Pandas 数据结构介绍——DataFrame二元函数定义（数组计算）

最新推荐文章于 2023-06-19 14:44:32 发布

峡谷的小鱼

最新推荐文章于 2023-06-19 14:44:32 发布

阅读量1.3k

点赞数

分类专栏：数据分析 pandas 文章标签： pytorch python 数据分析机器学习深度学习

本文链接：https://blog.csdn.net/weixin_43276033/article/details/124066700

版权

数据分析 pandas 专栏收录该内容

9 篇文章 1 订阅

订阅专栏

本文详细介绍了Pandas DataFrame的数值计算和布尔运算操作，包括加减乘除、取整、取模、指数等数学运算，以及小于、大于、小于等于、大于等于、不等于和等于的比较运算。通过实例展示了如何使用这些操作对DataFrame进行算术和逻辑处理，为数据分析提供基础操作指南。

摘要由CSDN通过智能技术生成

DataFrame的计算

import numpy as np
import pandas as pd

1. DataFrame数值计算

DataFrame.add(other, axis='columns', level=None, fill_value=None): +
DataFrame.sub(other, axis='columns', level=None, fill_value=None): -
DataFrame.mul(other, axis='columns', level=None, fill_value=None): *
DataFrame.div(other, axis='columns', level=None, fill_value=None): /
DataFrame.floordiv(other, axis='columns', level=None, fill_value=None): //
DataFrame.mod(other, axis='columns', level=None, fill_value=None): %
DataFrame.pow(other, axis='columns', level=None, fill_value=None): **

参数:

other: scalar, sequence, Series, or DataFrame
axis : {0 or 'index', 1 or 'columns'}
level : int or label
fill_value : float or None, default None

# 定义对象
>>> df = pd.DataFrame(data=np.array([(x, x+1, x+2, x+3, x+4) for x in range(0,25,5)],
                                dtype=[('col1', 'i4'), ('col2', 'i8'), ('col3', 'i4'), ('col4','f8'), ('col5', 'b')]))
>>> df

col1	col2	col3	col4	col5
0	0	1	2	3.0	4
1	5	6	7	8.0	9
2	10	11	12	13.0	14
3	15	16	17	18.0	19
4	20	21	22	23.0	24

>>> df + 2
	col1	col2	col3	col4	col5
0	2	3	4	5.0	6
1	7	8	9	10.0	11
2	12	13	14	15.0	16
3	17	18	19	20.0	21
4	22	23	24	25.0	26

>>> df - [1, 2, 3, 2, 1]
	col1	col2	col3	col4	col5
0	-1	-1	-1	1.0	3
1	4	4	4	6.0	8
2	9	9	9	11.0	13
3	14	14	14	16.0	18
4	19	19	19	21.0	23

>>> df.mul(pd.DataFrame({'col2': (1, 2, 3, 4, 5)}), fill_value=1)
	col1	col2	col3	col4	col5
0	0.0	1	2.0	3.0	4.0
1	5.0	12	7.0	8.0	9.0
2	10.0	33	12.0	13.0	14.0
3	15.0	64	17.0	18.0	19.0
4	20.0	105	22.0	23.0	24.0

>>> df.div(pd.DataFrame({'col2': (1, 2, 3, 4, 5)}), fill_value=10)
	col1	col2	col3	col4	col5
0	0.0	1.000000	0.2	0.3	0.4
1	0.5	3.000000	0.7	0.8	0.9
2	1.0	3.666667	1.2	1.3	1.4
3	1.5	4.000000	1.7	1.8	1.9
4	2.0	4.200000	2.2	2.3	2.4

>>> df // 2
	col1	col2	col3	col4	col5
0	0	0	1	1.0	2
1	2	3	3	4.0	4
2	5	5	6	6.0	7
3	7	8	8	9.0	9
4	10	10	11	11.0	12

>>> df % 2
	col1	col2	col3	col4	col5
0	0	1	0	1.0	0
1	1	0	1	0.0	1
2	0	1	0	1.0	0
3	1	0	1	0.0	1
4	0	1	0	1.0	0

>>> df ** 2
	col1	col2	col3	col4	col5
0	0	1	4	9.0	16
1	25	36	49	64.0	81
2	100	121	144	169.0	-60
3	225	256	289	324.0	105
4	400	441	484	529.0	64

2. DataFrame布尔运算：

DataFrame.lt(other, axis='columns', level=None): <
DataFrame.gt(other, axis='columns', level=None): >
DataFrame.le(other, axis='columns', level=None): <=
DataFrame.ge(other, axis='columns', level=None): >=
DataFrame.ne(other, axis='columns', level=None): !=
DataFrame.eq(other, axis='columns', level=None): ==

参数：

other: Series or scalar value
fill_value: None or float value, default None
在计算之前，用于填充缺失值。
level: int or name

>>> df < 10
	col1	col2	col3	col4	col5
0	True	True	True	True	True
1	True	True	True	True	True
2	False	False	False	False	False
3	False	False	False	False	False
4	False	False	False	False	False

>>> df > [5, 10, 5, 20, 5]
	col1	col2	col3	col4	col5
0	False	False	False	False	False
1	False	False	True	False	True
2	True	True	True	False	True
3	True	True	True	False	True
4	True	True	True	True	True

>>> df.le(pd.DataFrame({'col2': (2, 6, 8, 10, 12)}))
	col1	col2	col3	col4	col5
0	False	True	False	False	False
1	False	True	False	False	False
2	False	False	False	False	False
3	False	False	False	False	False
4	False	False	False	False	False

>>> df.ge(pd.DataFrame({'col2': (1, 15, 30, 4, 5)}))
col1	col2	col3	col4	col5
0	False	True	False	False	False
1	False	False	False	False	False
2	False	False	False	False	False
3	False	True	False	False	False
4	False	True	False	False	False
6
df != 6

>>> df != 6
	col1	col2	col3	col4	col5
0	True	True	True	True	True
1	True	False	True	True	True
2	True	True	True	True	True
3	True	True	True	True	True
4	True	True	True	True	True


>>> df == 4
	col1	col2	col3	col4	col5
0	False	False	False	False	True
1	False	False	False	False	False
2	False	False	False	False	False
3	False	False	False	False	False
4	False	False	False	False	False