python第三章：03 pandas索引和常用操作

最新推荐文章于 2022-11-04 10:20:40 发布
最新推荐文章于 2022-11-04 10:20:40 发布
阅读量186 收藏
点赞数
分类专栏： python python第三章
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_44576834/article/details/110425696
版权

pandas 的索引

索引是非常重要的一个功能，使用索引我们就可以对数据进行选取和筛选

四种索引形式：

  1. 使用位置做索引
  2. 使用列表做索引
  3. 使用切片做索引
  4. 使用bool类型索引

** A、选取行: **

使用 loc 或者 iloc 函数来实现

import pandas as pd

filepath = '销售客户信息.xlsx'

df = pd.read_excel(filepath)

df
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
3100000042018-01-01女232018-07-06VIP北京市丰台区2019-06-08 04:48:002019-06-08 04:48:00121314.96452484.00
4100000052018-01-01女332018-07-01VIP北京市朝阳区2019-05-11 22:48:002019-05-07 22:48:00121006.80232046.77
.............................................
4995100049962019-06-30女48NaTNaN北京市西城区2019-06-30 00:00:00NaT00.0000.00
4996100049972019-06-30女26NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
4997100049982019-06-30男182019-07-03VIP北京市朝阳区2019-06-30 00:00:002019-06-30 00:00:0000.00198.00
4998100049992019-06-30男30NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
4999100050002019-06-30男262019-06-30VIP北京市朝阳区2019-06-30 00:00:002019-06-30 00:00:0000.00152.00

5000 rows × 14 columns

直接索引，获取第2 行

df.loc[2]

用户ID                    10000003
注册时间         2018-01-01 00:00:00
性别                             男
年龄                            50
会员开通时间       2018-07-06 00:00:00
会员类型                         VIP
城市                           北京市
区域                           北京市
最后一次登陆       2019-06-30 00:00:00
最后一次成交       2019-06-27 00:00:00
非会员累计购买次数                     12
非会员累计消费                  1369.56
会员累计购买次数                      19
会员累计消费                   1526.65
Name: 2, dtype: object

列表索引，列表可以是arange，range，ndarray ，series 都可以，列表形式即可

# 获取0，1，2 行
df.loc[[0,1,2]]
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65

切片索引

df.loc[0:4]
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
3100000042018-01-01女232018-07-06VIP北京市丰台区2019-06-08 04:48:002019-06-08 04:48:00121314.96452484.00
4100000052018-01-01女332018-07-01VIP北京市朝阳区2019-05-11 22:48:002019-05-07 22:48:00121006.80232046.77

bool类型索引

b1 = df['年龄']>30
b1

0        True
1        True
2        True
3       False
4        True
        ...  
4995     True
4996    False
4997    False
4998    False
4999    False
Name: 年龄, Length: 5000, dtype: bool

df.loc[b1]#对列进行判断以后进行索引读取
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
4100000052018-01-01女332018-07-01VIP北京市朝阳区2019-05-11 22:48:002019-05-07 22:48:00121006.80232046.77
7100000082018-01-01女45NaTNaN北京市朝阳区2018-06-24 09:36:002018-06-20 09:36:00111284.1400.00
.............................................
4987100049882019-06-28女48NaTNaN北京市丰台区丰台科2019-06-29 09:07:12NaT00.0000.00
4988100049892019-06-29女43NaTNaN北京市丰台区2019-06-29 12:57:36NaT00.0000.00
4993100049942019-06-30男442019-07-01VIP北京市北京市2019-06-30 00:00:002019-06-30 00:00:0000.00181.00
4994100049952019-06-30女37NaTNaN北京市朝阳区2019-06-30 00:00:00NaT00.0000.00
4995100049962019-06-30女48NaTNaN北京市西城区2019-06-30 00:00:00NaT00.0000.00

2772 rows × 14 columns

iloc 和 loc 的区别

  1. loc 是基于索引值的，切片是左闭右闭的
  2. iloc 是基于位置的，切片是左闭右开的
df.loc[0:2]#取了3行
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
df.iloc[0:2]#取了2行
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
df.iloc[2]#统计第三个行的所有数据

用户ID                    10000003
注册时间         2018-01-01 00:00:00
性别                             男
年龄                            50
会员开通时间       2018-07-06 00:00:00
会员类型                         VIP
城市                           北京市
区域                           北京市
最后一次登陆       2019-06-30 00:00:00
最后一次成交       2019-06-27 00:00:00
非会员累计购买次数                     12
非会员累计消费                  1369.56
会员累计购买次数                      19
会员累计消费                   1526.65
Name: 2, dtype: object

df1 = df.set_index('用户ID')#将'用户ID'设置为列标签
df1
注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
用户ID
100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
100000042018-01-01女232018-07-06VIP北京市丰台区2019-06-08 04:48:002019-06-08 04:48:00121314.96452484.00
100000052018-01-01女332018-07-01VIP北京市朝阳区2019-05-11 22:48:002019-05-07 22:48:00121006.80232046.77
..........................................
100049962019-06-30女48NaTNaN北京市西城区2019-06-30 00:00:00NaT00.0000.00
100049972019-06-30女26NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
100049982019-06-30男182019-07-03VIP北京市朝阳区2019-06-30 00:00:002019-06-30 00:00:0000.00198.00
100049992019-06-30男30NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
100050002019-06-30男262019-06-30VIP北京市朝阳区2019-06-30 00:00:002019-06-30 00:00:0000.00152.00

5000 rows × 13 columns

df1.loc[0:3]#loc取的是索引值，当用户ID变成索引后，不存在0-2的索引值，故没有办法获取索引
注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
用户ID
df1.iloc[0:2]#iloc 是根据位置的标号，而不是根据索引值
注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
用户ID
100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
df.loc[0:5,'年龄']#取0-5的索引列的值，取的是年龄值

0    43
1    56
2    50
3    23
4    33
5    27
Name: 年龄, dtype: int64

df1.iloc[0:5]
注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
用户ID
100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
100000042018-01-01女232018-07-06VIP北京市丰台区2019-06-08 04:48:002019-06-08 04:48:00121314.96452484.00
100000052018-01-01女332018-07-01VIP北京市朝阳区2019-05-11 22:48:002019-05-07 22:48:00121006.80232046.77

** B、选取列: **

不需要使用函数

df['年龄'].head()

0    43
1    56
2    50
3    23
4    33
Name: 年龄, dtype: int64

df[['年龄','城市']].head()
年龄城市
043北京市
156北京市
250北京市
323北京市
433北京市
# 注意使用切片和bool索引的话，效果和选取行是一样的
df[0:3]
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
df.iloc[0:3]
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
df[df['年龄']>18]
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
3100000042018-01-01女232018-07-06VIP北京市丰台区2019-06-08 04:48:002019-06-08 04:48:00121314.96452484.00
4100000052018-01-01女332018-07-01VIP北京市朝阳区2019-05-11 22:48:002019-05-07 22:48:00121006.80232046.77
.............................................
4994100049952019-06-30女37NaTNaN北京市朝阳区2019-06-30 00:00:00NaT00.0000.00
4995100049962019-06-30女48NaTNaN北京市西城区2019-06-30 00:00:00NaT00.0000.00
4996100049972019-06-30女26NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
4998100049992019-06-30男30NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
4999100050002019-06-30男262019-06-30VIP北京市朝阳区2019-06-30 00:00:002019-06-30 00:00:0000.00152.00

4896 rows × 14 columns

df.loc[df['年龄']>18]#与df[df'年龄']>18]相同
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
3100000042018-01-01女232018-07-06VIP北京市丰台区2019-06-08 04:48:002019-06-08 04:48:00121314.96452484.00
4100000052018-01-01女332018-07-01VIP北京市朝阳区2019-05-11 22:48:002019-05-07 22:48:00121006.80232046.77
5100000062018-01-01女272018-07-01VIP北京市朝阳区2019-05-06 12:00:002019-05-05 12:00:00121682.76262307.50
6100000072018-01-01男212018-07-06VIP北京市东城区2019-06-19 02:24:002019-06-19 02:24:00121212.96241435.44
7100000082018-01-01女45NaTNaN北京市朝阳区2018-06-24 09:36:002018-06-20 09:36:00111284.1400.00
8100000092018-01-01男322018-07-03VIP北京市北京市2019-05-17 09:36:002019-05-13 09:36:0012994.92191148.17
9100000102018-01-01女222018-07-04VIP北京市怀柔区2019-06-30 00:00:002019-06-25 00:00:00121664.16363430.80
10100000112018-01-01男282018-07-03VIP北京市宣武区2019-06-24 13:12:002019-06-22 13:12:00121081.20231168.17
11100000122018-01-01男322018-07-01VIP北京市海淀区2019-06-24 13:12:002019-06-19 13:12:00121674.12361874.16
12100000132018-01-02女21NaTNaN北京市北京市2018-09-20 02:52:482018-09-17 02:52:48171652.7400.00
13100000142018-01-02女282018-07-01VIP北京市海淀区2019-05-06 14:24:002019-05-05 14:24:00121258.56242316.96
14100000152018-01-02女45NaTNaN北京市海淀区2018-07-11 09:36:002018-07-11 09:36:00131458.6000.00
15100000162018-01-02女62NaTNaN北京市通州区2019-04-09 09:36:002019-04-04 09:36:00302002.2000.00
16100000172018-01-02女45NaTNaN北京市朝阳区2018-10-11 21:07:122018-10-07 21:07:12192100.4500.00
17100000182018-01-03女302018-07-01VIP北京市北京市2019-05-12 03:07:122019-05-11 03:07:12121585.20281980.72
18100000192018-01-03男37NaTNaN北京市朝阳区2018-11-24 19:12:002018-11-21 19:12:00221991.2200.00
19100000202018-01-03女38NaTNaN北京市朝阳区2018-11-30 05:31:122018-11-25 05:31:12221373.2400.00
21100000222018-01-03女422018-07-02VIP北京市北京市2019-05-17 13:26:242019-05-13 13:26:24121500.72191839.96
22100000232018-01-03女47NaTNaN北京市朝阳区2018-07-01 04:33:362018-06-28 04:33:36121666.3200.00
23100000242018-01-03女302018-07-01VIP北京市朝阳区2019-06-02 20:24:002019-05-28 20:24:00121413.96171120.47
24100000252018-01-03男35NaTNaN北京市南三环2018-06-25 18:14:242018-06-23 18:14:24111245.6400.00
25100000262018-01-03男302018-07-06VIP北京市北京市2019-06-02 20:24:002019-05-30 20:24:00121685.64201576.20
26100000272018-01-03女272018-07-04VIP北京市北京市2019-06-24 13:40:482019-06-19 13:40:48121606.92302053.20
27100000282018-01-04男42NaTNaN北京市北京市2018-08-25 01:26:242018-08-23 01:26:24151653.1500.00
28100000292018-01-04男37NaTNaN北京市北京市2018-06-21 00:28:482018-06-20 00:28:48111299.9800.00
29100000302018-01-04女332018-07-01VIP北京市海淀区2019-06-24 13:55:122019-06-22 13:55:12121262.04331763.85
30100000312018-01-04女35NaTNaN北京市西城区2019-06-30 00:00:002019-06-27 00:00:00362829.9600.00
.............................................
4968100049692019-06-24女322019-06-25VIP北京市北京市2019-06-29 19:40:482019-06-26 19:40:4800.00188.00
4969100049702019-06-25女42NaTNaN北京市西城区2019-06-28 18:00:00NaT00.0000.00
4971100049722019-06-25男472019-06-28VIP北京市北京市2019-06-29 13:12:002019-06-29 13:12:0000.00164.00
4972100049732019-06-25男402019-06-28VIP北京市海淀区2019-06-29 20:24:002019-06-29 20:24:0000.00152.00
4973100049742019-06-25女242019-06-25VIP北京市朝阳区2019-06-29 12:00:002019-06-29 12:00:0000.00196.00
4974100049752019-06-25男58NaTNaN北京市朝阳区2019-06-28 09:36:00NaT00.0000.00
4975100049762019-06-25男50NaTNaN北京市朝阳区2019-06-28 10:48:00NaT00.0000.00
4976100049772019-06-26男292019-06-28VIP北京市定海区2019-06-29 19:12:002019-06-29 19:12:0000.00184.00
4977100049782019-06-26男262019-06-29VIP北京市昌平区2019-06-29 15:21:362019-06-29 15:21:3600.00167.00
4978100049792019-06-26男30NaTNaN北京市北京市2019-06-27 05:45:36NaT00.0000.00
4979100049802019-06-27女37NaTNaN北京市东城区2019-06-29 16:04:48NaT00.0000.00
4980100049812019-06-27女36NaTNaN北京市北京市2019-06-29 08:09:36NaT00.0000.00
4981100049822019-06-27女342019-06-29VIP北京市朝阳区2019-06-29 18:57:362019-06-29 18:57:3600.00173.00
4982100049832019-06-27女222019-06-27VIP北京市北京市2019-06-29 17:31:122019-06-29 17:31:1200.00193.00
4983100049842019-06-27女232019-06-29VIP北京市海淀区2019-06-30 00:00:002019-06-30 00:00:0000.00163.00
4984100049852019-06-27女47NaTNaN北京市朝阳区2019-06-28 21:21:36NaT00.0000.00
4985100049862019-06-28男202019-06-30VIP北京市北京市2019-06-29 21:36:002019-06-29 21:36:0000.00194.00
4986100049872019-06-28男31NaTNaN北京市北京市2019-06-28 19:40:48NaT00.0000.00
4987100049882019-06-28女48NaTNaN北京市丰台区丰台科2019-06-29 09:07:12NaT00.0000.00
4988100049892019-06-29女43NaTNaN北京市丰台区2019-06-29 12:57:36NaT00.0000.00
4989100049902019-06-29女282019-07-02VIP北京市北京市2019-06-29 23:16:482019-06-29 23:16:4800.00167.00
4990100049912019-06-29女242019-07-01VIP北京市北京市2019-06-29 21:50:242019-06-29 21:50:2400.00153.00
4991100049922019-06-29女292019-06-30VIP北京市北京市2019-06-29 22:48:002019-06-29 22:48:0000.00167.00
4992100049932019-06-29女192019-07-02VIP北京市朝阳区2019-06-29 22:33:362019-06-29 22:33:3600.00182.00
4993100049942019-06-30男442019-07-01VIP北京市北京市2019-06-30 00:00:002019-06-30 00:00:0000.00181.00
4994100049952019-06-30女37NaTNaN北京市朝阳区2019-06-30 00:00:00NaT00.0000.00
4995100049962019-06-30女48NaTNaN北京市西城区2019-06-30 00:00:00NaT00.0000.00
4996100049972019-06-30女26NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
4998100049992019-06-30男30NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
4999100050002019-06-30男262019-06-30VIP北京市朝阳区2019-06-30 00:00:002019-06-30 00:00:0000.00152.00

4896 rows × 14 columns

** C、选取行列: **

使用切片

df.loc[0,'年龄']

43

df.loc[[0,3],['年龄','性别']]
年龄性别
043女
323女
df.loc[0:3,['性别','年龄']]#这个使用的是切片索引
性别年龄
0女43
1男56
2男50
3女23
df.iloc[0:3,0:2]#选取行0-3，列0-2 【左闭右开】
用户ID注册时间
0100000012018-01-01
1100000022018-01-01
2100000032018-01-01
df.loc[df['年龄']>18,:]#【条件筛选 行指定列大于18，列所有都选择】
用户ID注册时间性别年龄会员开通时间会员类型城市区域最后一次登陆最后一次成交非会员累计购买次数非会员累计消费会员累计购买次数会员累计消费
0100000012018-01-01女432018-07-05VIP北京市北京市2019-06-19 02:24:002019-06-16 02:24:00121268.28231835.17
1100000022018-01-01男56NaTNaN北京市北京市2019-06-30 00:00:002019-06-29 00:00:00363142.0800.00
2100000032018-01-01男502018-07-06VIP北京市北京市2019-06-30 00:00:002019-06-27 00:00:00121369.56191526.65
3100000042018-01-01女232018-07-06VIP北京市丰台区2019-06-08 04:48:002019-06-08 04:48:00121314.96452484.00
4100000052018-01-01女332018-07-01VIP北京市朝阳区2019-05-11 22:48:002019-05-07 22:48:00121006.80232046.77
5100000062018-01-01女272018-07-01VIP北京市朝阳区2019-05-06 12:00:002019-05-05 12:00:00121682.76262307.50
6100000072018-01-01男212018-07-06VIP北京市东城区2019-06-19 02:24:002019-06-19 02:24:00121212.96241435.44
7100000082018-01-01女45NaTNaN北京市朝阳区2018-06-24 09:36:002018-06-20 09:36:00111284.1400.00
8100000092018-01-01男322018-07-03VIP北京市北京市2019-05-17 09:36:002019-05-13 09:36:0012994.92191148.17
9100000102018-01-01女222018-07-04VIP北京市怀柔区2019-06-30 00:00:002019-06-25 00:00:00121664.16363430.80
10100000112018-01-01男282018-07-03VIP北京市宣武区2019-06-24 13:12:002019-06-22 13:12:00121081.20231168.17
11100000122018-01-01男322018-07-01VIP北京市海淀区2019-06-24 13:12:002019-06-19 13:12:00121674.12361874.16
12100000132018-01-02女21NaTNaN北京市北京市2018-09-20 02:52:482018-09-17 02:52:48171652.7400.00
13100000142018-01-02女282018-07-01VIP北京市海淀区2019-05-06 14:24:002019-05-05 14:24:00121258.56242316.96
14100000152018-01-02女45NaTNaN北京市海淀区2018-07-11 09:36:002018-07-11 09:36:00131458.6000.00
15100000162018-01-02女62NaTNaN北京市通州区2019-04-09 09:36:002019-04-04 09:36:00302002.2000.00
16100000172018-01-02女45NaTNaN北京市朝阳区2018-10-11 21:07:122018-10-07 21:07:12192100.4500.00
17100000182018-01-03女302018-07-01VIP北京市北京市2019-05-12 03:07:122019-05-11 03:07:12121585.20281980.72
18100000192018-01-03男37NaTNaN北京市朝阳区2018-11-24 19:12:002018-11-21 19:12:00221991.2200.00
19100000202018-01-03女38NaTNaN北京市朝阳区2018-11-30 05:31:122018-11-25 05:31:12221373.2400.00
21100000222018-01-03女422018-07-02VIP北京市北京市2019-05-17 13:26:242019-05-13 13:26:24121500.72191839.96
22100000232018-01-03女47NaTNaN北京市朝阳区2018-07-01 04:33:362018-06-28 04:33:36121666.3200.00
23100000242018-01-03女302018-07-01VIP北京市朝阳区2019-06-02 20:24:002019-05-28 20:24:00121413.96171120.47
24100000252018-01-03男35NaTNaN北京市南三环2018-06-25 18:14:242018-06-23 18:14:24111245.6400.00
25100000262018-01-03男302018-07-06VIP北京市北京市2019-06-02 20:24:002019-05-30 20:24:00121685.64201576.20
26100000272018-01-03女272018-07-04VIP北京市北京市2019-06-24 13:40:482019-06-19 13:40:48121606.92302053.20
27100000282018-01-04男42NaTNaN北京市北京市2018-08-25 01:26:242018-08-23 01:26:24151653.1500.00
28100000292018-01-04男37NaTNaN北京市北京市2018-06-21 00:28:482018-06-20 00:28:48111299.9800.00
29100000302018-01-04女332018-07-01VIP北京市海淀区2019-06-24 13:55:122019-06-22 13:55:12121262.04331763.85
30100000312018-01-04女35NaTNaN北京市西城区2019-06-30 00:00:002019-06-27 00:00:00362829.9600.00
.............................................
4968100049692019-06-24女322019-06-25VIP北京市北京市2019-06-29 19:40:482019-06-26 19:40:4800.00188.00
4969100049702019-06-25女42NaTNaN北京市西城区2019-06-28 18:00:00NaT00.0000.00
4971100049722019-06-25男472019-06-28VIP北京市北京市2019-06-29 13:12:002019-06-29 13:12:0000.00164.00
4972100049732019-06-25男402019-06-28VIP北京市海淀区2019-06-29 20:24:002019-06-29 20:24:0000.00152.00
4973100049742019-06-25女242019-06-25VIP北京市朝阳区2019-06-29 12:00:002019-06-29 12:00:0000.00196.00
4974100049752019-06-25男58NaTNaN北京市朝阳区2019-06-28 09:36:00NaT00.0000.00
4975100049762019-06-25男50NaTNaN北京市朝阳区2019-06-28 10:48:00NaT00.0000.00
4976100049772019-06-26男292019-06-28VIP北京市定海区2019-06-29 19:12:002019-06-29 19:12:0000.00184.00
4977100049782019-06-26男262019-06-29VIP北京市昌平区2019-06-29 15:21:362019-06-29 15:21:3600.00167.00
4978100049792019-06-26男30NaTNaN北京市北京市2019-06-27 05:45:36NaT00.0000.00
4979100049802019-06-27女37NaTNaN北京市东城区2019-06-29 16:04:48NaT00.0000.00
4980100049812019-06-27女36NaTNaN北京市北京市2019-06-29 08:09:36NaT00.0000.00
4981100049822019-06-27女342019-06-29VIP北京市朝阳区2019-06-29 18:57:362019-06-29 18:57:3600.00173.00
4982100049832019-06-27女222019-06-27VIP北京市北京市2019-06-29 17:31:122019-06-29 17:31:1200.00193.00
4983100049842019-06-27女232019-06-29VIP北京市海淀区2019-06-30 00:00:002019-06-30 00:00:0000.00163.00
4984100049852019-06-27女47NaTNaN北京市朝阳区2019-06-28 21:21:36NaT00.0000.00
4985100049862019-06-28男202019-06-30VIP北京市北京市2019-06-29 21:36:002019-06-29 21:36:0000.00194.00
4986100049872019-06-28男31NaTNaN北京市北京市2019-06-28 19:40:48NaT00.0000.00
4987100049882019-06-28女48NaTNaN北京市丰台区丰台科2019-06-29 09:07:12NaT00.0000.00
4988100049892019-06-29女43NaTNaN北京市丰台区2019-06-29 12:57:36NaT00.0000.00
4989100049902019-06-29女282019-07-02VIP北京市北京市2019-06-29 23:16:482019-06-29 23:16:4800.00167.00
4990100049912019-06-29女242019-07-01VIP北京市北京市2019-06-29 21:50:242019-06-29 21:50:2400.00153.00
4991100049922019-06-29女292019-06-30VIP北京市北京市2019-06-29 22:48:002019-06-29 22:48:0000.00167.00
4992100049932019-06-29女192019-07-02VIP北京市朝阳区2019-06-29 22:33:362019-06-29 22:33:3600.00182.00
4993100049942019-06-30男442019-07-01VIP北京市北京市2019-06-30 00:00:002019-06-30 00:00:0000.00181.00
4994100049952019-06-30女37NaTNaN北京市朝阳区2019-06-30 00:00:00NaT00.0000.00
4995100049962019-06-30女48NaTNaN北京市西城区2019-06-30 00:00:00NaT00.0000.00
4996100049972019-06-30女26NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
4998100049992019-06-30男30NaTNaN北京市北京市2019-06-30 00:00:00NaT00.0000.00
4999100050002019-06-30男262019-06-30VIP北京市朝阳区2019-06-30 00:00:002019-06-30 00:00:0000.00152.00

4896 rows × 14 columns
那就晚安啦
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Pandas 数据分析-第三章（索引）
weixin_43074152的博客
08-05 1348
Pandas 数据分析-第三章（索引） pandas的索引对象负责管理周标签和其他元数据，构建Series或者DataFrame诗所用到的任何数组或其他序列的标签都会被转成一个index 举个
Python数据分析—Pandas作业三
对流层的酱猪肘~的博客
01-29 293
Day3练习1练习2 导入需要的库 import numpy as np import pandas as pd 练习1 读取北向.csv 指定 trade_date 为 行索引 bei=pd.read_csv(r'北向.csv',index_col=1) 查看数据的基本信息 有无缺失值 对其缺失值进行处理 bei.info() bei.isnull().sum() index 0 ggt_ss 34 ggt_sz 34 hgt
第三章. Pandas入门—数据抽取
weixin_45116749的博客
11-04 518
第三章. Pandas入门—数据抽取
数据分析打工人的Pandas 75个高频操作（收藏查询用~）
简说Python的博客
07-08 1942
↑↑↑关注后"星标"简说Python人人都可以简单入门Python、爬虫、数据分析简说Python推荐 来源：pythonic生物人翻译：pythonic生物人 本文...
Python中pandas的DataFrame取数操作
xkukeer的博客
04-27 1万+
一、Dataframe 取数操作 1、通过索引取数 1）取某行某列 例：取第一行第二列的数 data.iloc[0,1] 或 data.loc[0,‘value’] 2)取某行 例：取第一行的数 data.loc[0] 或 data.iloc[0] 取第一行和第二行的数 data.iloc[[0,1]] 或 data.loc[[0,1]] 3)取某列 例：取key列 data[‘key’] 取key列和value列 data[[‘key’,‘value’]] 2、掩码取数 1）取key为-3的值 data
[Python3] Pandas —— (三) 层级索引
12-21
文章目录五、层级索引（一）多级索引Series1. 低效方法：用Python元组表示索引2....对于存储多维数据的需求，数据索引超过一两个键，Pandas提供了Panel和Panel4D对象解决三维数据和四维数据。（本文不
组队学习2：Pandas索引（一）（基于Python）
12-21
学习小组的目的主要是细致地学习Python中的第三方模块Pandas，该模块用于数据导入及整理的模块，对数据挖掘前期数据的处理工作十分有用。   学习小组的时间安排大致如下： Task01：Pandas基础（1天） Task02：索引...
学习笔记 | 《从零开始学python数据分析》| 第3章 pandas入门和实战1
12-22
第3章 pandas入门和实战 3.1 pandas数据结构 pandas有两个基本的数据结构：Series和DataFrame。 3.1.1 创建Series数据 Series数据结构类似于一维数组，但它是由一组数据(各种Numpy数据类型)和一组对应的索引组成。...
天池 pandas实践_第三章 索引 数据
05-23
天池 pandas实践_第三章 索引 中的习题数据
Python数据分析三部曲Pandas篇.pdf
10-27
Python数据分析三部曲中的Pandas篇主要讲解了如何在Python环境中安装和使用Pandas库进行数据处理。Pandas是Python中一个强大的数据处理库，它提供了高效的数据结构，如DataFrame和Series，使得数据清洗、分析和操作...
DataFrame的行数和列数计算
热门推荐
小汤圆的博客
05-24 1万+
读取数据集 data = pd.read_csv("1.csv", engine="python") 计算行数用 data.shape[0] 计算列数用 data.shape[1] 不要用len(data)因为算出来是行数。
先输出数组中元素值为3的倍数的数，再输出所有下标为3的倍数的元素值。
u012332009的专栏
11-29 4100
/* * Copyright (c) 2013, 烟台大学计算机学院 * All rights reserved. * 作 者：高古尊 * 完成日期：2013 年 11月 29 日 * 版 本 号：v1.0 * * 输入描述： 无 * 问题描述创建一个长度为16的整型数组a并初始化， 先输出数组中元素值为3的倍数的数， 再输出所有下标为3的倍数的元素值。 * 程序输
Pandas常用函数——索引取值
渣娃攻城狮的博客
03-28 8593
索引取值 1、df[]取值 df[: 5] # 输入index，按行取值(0~4)，同列表切片 df["date"] # 按列取值 df[df["date"] > "2020-01-01"] # 传入bool值，进行简单数据选择 2、df.loc[行标签, 列标签] 主要基于标签，但也可以与布尔数组一起使用。 单个标签。（注意，数字5被解释为标签） 列表或标签数组。['a', 'b', 'c'] 带标签的切片对象'a':'f'（注意，不同于Python列表，切片包括端点'a','f'） 布尔
mysql如何通过条件筛选符合条件的项_使用pandas筛选出指定列值所对应的行
weixin_39767513的博客
12-05 1634
在pandas中怎么样实现类似mysql查找语句的功能：select * from table where column_name = some_value;pandas中获取数据的有以下几种方法：布尔索引 位置索引 标签索引 使用API 假设数据如下:import pandas as pd import numpy as np df = pd.DataFrame({'A': 'foo bar ...
joyful pandas第3章 分组
weixin_45661573的博客
04-26 266
第3章 分组一、SAC过程1. 内涵2. apply过程二、groupby函数1. 分组函数的基本内容：（a）根据某一列分组（b）根据某几列分组（c）组容量与组数（d）组的遍历（e）level参数（用于多级索引）和axis参数2. groupby对象的特点（a）查看所有可调用的方法（b）分组对象的head和first（c）分组依据（d）groupby的[]操作（e）连续型变量分组三、聚合、过滤和变...
二、样本不平衡+模型选择
weixin_44576834的博客
12-27 3560
样本不平衡的模型选择
python第三章 04 Pandas的常用操作
weixin_44576834的博客
12-01 538
DataFrame 的常用操作一 转置 更改类型 排序 值替换 import pandas as pd data = {'性别':['男','女','女','男','男'], '姓名':['小明','小红','小芳','大黑','张三'], '身高':[178,173,165,188,156], '年龄':[20,20,25,24,29]} df = pd.DataFrame(data) df 性别
虚拟环境的使用和pyspider的安装
weixin_44576834的博客
12-11 435
最近安装的包需要的版本经常不同，因此记录有关虚拟环境的设置和使用。使用的是anaconda环境 1. 使用虚拟环境 在cmd中输入：查看已有的虚拟环境列表： conda env list 输出如下： 查看所有环境： conda info -e 创建：conda create --name 环境名称 python=3.8 激活：conda activate 环境名称 退出：deactivate 删除：conda remove -n 环境名称 --all 使用镜像：指定下载镜像 pip install -
python第三章：01 jupyter的使用
weixin_44576834的博客
12-01 402
创建虚拟环境 a、创建指定python版本的虚拟环境 conda create -n env_name python=3.6（版本可以任意指定，网上会下载） b、虚拟环境命令 conda env list 查看当前拥有的虚拟环境 conda remove -n frog_36 --all 删除虚拟环境 activate frog_36 进入虚拟环境 conda deactivate 退出虚拟环境 Cell 单元知识： Cell有四种功能：Code、Markdown、Raw NBConvert、Heading
python中pandas索引的用法
最新发布
07-28
以下是一些常用的Pandas索引用法： 1. 使用整数位置索引：使用`iloc`属性可以通过整数位置索引来选择数据。例如，`df.iloc[0]`可以选择DataFrame中的第一行数据。 2. 使用标签索引：使用`loc`属性可以通过标签索引...

“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