存储许多种不同的数据类型，

并且每一个坐标轴都有自己的标签。你可以把它想象成一个series的字典项。

# DataFramedata ={'year':[2013,2015,2016,2017],     'income':[1000, 2000,3000,4000],        'pay':[5000, 10000, 20000,30000]      } # 以列排列df1=pd.DataFrame(data)df1

图6 DataFrame示例

DataFrame的属性

df1.columns ：查看列元素

df1.index ：查看索引

df1.values ：查看所有元素

df1.describe：查看描述属性

图7 查看DataFrame的columns,index,values属性

describe(): 可以查看mean(), std(), min(), 四分之一分位，二分之一分位，四分之三分位，max()

图8 查看describe属性

df3 =pd.DataFrame(np.arange(12).reshape((3,4)),index=['a','c','b'],columns=[2,33,44,5])df3

图8 示例

# 以列索引升序排列df3.sort_index(axis=1)

图9 列索引排序

# 以行索引升序排列df3.sort_index(axis=0)

图 10 行索引排序

# 以某值所对应的索引值进行排序df3.sort_values(by=44)

图 11 以某值所对应的索引值进行排序

3| Pandas的数据选择

import pandas as pd  import numpy as npdates = pd.date_range('20170101',periods=6)df1 = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates, columns =['A','B','C','D'])df1

图12 示例

查看DataFrame的列Series

df1['A'] =df1.A

图 13

查看前两行：

图14 查看前两行

以索引名选取：

图15 以索引名选取

行索引：

图16 行索引

通过位置【行与列】选择数据

图17 通过位置索引

混合标签位置选择

图18 混合标签索引

4 | Pandas的赋值与操作

import pandas as pd import numpy as npdates = np.arange(20201001,20201007)df1 =pd.DataFrame(np.arange(24).reshape((6,4)),index=dates, columns=['A','B','C','D'])df1

图 19 示例

利用位置赋值

df1.iloc[2,2]

图 20 查看位置

df1.iloc[2,2] =100df1

图 21 赋值

利用标签赋值

图 22 利用位置赋值

利用逻辑语句赋值

图 23 利用逻辑语句赋值1

图24 利用逻辑语句 赋值2

添加一列：

图 25 添加一列 1

图 26 添加一列2

添加一行

图 27 添加一行1

图 28 添加一行2

插入列

图29 将df2的E列元素，插入第2列的G标签的列

g = df1.pop('G')df1.insert(6,'G',g)df1

图 30 将g插入第7列的"G"列

删除 列

图 31 删除列

图 32 删除"A"，"B"列

图 33 删除前两行

5 | Pandas 处理缺省值

import pandas as pd import numpy as npdates = np.arange(20201001,20201007)df1 = pd.DataFrame(np.arange(18).reshape((6,3)),index=dates, columns=['A','B','C'])df1

图 34 示例

df2 = pd.DataFrame(df1,index=dates, columns=['A','B','C','D','E'])df2 

图 35 生成缺省数组 1

图 36 生成缺省数组 2

去除空值的行：

# 去除空值的行df2.dropna(axis=0, how='any') #axis =[0,1] 0表示行，列表示列。 how=['any','all'] any：表示任意一个NaN  all：表示全部为NaN

图 37 去除空值的行1

图 38 去除空值的行 2

将空值全部赋值为0：

图 39 去除空值并赋值为0

查看空值

图 40 查看空值1

6|Pandas 合并

import pandas as pdimport numpy as npdf1 = pd.DataFrame(np.arange(12).reshape((3,4)),columns=['A','B','C','D'])df2 = pd.DataFrame(np.arange(12,24).reshape((3,4)),columns=['A','B','C','D'])df3 = pd.DataFrame(np.arange(24,36).reshape((3,4)),columns=['A','B','C','D'])print(df1)print('**__________**')print(df2)print('**__________**')print(df3)

图 41 示例

纵向合并：

图42 纵向合并

纵向合并，不考虑原来的jndex

图43 纵向合并，不考虑原来的jndex

横向合并，不考虑原来的index

图44 横向合并，不考虑原来的index

生成两个表：

图 45 生成两个表

图 46 合并两个表，缺少部分用NaN填充

图 47 合并两个表， 缺少部分去掉

图 48 横向合并

图 49 默认合并