python-数据分析-pandas

最新推荐文章于 2024-04-19 18:22:13 发布

长街395

最新推荐文章于 2024-04-19 18:22:13 发布

阅读量558

点赞数 2

分类专栏： python 文章标签： python 数据分析 pandas

本文链接：https://blog.csdn.net/weixin_56301399/article/details/130237334

版权

python 专栏收录该内容

36 篇文章 17 订阅

订阅专栏

4.1 pandas及其数据结构

4.1.2Series数据结构及其创建

第一种：通过标量创建Series

import pandas as pd 
s1=pd.Series(62)
s1

0    62
dtype: int64

import pandas as pd 
s1=pd.Series(62,index=["x","y","z"])
s1

x    62
y    62
z    62
dtype: int64

第二种：通过列表创建Series

import pandas as pd 
s2=pd.Series([30,10,60],index=["x","y","z"])
s2

x    30
y    10
z    60
dtype: int64

第三种：通过字典创建Series

import pandas as pd
s3=pd.Series({"匪警":110,"火警":119,"急救中心":120,"交通事故":122})
s3

匪警        110
火警        119
急救中心    120
交通事故    122
dtype: int64

第四种：通过ndarray创建Series

import pandas as pd
import numpy as np
s4=pd.Series(np.arange(6),index=["a","b","c","d","e","f"])
s4

a    0
b    1
c    2
d    3
e    4
f    5
dtype: int32

values和index

import pandas as pd
s3=pd.Series({"匪警":110,"火警":119,"急救中心":120,"交通事故":122})
s3.index
s3.values

array([110, 119, 120, 122], dtype=int64)

索引和切片

import pandas as pd 
s2=pd.Series([30,10,60],index=["x","y","z"])
s2["x"]

s2[0]

s2[:2]

x    30
y    10
dtype: int64

4.1.3DataFrame数据结构及其创建

第一种：通过一维列表构成的字典创建DataFrame

import pandas as pd
d1={"姓名":["张三","李四","王五","赵六"],"数学":[87,45,34,98],"语文":[54,76,55,90],"计算机":[34,56,77,87]}
df1=pd.DataFrame(d1)
df1

	姓名	数学	语文	计算机
0	张三	87	54	34
1	李四	45	76	56
2	王五	34	55	77
3	赵六	98	90	87

import pandas as pd
d1={"姓名":["张三","李四","王五","赵六"],"数学":[87,45,34,98],"语文":[54,76,55,90],"计算机":[34,56,77,87]}
df1=pd.DataFrame(d1,index=[101,102,103,104])
df1

	姓名	数学	语文	计算机
101	张三	87	54	34
102	李四	45	76	56
103	王五	34	55	77
104	赵六	98	90	87

通过二维ndarray创建DataFrame

import pandas as pd
import numpy as np
nd1=np.arange(12).reshape(3,4)
nd1

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

df2=pd.DataFrame(nd1)
df2

	0	1	2	3
0	0	1	2	3
1	4	5	6	7
2	8	9	10	11

df2=pd.DataFrame(nd1,index=["a","b","c"])
df2

	0	1	2	3
a	0	1	2	3
b	4	5	6	7
c	8	9	10	11

values,index和columns三部分

import pandas as pd
d1={"姓名":["张三","李四","王五","赵六"],"数学":[87,45,34,98],"语文":[54,76,55,90],"计算机":[34,56,77,87]}
df1=pd.DataFrame(d1,index=[202201,202202,202203,202204])
df1

	姓名	数学	语文	计算机
202201	张三	87	54	34
202202	李四	45	76	56
202203	王五	34	55	77
202204	赵六	98	90	87

df1.columns

Index(['姓名', '数学', '语文', '计算机'], dtype='object')

df1.index

Int64Index([202201, 202202, 202203, 202204], dtype='int64')

df1.values

array([['张三', 87, 54, 34],
       ['李四', 45, 76, 56],
       ['王五', 34, 55, 77],
       ['赵六', 98, 90, 87]], dtype=object)

4.2利用pandas导入导出数据

导入外部数据

import pandas as pd
f1=pd.read_csv("C:\\Users\\wsy\\Desktop\\a.csv")
f1

	a	b
0	1	2
1	2	4
2	3	6
3	4	8
4	5	10
5	6	12
6	7	14
7	8	16
8	9	18

import pandas as pd
f1=pd.read_csv("C:\\Users\\wsy\\Desktop\\b.csv",encoding="gbk")
f1

	青海	西宁
0	1	2
1	2	4
2	3	6
3	4	8
4	5	10
5	6	12
6	7	14
7	8	16
8	9	18

导出外部数据

4.3数据概览及预处理

import pandas as pd
pd.set_option("display.unicode.east_asian_width",True)#解决数据输出时列名不对齐的问题
df=pd.read_excel("C:\\Users\\wsy\\Desktop\\cj.xlsx")
df

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66
4	2020844004	赵小瑜	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66
5	2020844005	辛禧	男	国际贸易	65.125000	88.6	68.00	80.0	81.00
6	2020844007	王晨	男	国际贸易	62.400000	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.250000	91.0	85.00	97.0	98.00
8	2020844009	刘玉	女	国际贸易	89.050000	91.4	80.32	100.0	93.32
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.00	90.0	73.00
10	2020844011	娄天楠	男	市场营销	58.800000	84.6	60.00	NaN	73.00
11	2020844012	唐喆	男	市场营销	80.233333	87.4	64.00	100.0	77.00
12	2020844013	史昀	男	市场营销	82.733333	82.2	73.32	100.0	86.32
13	2020844014	刘欣语	男	市场营销	48.718333	83.8	86.00	80.0	99.00
14	2020844015	王同	男	市场营销	74.200000	92.2	92.00	100.0	115.00
15	2020844017	武天一	男	市场营销	73.216667	83.2	79.00	95.0	92.00
16	2020844018	张析	女	市场营销	82.750000	92.0	92.00	100.0	105.00
17	2020844019	陈雨涵	男	市场营销	95.200000	95.0	88.00	100.0	101.00
18	2020844020	张家齐	男	市场营销	95.450000	91.0	96.00	100.0	109.00
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.00	87.0	96.00
20	2020844022	关帅	NaN	会计学	90.000000	92.6	75.00	100.0	88.00
21	2020844023	刘嘉雯	男	会计学	89.575000	86.0	90.00	100.0	103.00
22	2020844024	刘浩天	男	会计学	85.100000	83.2	85.00	100.0	98.00
23	2020844025	刘宇	男	NaN	75.200000	85.6	76.00	100.0	89.00
24	2020844026	胡童	男	会计学	84.050000	86.0	91.00	100.0	119.00
25	2020844027	丁灿	男	会计学	88.750000	86.2	66.00	100.0	79.00
26	2020844028	郑武田	男	会计学	89.550000	87.4	91.00	NaN	104.00
27	2020844029	金耀	男	会计学	79.450000	87.2	68.00	100.0	81.00
28	2020844030	庞博	男	会计学	89.700000	92.0	92.00	100.0	105.00
29	2020848001	王春杨	女	会计学	88.100000	89.8	84.00	100.0	97.00
30	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
31	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
32	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
33	2020848003	张淳	女	会计学	91.300000	92.2	81.32	100.0	94.32
34	2020848004	王佳琳	男	信息管理与信息系统	75.625000	91.0	93.00	100.0	106.00
35	2020848005	郑彤	女	信息管理与信息系统	88.900000	90.0	78.00	100.0	91.00
36	2020848006	张鹤同	男	信息管理与信息系统	89.750000	88.8	82.50	100.0	95.50
37	2020848007	苏远	女	信息管理与信息系统	90.250000	89.2	79.32	68.0	92.32
38	2020848008	方雨桃	女	信息管理与信息系统	93.100000	86.2	83.00	100.0	96.00
39	2020848010	闫宇	男	信息管理与信息系统	86.033333	85.4	85.00	100.0	98.00
40	2020848011	张田田	女	信息管理与信息系统	91.200000	89.6	96.32	77.0	109.32
41	2020848013	曹一一	男	信息管理与信息系统	74.426667	86.8	83.32	100.0	96.32
42	2020848014	贾晶晶	女	NaN	84.450000	93.0	82.66	100.0	95.66
43	2020848015	贾淏文	男	信息管理与信息系统	46.675000	80.8	87.00	100.0	100.00
44	2020848016	杨帆	男	信息管理与信息系统	98.700000	87.6	95.00	NaN	108.00
45	2020848017	赵迎辰	NaN	信息管理与信息系统	82.250000	87.4	74.00	100.0	87.00
46	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
47	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
48	2020848019	张雨桐	女	金融学	79.150000	92.4	83.00	100.0	96.00
49	2020848020	孟德坤	女	金融学	83.450000	87.4	80.66	100.0	93.66
50	2020848021	王少祖	女	金融学	82.950000	91.6	78.00	90.0	91.00
51	2020848023	黄金雨	女	金融学	79.950000	89.8	86.00	100.0	99.00
52	2020848024	汤佳怡	女	金融学	86.600000	83.4	88.32	100.0	101.32
53	2020848027	热孜耶·买买提	女	金融学	92.700000	93.2	86.32	100.0	99.32
54	2020848028	奴热艾力·雪艾力	女	金融学	15.000000	75.0	63.32	100.0	76.32
55	2020848029	林可新	女	金融学	89.300000	87.4	95.00	100.0	108.00
56	2020848031	任旭	女	金融学	83.425000	85.4	71.66	100.0	84.66

4.3.1数据概览分析

利用基础属性查看数据基本信息

print("索引：",df.index)

索引： RangeIndex(start=0, stop=57, step=1)

print("列名：",df.columns)

列名： Index(['学号', '姓名', '性别', '专业', '英语', '数学', 'Python', '选修',
       '管理学'], dtype='object')

print("数据元素：",df.values[:10])

数据元素： [[2020802045 '魏天' '男' '信息管理与信息系统' 67.11666666666667 90.80000000000001
  93.0 95.0 106.0]
 [2020844001 '郭夏' '男' '国际贸易' 91.05 83.4 86.0 100.0 99.0]
 [2020844002 '王晓加' '男' nan 54.2 83.4 74.0 nan 90.0]
 [2020844003 '黄婷婷' '女' '国际贸易' 87.8 91.4 79.66 95.0 92.66]
 [2020844004 '赵小瑜' nan '国际贸易' 61.15 82.2 84.66 100.0 97.66]
 [2020844005 '辛禧' '男' '国际贸易' 65.125 88.6 68.0 80.0 81.0]
 [2020844007 '王晨' '男' '国际贸易' 62.4 80.0 65.0 90.0 78.0]
 [2020844008 '韩天' '男' '国际贸易' 96.25 91.0 85.0 97.0 98.0]
 [2020844009 '刘玉' '女' '国际贸易' 89.05 91.4 80.32 100.0 93.32]
 [2020844010 '谢亚鹏' '男' '市场营销' 70.5 85.2 60.0 90.0 73.0]]

print("数据类型：\n",df.dtypes)

数据类型：
 学号        int64
姓名       object
性别       object
专业       object
英语      float64
数学      float64
Python    float64
选修      float64
管理学    float64
dtype: object

利用基础属性查看数据规模

print("元素个数：",df.size)

元素个数： 513

print("维度数：",df.ndim)

维度数： 2

print("形状：",df.shape)

形状： (57, 9)

print("行数：",df.index.size)

行数： 57

print("列数",df.columns.size)

列数 9

利用常用方法查看样本数据

df.head()

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66
4	2020844004	赵小瑜	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66

df.head(2)

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.0	95.0	106.0
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.0	100.0	99.0

df.tail()

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
52	2020848024	汤佳怡	女	金融学	86.600	83.4	88.32	100.0	101.32
53	2020848027	热孜耶·买买提	女	金融学	92.700	93.2	86.32	100.0	99.32
54	2020848028	奴热艾力·雪艾力	女	金融学	15.000	75.0	63.32	100.0	76.32
55	2020848029	林可新	女	金融学	89.300	87.4	95.00	100.0	108.00
56	2020848031	任旭	女	金融学	83.425	85.4	71.66	100.0	84.66

df.tail(3)

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
54	2020848028	奴热艾力·雪艾力	女	金融学	15.000	75.0	63.32	100.0	76.32
55	2020848029	林可新	女	金融学	89.300	87.4	95.00	100.0	108.00
56	2020848031	任旭	女	金融学	83.425	85.4	71.66	100.0	84.66

利用常用方法查看数据质量

print(df.notnull())#查看数据的缺失值情况

    学号  姓名   性别   专业  英语  数学  Python   选修  管理学
0   True  True   True   True  True  True    True   True    True
1   True  True   True   True  True  True    True   True    True
2   True  True   True  False  True  True    True  False    True
3   True  True   True   True  True  True    True   True    True
4   True  True  False   True  True  True    True   True    True
5   True  True   True   True  True  True    True   True    True
6   True  True   True   True  True  True    True   True    True
7   True  True   True   True  True  True    True   True    True
8   True  True   True   True  True  True    True   True    True
9   True  True   True   True  True  True    True   True    True
10  True  True   True   True  True  True    True  False    True
11  True  True   True   True  True  True    True   True    True
12  True  True   True   True  True  True    True   True    True
13  True  True   True   True  True  True    True   True    True
14  True  True   True   True  True  True    True   True    True
15  True  True   True   True  True  True    True   True    True
16  True  True   True   True  True  True    True   True    True
17  True  True   True   True  True  True    True   True    True
18  True  True   True   True  True  True    True   True    True
19  True  True   True   True  True  True    True   True    True
20  True  True  False   True  True  True    True   True    True
21  True  True   True   True  True  True    True   True    True
22  True  True   True   True  True  True    True   True    True
23  True  True   True  False  True  True    True   True    True
24  True  True   True   True  True  True    True   True    True
25  True  True   True   True  True  True    True   True    True
26  True  True   True   True  True  True    True  False    True
27  True  True   True   True  True  True    True   True    True
28  True  True   True   True  True  True    True   True    True
29  True  True   True   True  True  True    True   True    True
30  True  True   True   True  True  True    True   True    True
31  True  True   True   True  True  True    True   True    True
32  True  True   True   True  True  True    True   True    True
33  True  True   True   True  True  True    True   True    True
34  True  True   True   True  True  True    True   True    True
35  True  True   True   True  True  True    True   True    True
36  True  True   True   True  True  True    True   True    True
37  True  True   True   True  True  True    True   True    True
38  True  True   True   True  True  True    True   True    True
39  True  True   True   True  True  True    True   True    True
40  True  True   True   True  True  True    True   True    True
41  True  True   True   True  True  True    True   True    True
42  True  True   True  False  True  True    True   True    True
43  True  True   True   True  True  True    True   True    True
44  True  True   True   True  True  True    True  False    True
45  True  True  False   True  True  True    True   True    True
46  True  True   True   True  True  True    True   True    True
47  True  True   True   True  True  True    True   True    True
48  True  True   True   True  True  True    True   True    True
49  True  True   True   True  True  True    True   True    True
50  True  True   True   True  True  True    True   True    True
51  True  True   True   True  True  True    True   True    True
52  True  True   True   True  True  True    True   True    True
53  True  True   True   True  True  True    True   True    True
54  True  True   True   True  True  True    True   True    True
55  True  True   True   True  True  True    True   True    True
56  True  True   True   True  True  True    True   True    True

print(df.isnull())#isna()是isnull()的别名

     学号   姓名   性别   专业   英语   数学  Python   选修  管理学
0   False  False  False  False  False  False   False  False   False
1   False  False  False  False  False  False   False  False   False
2   False  False  False   True  False  False   False   True   False
3   False  False  False  False  False  False   False  False   False
4   False  False   True  False  False  False   False  False   False
5   False  False  False  False  False  False   False  False   False
6   False  False  False  False  False  False   False  False   False
7   False  False  False  False  False  False   False  False   False
8   False  False  False  False  False  False   False  False   False
9   False  False  False  False  False  False   False  False   False
10  False  False  False  False  False  False   False   True   False
11  False  False  False  False  False  False   False  False   False
12  False  False  False  False  False  False   False  False   False
13  False  False  False  False  False  False   False  False   False
14  False  False  False  False  False  False   False  False   False
15  False  False  False  False  False  False   False  False   False
16  False  False  False  False  False  False   False  False   False
17  False  False  False  False  False  False   False  False   False
18  False  False  False  False  False  False   False  False   False
19  False  False  False  False  False  False   False  False   False
20  False  False   True  False  False  False   False  False   False
21  False  False  False  False  False  False   False  False   False
22  False  False  False  False  False  False   False  False   False
23  False  False  False   True  False  False   False  False   False
24  False  False  False  False  False  False   False  False   False
25  False  False  False  False  False  False   False  False   False
26  False  False  False  False  False  False   False   True   False
27  False  False  False  False  False  False   False  False   False
28  False  False  False  False  False  False   False  False   False
29  False  False  False  False  False  False   False  False   False
30  False  False  False  False  False  False   False  False   False
31  False  False  False  False  False  False   False  False   False
32  False  False  False  False  False  False   False  False   False
33  False  False  False  False  False  False   False  False   False
34  False  False  False  False  False  False   False  False   False
35  False  False  False  False  False  False   False  False   False
36  False  False  False  False  False  False   False  False   False
37  False  False  False  False  False  False   False  False   False
38  False  False  False  False  False  False   False  False   False
39  False  False  False  False  False  False   False  False   False
40  False  False  False  False  False  False   False  False   False
41  False  False  False  False  False  False   False  False   False
42  False  False  False   True  False  False   False  False   False
43  False  False  False  False  False  False   False  False   False
44  False  False  False  False  False  False   False   True   False
45  False  False   True  False  False  False   False  False   False
46  False  False  False  False  False  False   False  False   False
47  False  False  False  False  False  False   False  False   False
48  False  False  False  False  False  False   False  False   False
49  False  False  False  False  False  False   False  False   False
50  False  False  False  False  False  False   False  False   False
51  False  False  False  False  False  False   False  False   False
52  False  False  False  False  False  False   False  False   False
53  False  False  False  False  False  False   False  False   False
54  False  False  False  False  False  False   False  False   False
55  False  False  False  False  False  False   False  False   False
56  False  False  False  False  False  False   False  False   False

print("df中每个特征的缺失情况：\n",df.isna().sum())

df中每个特征的缺失情况：
 学号      0
姓名      0
性别      3
专业      3
英语      0
数学      0
Python    0
选修      4
管理学    0
dtype: int64

#判断数据中是否有重复的
df.duplicated()

0     False
1     False
2     False
3     False
4     False
5     False
6     False
7     False
8     False
9     False
10    False
11    False
12    False
13    False
14    False
15    False
16    False
17    False
18    False
19    False
20    False
21    False
22    False
23    False
24    False
25    False
26    False
27    False
28    False
29    False
30    False
31     True
32     True
33    False
34    False
35    False
36    False
37    False
38    False
39    False
40    False
41    False
42    False
43    False
44    False
45    False
46    False
47     True
48    False
49    False
50    False
51    False
52    False
53    False
54    False
55    False
56    False
dtype: bool

#判断指定列中是否有重复的
df.duplicated("姓名")

0     False
1     False
2     False
3     False
4     False
5     False
6     False
7     False
8     False
9     False
10    False
11    False
12    False
13    False
14    False
15    False
16    False
17    False
18    False
19    False
20    False
21    False
22    False
23    False
24    False
25    False
26    False
27    False
28    False
29    False
30    False
31     True
32     True
33    False
34    False
35    False
36    False
37    False
38    False
39    False
40    False
41    False
42    False
43    False
44    False
45    False
46    False
47     True
48    False
49    False
50    False
51    False
52    False
53    False
54    False
55    False
56    False
dtype: bool

df.info()#给出样本数据的相关信息概览 ：行数，列数，列索引，列非空值个数，列类型，内存占用

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 57 entries, 0 to 56
Data columns (total 9 columns):
学号        57 non-null int64
姓名        57 non-null object
性别        54 non-null object
专业        54 non-null object
英语        57 non-null float64
数学        57 non-null float64
Python    57 non-null float64
选修        53 non-null float64
管理学       57 non-null float64
dtypes: float64(5), int64(1), object(3)
memory usage: 4.1+ KB

4.3.2数据清洗

import pandas as pd
pd.set_option("display.unicode.east_asian_width",True)#解决数据输出时列名不对齐的问题
df=pd.read_excel("C:\\Users\\wsy\\Desktop\\cj.xlsx")
df

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66
4	2020844004	赵小瑜	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66
5	2020844005	辛禧	男	国际贸易	65.125000	88.6	68.00	80.0	81.00
6	2020844007	王晨	男	国际贸易	62.400000	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.250000	91.0	85.00	97.0	98.00
8	2020844009	刘玉	女	国际贸易	89.050000	91.4	80.32	100.0	93.32
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.00	90.0	73.00
10	2020844011	娄天楠	男	市场营销	58.800000	84.6	60.00	NaN	73.00
11	2020844012	唐喆	男	市场营销	80.233333	87.4	64.00	100.0	77.00
12	2020844013	史昀	男	市场营销	82.733333	82.2	73.32	100.0	86.32
13	2020844014	刘欣语	男	市场营销	48.718333	83.8	86.00	80.0	99.00
14	2020844015	王同	男	市场营销	74.200000	92.2	92.00	100.0	115.00
15	2020844017	武天一	男	市场营销	73.216667	83.2	79.00	95.0	92.00
16	2020844018	张析	女	市场营销	82.750000	92.0	92.00	100.0	105.00
17	2020844019	陈雨涵	男	市场营销	95.200000	95.0	88.00	100.0	101.00
18	2020844020	张家齐	男	市场营销	95.450000	91.0	96.00	100.0	109.00
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.00	87.0	96.00
20	2020844022	关帅	NaN	会计学	90.000000	92.6	75.00	100.0	88.00
21	2020844023	刘嘉雯	男	会计学	89.575000	86.0	90.00	100.0	103.00
22	2020844024	刘浩天	男	会计学	85.100000	83.2	85.00	100.0	98.00
23	2020844025	刘宇	男	NaN	75.200000	85.6	76.00	100.0	89.00
24	2020844026	胡童	男	会计学	84.050000	86.0	91.00	100.0	119.00
25	2020844027	丁灿	男	会计学	88.750000	86.2	66.00	100.0	79.00
26	2020844028	郑武田	男	会计学	89.550000	87.4	91.00	NaN	104.00
27	2020844029	金耀	男	会计学	79.450000	87.2	68.00	100.0	81.00
28	2020844030	庞博	男	会计学	89.700000	92.0	92.00	100.0	105.00
29	2020848001	王春杨	女	会计学	88.100000	89.8	84.00	100.0	97.00
30	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
31	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
32	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
33	2020848003	张淳	女	会计学	91.300000	92.2	81.32	100.0	94.32
34	2020848004	王佳琳	男	信息管理与信息系统	75.625000	91.0	93.00	100.0	106.00
35	2020848005	郑彤	女	信息管理与信息系统	88.900000	90.0	78.00	100.0	91.00
36	2020848006	张鹤同	男	信息管理与信息系统	89.750000	88.8	82.50	100.0	95.50
37	2020848007	苏远	女	信息管理与信息系统	90.250000	89.2	79.32	68.0	92.32
38	2020848008	方雨桃	女	信息管理与信息系统	93.100000	86.2	83.00	100.0	96.00
39	2020848010	闫宇	男	信息管理与信息系统	86.033333	85.4	85.00	100.0	98.00
40	2020848011	张田田	女	信息管理与信息系统	91.200000	89.6	96.32	77.0	109.32
41	2020848013	曹一一	男	信息管理与信息系统	74.426667	86.8	83.32	100.0	96.32
42	2020848014	贾晶晶	女	NaN	84.450000	93.0	82.66	100.0	95.66
43	2020848015	贾淏文	男	信息管理与信息系统	46.675000	80.8	87.00	100.0	100.00
44	2020848016	杨帆	男	信息管理与信息系统	98.700000	87.6	95.00	NaN	108.00
45	2020848017	赵迎辰	NaN	信息管理与信息系统	82.250000	87.4	74.00	100.0	87.00
46	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
47	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
48	2020848019	张雨桐	女	金融学	79.150000	92.4	83.00	100.0	96.00
49	2020848020	孟德坤	女	金融学	83.450000	87.4	80.66	100.0	93.66
50	2020848021	王少祖	女	金融学	82.950000	91.6	78.00	90.0	91.00
51	2020848023	黄金雨	女	金融学	79.950000	89.8	86.00	100.0	99.00
52	2020848024	汤佳怡	女	金融学	86.600000	83.4	88.32	100.0	101.32
53	2020848027	热孜耶·买买提	女	金融学	92.700000	93.2	86.32	100.0	99.32
54	2020848028	奴热艾力·雪艾力	女	金融学	15.000000	75.0	63.32	100.0	76.32
55	2020848029	林可新	女	金融学	89.300000	87.4	95.00	100.0	108.00
56	2020848031	任旭	女	金融学	83.425000	85.4	71.66	100.0	84.66

缺失值处理

#存在任一缺失值即删除
df1=df.dropna()
print("删出前",df.shape)
print("删出后",df1.shape)

删出前 (57, 9)
删出后 (48, 9)

#所有列均为缺失值即删除
df1=df.dropna(how="all")
print("删出前",df.shape)
print("删出后",df1.shape)

删出前 (57, 9)
删出后 (57, 9)

#指定列均为缺失值即删除
df1=df.dropna(how="all",subset=["专业","选修"])
print("删出前",df.shape)
print("删出后",df1.shape)

删出前 (57, 9)
删出后 (56, 9)

#保留某些属性不存在缺失值的情况
df1=df[df["性别"].notnull()]
print("删出前",df.shape)
print("删出后",df1.shape)
df1

删出前 (57, 9)
删出后 (54, 9)

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66
5	2020844005	辛禧	男	国际贸易	65.125000	88.6	68.00	80.0	81.00
6	2020844007	王晨	男	国际贸易	62.400000	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.250000	91.0	85.00	97.0	98.00
8	2020844009	刘玉	女	国际贸易	89.050000	91.4	80.32	100.0	93.32
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.00	90.0	73.00
10	2020844011	娄天楠	男	市场营销	58.800000	84.6	60.00	NaN	73.00
11	2020844012	唐喆	男	市场营销	80.233333	87.4	64.00	100.0	77.00
12	2020844013	史昀	男	市场营销	82.733333	82.2	73.32	100.0	86.32
13	2020844014	刘欣语	男	市场营销	48.718333	83.8	86.00	80.0	99.00
14	2020844015	王同	男	市场营销	74.200000	92.2	92.00	100.0	115.00
15	2020844017	武天一	男	市场营销	73.216667	83.2	79.00	95.0	92.00
16	2020844018	张析	女	市场营销	82.750000	92.0	92.00	100.0	105.00
17	2020844019	陈雨涵	男	市场营销	95.200000	95.0	88.00	100.0	101.00
18	2020844020	张家齐	男	市场营销	95.450000	91.0	96.00	100.0	109.00
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.00	87.0	96.00
21	2020844023	刘嘉雯	男	会计学	89.575000	86.0	90.00	100.0	103.00
22	2020844024	刘浩天	男	会计学	85.100000	83.2	85.00	100.0	98.00
23	2020844025	刘宇	男	NaN	75.200000	85.6	76.00	100.0	89.00
24	2020844026	胡童	男	会计学	84.050000	86.0	91.00	100.0	119.00
25	2020844027	丁灿	男	会计学	88.750000	86.2	66.00	100.0	79.00
26	2020844028	郑武田	男	会计学	89.550000	87.4	91.00	NaN	104.00
27	2020844029	金耀	男	会计学	79.450000	87.2	68.00	100.0	81.00
28	2020844030	庞博	男	会计学	89.700000	92.0	92.00	100.0	105.00
29	2020848001	王春杨	女	会计学	88.100000	89.8	84.00	100.0	97.00
30	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
31	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
32	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
33	2020848003	张淳	女	会计学	91.300000	92.2	81.32	100.0	94.32
34	2020848004	王佳琳	男	信息管理与信息系统	75.625000	91.0	93.00	100.0	106.00
35	2020848005	郑彤	女	信息管理与信息系统	88.900000	90.0	78.00	100.0	91.00
36	2020848006	张鹤同	男	信息管理与信息系统	89.750000	88.8	82.50	100.0	95.50
37	2020848007	苏远	女	信息管理与信息系统	90.250000	89.2	79.32	68.0	92.32
38	2020848008	方雨桃	女	信息管理与信息系统	93.100000	86.2	83.00	100.0	96.00
39	2020848010	闫宇	男	信息管理与信息系统	86.033333	85.4	85.00	100.0	98.00
40	2020848011	张田田	女	信息管理与信息系统	91.200000	89.6	96.32	77.0	109.32
41	2020848013	曹一一	男	信息管理与信息系统	74.426667	86.8	83.32	100.0	96.32
42	2020848014	贾晶晶	女	NaN	84.450000	93.0	82.66	100.0	95.66
43	2020848015	贾淏文	男	信息管理与信息系统	46.675000	80.8	87.00	100.0	100.00
44	2020848016	杨帆	男	信息管理与信息系统	98.700000	87.6	95.00	NaN	108.00
46	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
47	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
48	2020848019	张雨桐	女	金融学	79.150000	92.4	83.00	100.0	96.00
49	2020848020	孟德坤	女	金融学	83.450000	87.4	80.66	100.0	93.66
50	2020848021	王少祖	女	金融学	82.950000	91.6	78.00	90.0	91.00
51	2020848023	黄金雨	女	金融学	79.950000	89.8	86.00	100.0	99.00
52	2020848024	汤佳怡	女	金融学	86.600000	83.4	88.32	100.0	101.32
53	2020848027	热孜耶·买买提	女	金融学	92.700000	93.2	86.32	100.0	99.32
54	2020848028	奴热艾力·雪艾力	女	金融学	15.000000	75.0	63.32	100.0	76.32
55	2020848029	林可新	女	金融学	89.300000	87.4	95.00	100.0	108.00
56	2020848031	任旭	女	金融学	83.425000	85.4	71.66	100.0	84.66

#将缺失值NaN填充为0
df["选修"].fillna(0)

0      95.0
1     100.0
2       0.0
3      95.0
4     100.0
5      80.0
6      90.0
7      97.0
8     100.0
9      90.0
10      0.0
11    100.0
12    100.0
13     80.0
14    100.0
15     95.0
16    100.0
17    100.0
18    100.0
19     87.0
20    100.0
21    100.0
22    100.0
23    100.0
24    100.0
25    100.0
26      0.0
27    100.0
28    100.0
29    100.0
30    100.0
31    100.0
32    100.0
33    100.0
34    100.0
35    100.0
36    100.0
37     68.0
38    100.0
39    100.0
40     77.0
41    100.0
42    100.0
43    100.0
44      0.0
45    100.0
46     90.0
47     90.0
48    100.0
49    100.0
50     90.0
51    100.0
52    100.0
53    100.0
54    100.0
55    100.0
56    100.0
Name: 选修, dtype: float64

#将缺失值NaN填充与后面的值相同
df["选修"].fillna(method="ffill")

0      95.0
1     100.0
2      95.0
3      95.0
4     100.0
5      80.0
6      90.0
7      97.0
8     100.0
9      90.0
10    100.0
11    100.0
12    100.0
13     80.0
14    100.0
15     95.0
16    100.0
17    100.0
18    100.0
19     87.0
20    100.0
21    100.0
22    100.0
23    100.0
24    100.0
25    100.0
26    100.0
27    100.0
28    100.0
29    100.0
30    100.0
31    100.0
32    100.0
33    100.0
34    100.0
35    100.0
36    100.0
37     68.0
38    100.0
39    100.0
40     77.0
41    100.0
42    100.0
43    100.0
44    100.0
45    100.0
46     90.0
47     90.0
48    100.0
49    100.0
50     90.0
51    100.0
52    100.0
53    100.0
54    100.0
55    100.0
56    100.0
Name: 选修, dtype: float64

import numpy as np
#将缺失值NaN填充选修课的平均分
df["选修"].fillna(np.mean(df["选修"]))

0      95.000000
1     100.000000
2      96.679245
3      95.000000
4     100.000000
5      80.000000
6      90.000000
7      97.000000
8     100.000000
9      90.000000
10     96.679245
11    100.000000
12    100.000000
13     80.000000
14    100.000000
15     95.000000
16    100.000000
17    100.000000
18    100.000000
19     87.000000
20    100.000000
21    100.000000
22    100.000000
23    100.000000
24    100.000000
25    100.000000
26     96.679245
27    100.000000
28    100.000000
29    100.000000
30    100.000000
31    100.000000
32    100.000000
33    100.000000
34    100.000000
35    100.000000
36    100.000000
37     68.000000
38    100.000000
39    100.000000
40     77.000000
41    100.000000
42    100.000000
43    100.000000
44     96.679245
45    100.000000
46     90.000000
47     90.000000
48    100.000000
49    100.000000
50     90.000000
51    100.000000
52    100.000000
53    100.000000
54    100.000000
55    100.000000
56    100.000000
Name: 选修, dtype: float64

重复值处理

#去除全部重复数据
df1=df.drop_duplicates()
print("去重前：",df.shape)
print("去重后：",df1.shape)

去重前： (57, 9)
去重后： (54, 9)

#去除指定列中重复数据
df1=df.drop_duplicates(["专业"])
print("去重前：",df.shape)
print("去重后：",df1.shape)
df1

去重前： (57, 9)
去重后： (6, 9)

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.0	95.0	106.0
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.0	100.0	99.0
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.0	NaN	90.0
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.0	90.0	73.0
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.0	87.0	96.0
48	2020848019	张雨桐	女	金融学	79.150000	92.4	83.0	100.0	96.0

#去除指定列中重复数据，设置keep参数
df1=df.drop_duplicates(["专业"],keep="last")
print("去重前：",df.shape)
print("去重后：",df1.shape)
df1

去重前： (57, 9)
去重后： (6, 9)

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
8	2020844009	刘玉	女	国际贸易	89.050	91.4	80.32	100.0	93.32
18	2020844020	张家齐	男	市场营销	95.450	91.0	96.00	100.0	109.00
33	2020848003	张淳	女	会计学	91.300	92.2	81.32	100.0	94.32
42	2020848014	贾晶晶	女	NaN	84.450	93.0	82.66	100.0	95.66
47	2020848018	郭晓舒	男	信息管理与信息系统	82.500	83.8	73.00	90.0	86.00
56	2020848031	任旭	女	金融学	83.425	85.4	71.66	100.0	84.66

#去除指定若干列中重复数据
df1=df.drop_duplicates(["学号","姓名"])
print("去重前：",df.shape)
print("去重后：",df1.shape)
df1

去重前： (57, 9)
去重后： (54, 9)

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66
4	2020844004	赵小瑜	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66
5	2020844005	辛禧	男	国际贸易	65.125000	88.6	68.00	80.0	81.00
6	2020844007	王晨	男	国际贸易	62.400000	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.250000	91.0	85.00	97.0	98.00
8	2020844009	刘玉	女	国际贸易	89.050000	91.4	80.32	100.0	93.32
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.00	90.0	73.00
10	2020844011	娄天楠	男	市场营销	58.800000	84.6	60.00	NaN	73.00
11	2020844012	唐喆	男	市场营销	80.233333	87.4	64.00	100.0	77.00
12	2020844013	史昀	男	市场营销	82.733333	82.2	73.32	100.0	86.32
13	2020844014	刘欣语	男	市场营销	48.718333	83.8	86.00	80.0	99.00
14	2020844015	王同	男	市场营销	74.200000	92.2	92.00	100.0	115.00
15	2020844017	武天一	男	市场营销	73.216667	83.2	79.00	95.0	92.00
16	2020844018	张析	女	市场营销	82.750000	92.0	92.00	100.0	105.00
17	2020844019	陈雨涵	男	市场营销	95.200000	95.0	88.00	100.0	101.00
18	2020844020	张家齐	男	市场营销	95.450000	91.0	96.00	100.0	109.00
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.00	87.0	96.00
20	2020844022	关帅	NaN	会计学	90.000000	92.6	75.00	100.0	88.00
21	2020844023	刘嘉雯	男	会计学	89.575000	86.0	90.00	100.0	103.00
22	2020844024	刘浩天	男	会计学	85.100000	83.2	85.00	100.0	98.00
23	2020844025	刘宇	男	NaN	75.200000	85.6	76.00	100.0	89.00
24	2020844026	胡童	男	会计学	84.050000	86.0	91.00	100.0	119.00
25	2020844027	丁灿	男	会计学	88.750000	86.2	66.00	100.0	79.00
26	2020844028	郑武田	男	会计学	89.550000	87.4	91.00	NaN	104.00
27	2020844029	金耀	男	会计学	79.450000	87.2	68.00	100.0	81.00
28	2020844030	庞博	男	会计学	89.700000	92.0	92.00	100.0	105.00
29	2020848001	王春杨	女	会计学	88.100000	89.8	84.00	100.0	97.00
30	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
33	2020848003	张淳	女	会计学	91.300000	92.2	81.32	100.0	94.32
34	2020848004	王佳琳	男	信息管理与信息系统	75.625000	91.0	93.00	100.0	106.00
35	2020848005	郑彤	女	信息管理与信息系统	88.900000	90.0	78.00	100.0	91.00
36	2020848006	张鹤同	男	信息管理与信息系统	89.750000	88.8	82.50	100.0	95.50
37	2020848007	苏远	女	信息管理与信息系统	90.250000	89.2	79.32	68.0	92.32
38	2020848008	方雨桃	女	信息管理与信息系统	93.100000	86.2	83.00	100.0	96.00
39	2020848010	闫宇	男	信息管理与信息系统	86.033333	85.4	85.00	100.0	98.00
40	2020848011	张田田	女	信息管理与信息系统	91.200000	89.6	96.32	77.0	109.32
41	2020848013	曹一一	男	信息管理与信息系统	74.426667	86.8	83.32	100.0	96.32
42	2020848014	贾晶晶	女	NaN	84.450000	93.0	82.66	100.0	95.66
43	2020848015	贾淏文	男	信息管理与信息系统	46.675000	80.8	87.00	100.0	100.00
44	2020848016	杨帆	男	信息管理与信息系统	98.700000	87.6	95.00	NaN	108.00
45	2020848017	赵迎辰	NaN	信息管理与信息系统	82.250000	87.4	74.00	100.0	87.00
46	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
48	2020848019	张雨桐	女	金融学	79.150000	92.4	83.00	100.0	96.00
49	2020848020	孟德坤	女	金融学	83.450000	87.4	80.66	100.0	93.66
50	2020848021	王少祖	女	金融学	82.950000	91.6	78.00	90.0	91.00
51	2020848023	黄金雨	女	金融学	79.950000	89.8	86.00	100.0	99.00
52	2020848024	汤佳怡	女	金融学	86.600000	83.4	88.32	100.0	101.32
53	2020848027	热孜耶·买买提	女	金融学	92.700000	93.2	86.32	100.0	99.32
54	2020848028	奴热艾力·雪艾力	女	金融学	15.000000	75.0	63.32	100.0	76.32
55	2020848029	林可新	女	金融学	89.300000	87.4	95.00	100.0	108.00
56	2020848031	任旭	女	金融学	83.425000	85.4	71.66	100.0	84.66

4.3.3数据的抽取和合并

import pandas as pd
pd.set_option("display.unicode.east_asian_width",True)#解决数据输出时列名不对齐的问题
df=pd.read_excel("C:\\Users\\wsy\\Desktop\\cj.xlsx")

数据抽取

1、抽取列

df.学号

0     2020802045
1     2020844001
2     2020844002
3     2020844003
4     2020844004
5     2020844005
6     2020844007
7     2020844008
8     2020844009
9     2020844010
10    2020844011
11    2020844012
12    2020844013
13    2020844014
14    2020844015
15    2020844017
16    2020844018
17    2020844019
18    2020844020
19    2020844021
20    2020844022
21    2020844023
22    2020844024
23    2020844025
24    2020844026
25    2020844027
26    2020844028
27    2020844029
28    2020844030
29    2020848001
30    2020848002
31    2020848002
32    2020848002
33    2020848003
34    2020848004
35    2020848005
36    2020848006
37    2020848007
38    2020848008
39    2020848010
40    2020848011
41    2020848013
42    2020848014
43    2020848015
44    2020848016
45    2020848017
46    2020848018
47    2020848018
48    2020848019
49    2020848020
50    2020848021
51    2020848023
52    2020848024
53    2020848027
54    2020848028
55    2020848029
56    2020848031
Name: 学号, dtype: int64

df["学号"]
type(df["学号"])

pandas.core.series.Series

df[["学号"]]
type(df[["学号"]])

pandas.core.frame.DataFrame

df[["学号","姓名","专业"]]

	学号	姓名	专业
0	2020802045	魏天	信息管理与信息系统
1	2020844001	郭夏	国际贸易
2	2020844002	王晓加	NaN
3	2020844003	黄婷婷	国际贸易
4	2020844004	赵小瑜	国际贸易
5	2020844005	辛禧	国际贸易
6	2020844007	王晨	国际贸易
7	2020844008	韩天	国际贸易
8	2020844009	刘玉	国际贸易
9	2020844010	谢亚鹏	市场营销
10	2020844011	娄天楠	市场营销
11	2020844012	唐喆	市场营销
12	2020844013	史昀	市场营销
13	2020844014	刘欣语	市场营销
14	2020844015	王同	市场营销
15	2020844017	武天一	市场营销
16	2020844018	张析	市场营销
17	2020844019	陈雨涵	市场营销
18	2020844020	张家齐	市场营销
19	2020844021	李赫桐	会计学
20	2020844022	关帅	会计学
21	2020844023	刘嘉雯	会计学
22	2020844024	刘浩天	会计学
23	2020844025	刘宇	NaN
24	2020844026	胡童	会计学
25	2020844027	丁灿	会计学
26	2020844028	郑武田	会计学
27	2020844029	金耀	会计学
28	2020844030	庞博	会计学
29	2020848001	王春杨	会计学
30	2020848002	陈小恬	会计学
31	2020848002	陈小恬	会计学
32	2020848002	陈小恬	会计学
33	2020848003	张淳	会计学
34	2020848004	王佳琳	信息管理与信息系统
35	2020848005	郑彤	信息管理与信息系统
36	2020848006	张鹤同	信息管理与信息系统
37	2020848007	苏远	信息管理与信息系统
38	2020848008	方雨桃	信息管理与信息系统
39	2020848010	闫宇	信息管理与信息系统
40	2020848011	张田田	信息管理与信息系统
41	2020848013	曹一一	信息管理与信息系统
42	2020848014	贾晶晶	NaN
43	2020848015	贾淏文	信息管理与信息系统
44	2020848016	杨帆	信息管理与信息系统
45	2020848017	赵迎辰	信息管理与信息系统
46	2020848018	郭晓舒	信息管理与信息系统
47	2020848018	郭晓舒	信息管理与信息系统
48	2020848019	张雨桐	金融学
49	2020848020	孟德坤	金融学
50	2020848021	王少祖	金融学
51	2020848023	黄金雨	金融学
52	2020848024	汤佳怡	金融学
53	2020848027	热孜耶·买买提	金融学
54	2020848028	奴热艾力·雪艾力	金融学
55	2020848029	林可新	金融学
56	2020848031	任旭	金融学

df.loc[:,["学号"]]

	学号
0	2020802045
1	2020844001
2	2020844002
3	2020844003
4	2020844004
5	2020844005
6	2020844007
7	2020844008
8	2020844009
9	2020844010
10	2020844011
11	2020844012
12	2020844013
13	2020844014
14	2020844015
15	2020844017
16	2020844018
17	2020844019
18	2020844020
19	2020844021
20	2020844022
21	2020844023
22	2020844024
23	2020844025
24	2020844026
25	2020844027
26	2020844028
27	2020844029
28	2020844030
29	2020848001
30	2020848002
31	2020848002
32	2020848002
33	2020848003
34	2020848004
35	2020848005
36	2020848006
37	2020848007
38	2020848008
39	2020848010
40	2020848011
41	2020848013
42	2020848014
43	2020848015
44	2020848016
45	2020848017
46	2020848018
47	2020848018
48	2020848019
49	2020848020
50	2020848021
51	2020848023
52	2020848024
53	2020848027
54	2020848028
55	2020848029
56	2020848031

df.loc[:,["学号","姓名","专业"]]

	学号	姓名	专业
0	2020802045	魏天	信息管理与信息系统
1	2020844001	郭夏	国际贸易
2	2020844002	王晓加	NaN
3	2020844003	黄婷婷	国际贸易
4	2020844004	赵小瑜	国际贸易
5	2020844005	辛禧	国际贸易
6	2020844007	王晨	国际贸易
7	2020844008	韩天	国际贸易
8	2020844009	刘玉	国际贸易
9	2020844010	谢亚鹏	市场营销
10	2020844011	娄天楠	市场营销
11	2020844012	唐喆	市场营销
12	2020844013	史昀	市场营销
13	2020844014	刘欣语	市场营销
14	2020844015	王同	市场营销
15	2020844017	武天一	市场营销
16	2020844018	张析	市场营销
17	2020844019	陈雨涵	市场营销
18	2020844020	张家齐	市场营销
19	2020844021	李赫桐	会计学
20	2020844022	关帅	会计学
21	2020844023	刘嘉雯	会计学
22	2020844024	刘浩天	会计学
23	2020844025	刘宇	NaN
24	2020844026	胡童	会计学
25	2020844027	丁灿	会计学
26	2020844028	郑武田	会计学
27	2020844029	金耀	会计学
28	2020844030	庞博	会计学
29	2020848001	王春杨	会计学
30	2020848002	陈小恬	会计学
31	2020848002	陈小恬	会计学
32	2020848002	陈小恬	会计学
33	2020848003	张淳	会计学
34	2020848004	王佳琳	信息管理与信息系统
35	2020848005	郑彤	信息管理与信息系统
36	2020848006	张鹤同	信息管理与信息系统
37	2020848007	苏远	信息管理与信息系统
38	2020848008	方雨桃	信息管理与信息系统
39	2020848010	闫宇	信息管理与信息系统
40	2020848011	张田田	信息管理与信息系统
41	2020848013	曹一一	信息管理与信息系统
42	2020848014	贾晶晶	NaN
43	2020848015	贾淏文	信息管理与信息系统
44	2020848016	杨帆	信息管理与信息系统
45	2020848017	赵迎辰	信息管理与信息系统
46	2020848018	郭晓舒	信息管理与信息系统
47	2020848018	郭晓舒	信息管理与信息系统
48	2020848019	张雨桐	金融学
49	2020848020	孟德坤	金融学
50	2020848021	王少祖	金融学
51	2020848023	黄金雨	金融学
52	2020848024	汤佳怡	金融学
53	2020848027	热孜耶·买买提	金融学
54	2020848028	奴热艾力·雪艾力	金融学
55	2020848029	林可新	金融学
56	2020848031	任旭	金融学

df.iloc[:,[0,1,3]]

	学号	姓名	专业
0	2020802045	魏天	信息管理与信息系统
1	2020844001	郭夏	国际贸易
2	2020844002	王晓加	NaN
3	2020844003	黄婷婷	国际贸易
4	2020844004	赵小瑜	国际贸易
5	2020844005	辛禧	国际贸易
6	2020844007	王晨	国际贸易
7	2020844008	韩天	国际贸易
8	2020844009	刘玉	国际贸易
9	2020844010	谢亚鹏	市场营销
10	2020844011	娄天楠	市场营销
11	2020844012	唐喆	市场营销
12	2020844013	史昀	市场营销
13	2020844014	刘欣语	市场营销
14	2020844015	王同	市场营销
15	2020844017	武天一	市场营销
16	2020844018	张析	市场营销
17	2020844019	陈雨涵	市场营销
18	2020844020	张家齐	市场营销
19	2020844021	李赫桐	会计学
20	2020844022	关帅	会计学
21	2020844023	刘嘉雯	会计学
22	2020844024	刘浩天	会计学
23	2020844025	刘宇	NaN
24	2020844026	胡童	会计学
25	2020844027	丁灿	会计学
26	2020844028	郑武田	会计学
27	2020844029	金耀	会计学
28	2020844030	庞博	会计学
29	2020848001	王春杨	会计学
30	2020848002	陈小恬	会计学
31	2020848002	陈小恬	会计学
32	2020848002	陈小恬	会计学
33	2020848003	张淳	会计学
34	2020848004	王佳琳	信息管理与信息系统
35	2020848005	郑彤	信息管理与信息系统
36	2020848006	张鹤同	信息管理与信息系统
37	2020848007	苏远	信息管理与信息系统
38	2020848008	方雨桃	信息管理与信息系统
39	2020848010	闫宇	信息管理与信息系统
40	2020848011	张田田	信息管理与信息系统
41	2020848013	曹一一	信息管理与信息系统
42	2020848014	贾晶晶	NaN
43	2020848015	贾淏文	信息管理与信息系统
44	2020848016	杨帆	信息管理与信息系统
45	2020848017	赵迎辰	信息管理与信息系统
46	2020848018	郭晓舒	信息管理与信息系统
47	2020848018	郭晓舒	信息管理与信息系统
48	2020848019	张雨桐	金融学
49	2020848020	孟德坤	金融学
50	2020848021	王少祖	金融学
51	2020848023	黄金雨	金融学
52	2020848024	汤佳怡	金融学
53	2020848027	热孜耶·买买提	金融学
54	2020848028	奴热艾力·雪艾力	金融学
55	2020848029	林可新	金融学
56	2020848031	任旭	金融学

2、抽取行

df.loc[1:20,]

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66
4	2020844004	赵小瑜	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66
5	2020844005	辛禧	男	国际贸易	65.125000	88.6	68.00	80.0	81.00
6	2020844007	王晨	男	国际贸易	62.400000	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.250000	91.0	85.00	97.0	98.00
8	2020844009	刘玉	女	国际贸易	89.050000	91.4	80.32	100.0	93.32
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.00	90.0	73.00
10	2020844011	娄天楠	男	市场营销	58.800000	84.6	60.00	NaN	73.00
11	2020844012	唐喆	男	市场营销	80.233333	87.4	64.00	100.0	77.00
12	2020844013	史昀	男	市场营销	82.733333	82.2	73.32	100.0	86.32
13	2020844014	刘欣语	男	市场营销	48.718333	83.8	86.00	80.0	99.00
14	2020844015	王同	男	市场营销	74.200000	92.2	92.00	100.0	115.00
15	2020844017	武天一	男	市场营销	73.216667	83.2	79.00	95.0	92.00
16	2020844018	张析	女	市场营销	82.750000	92.0	92.00	100.0	105.00
17	2020844019	陈雨涵	男	市场营销	95.200000	95.0	88.00	100.0	101.00
18	2020844020	张家齐	男	市场营销	95.450000	91.0	96.00	100.0	109.00
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.00	87.0	96.00
20	2020844022	关帅	NaN	会计学	90.000000	92.6	75.00	100.0	88.00

df.iloc[1:20,]

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66
4	2020844004	赵小瑜	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66
5	2020844005	辛禧	男	国际贸易	65.125000	88.6	68.00	80.0	81.00
6	2020844007	王晨	男	国际贸易	62.400000	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.250000	91.0	85.00	97.0	98.00
8	2020844009	刘玉	女	国际贸易	89.050000	91.4	80.32	100.0	93.32
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.00	90.0	73.00
10	2020844011	娄天楠	男	市场营销	58.800000	84.6	60.00	NaN	73.00
11	2020844012	唐喆	男	市场营销	80.233333	87.4	64.00	100.0	77.00
12	2020844013	史昀	男	市场营销	82.733333	82.2	73.32	100.0	86.32
13	2020844014	刘欣语	男	市场营销	48.718333	83.8	86.00	80.0	99.00
14	2020844015	王同	男	市场营销	74.200000	92.2	92.00	100.0	115.00
15	2020844017	武天一	男	市场营销	73.216667	83.2	79.00	95.0	92.00
16	2020844018	张析	女	市场营销	82.750000	92.0	92.00	100.0	105.00
17	2020844019	陈雨涵	男	市场营销	95.200000	95.0	88.00	100.0	101.00
18	2020844020	张家齐	男	市场营销	95.450000	91.0	96.00	100.0	109.00
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.00	87.0	96.00

df.loc[[1,2,3,6,7],]

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
1	2020844001	郭夏	男	国际贸易	91.05	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.20	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.80	91.4	79.66	95.0	92.66
6	2020844007	王晨	男	国际贸易	62.40	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.25	91.0	85.00	97.0	98.00

df.iloc[[1,2,3,16,7],]

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
1	2020844001	郭夏	男	国际贸易	91.05	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.20	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.80	91.4	79.66	95.0	92.66
6	2020844007	王晨	男	国际贸易	62.40	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.25	91.0	85.00	97.0	98.00

df.loc[df.英语>90,]

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
1	2020844001	郭夏	男	国际贸易	91.05	83.4	86.00	100.0	99.00
7	2020844008	韩天	男	国际贸易	96.25	91.0	85.00	97.0	98.00
17	2020844019	陈雨涵	男	市场营销	95.20	95.0	88.00	100.0	101.00
18	2020844020	张家齐	男	市场营销	95.45	91.0	96.00	100.0	109.00
33	2020848003	张淳	女	会计学	91.30	92.2	81.32	100.0	94.32
37	2020848007	苏远	女	信息管理与信息系统	90.25	89.2	79.32	68.0	92.32
38	2020848008	方雨桃	女	信息管理与信息系统	93.10	86.2	83.00	100.0	96.00
40	2020848011	张田田	女	信息管理与信息系统	91.20	89.6	96.32	77.0	109.32
44	2020848016	杨帆	男	信息管理与信息系统	98.70	87.6	95.00	NaN	108.00
53	2020848027	热孜耶·买买提	女	金融学	92.70	93.2	86.32	100.0	99.32

4、抽取行列

df[["学号","姓名","专业"]][:10]

	学号	姓名	专业
0	2020802045	魏天	信息管理与信息系统
1	2020844001	郭夏	国际贸易
2	2020844002	王晓加	NaN
3	2020844003	黄婷婷	国际贸易
4	2020844004	赵小瑜	国际贸易
5	2020844005	辛禧	国际贸易
6	2020844007	王晨	国际贸易
7	2020844008	韩天	国际贸易
8	2020844009	刘玉	国际贸易
9	2020844010	谢亚鹏	市场营销

df[["学号","姓名","专业"]][df.数学>90]

	学号	姓名	专业
0	2020802045	魏天	信息管理与信息系统
3	2020844003	黄婷婷	国际贸易
7	2020844008	韩天	国际贸易
8	2020844009	刘玉	国际贸易
14	2020844015	王同	市场营销
16	2020844018	张析	市场营销
17	2020844019	陈雨涵	市场营销
18	2020844020	张家齐	市场营销
20	2020844022	关帅	会计学
28	2020844030	庞博	会计学
30	2020848002	陈小恬	会计学
31	2020848002	陈小恬	会计学
32	2020848002	陈小恬	会计学
33	2020848003	张淳	会计学
34	2020848004	王佳琳	信息管理与信息系统
42	2020848014	贾晶晶	NaN
48	2020848019	张雨桐	金融学
50	2020848021	王少祖	金融学
53	2020848027	热孜耶·买买提	金融学

df.loc[1:10,["学号","姓名","专业"]]

	学号	姓名	专业
1	2020844001	郭夏	国际贸易
2	2020844002	王晓加	NaN
3	2020844003	黄婷婷	国际贸易
4	2020844004	赵小瑜	国际贸易
5	2020844005	辛禧	国际贸易
6	2020844007	王晨	国际贸易
7	2020844008	韩天	国际贸易
8	2020844009	刘玉	国际贸易
9	2020844010	谢亚鹏	市场营销
10	2020844011	娄天楠	市场营销

df.iloc[1:10,2:5]

	性别	专业	英语
1	男	国际贸易	91.050
2	男	NaN	54.200
3	女	国际贸易	87.800
4	NaN	国际贸易	61.150
5	男	国际贸易	65.125
6	男	国际贸易	62.400
7	男	国际贸易	96.250
8	女	国际贸易	89.050
9	男	市场营销	70.500

数据合并

df1=df[["学号","姓名","专业"]][:10]
df2=df[["学号","Python"]][:10]
df3=df[["数学","选修"]][:10]
df4=df.loc[20:25,["学号","姓名","专业"]]

df1

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.0	95.0	106.0
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.0	100.0	99.0
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.0	NaN	90.0
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.0	90.0	73.0
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.0	87.0	96.0
48	2020848019	张雨桐	女	金融学	79.150000	92.4	83.0	100.0	96.0

df2

	学号	Python
0	2020802045	93.00
1	2020844001	86.00
2	2020844002	74.00
3	2020844003	79.66
4	2020844004	84.66
5	2020844005	68.00
6	2020844007	65.00
7	2020844008	85.00
8	2020844009	80.32
9	2020844010	60.00

1、按列合并

df1.join(df2)#有同名列，无法区分，报错

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-237-92ca22d0224c> in <module>()
----> 1 df1.join(df2)#有同名列，无法区分，报错


D:\anacoda\anzhuang\lib\site-packages\pandas\core\frame.py in join(self, other, on, how, lsuffix, rsuffix, sort)
   6334         # For SparseDataFrame's benefit
   6335         return self._join_compat(other, on=on, how=how, lsuffix=lsuffix,
-> 6336                                  rsuffix=rsuffix, sort=sort)
   6337 
   6338     def _join_compat(self, other, on=None, how='left', lsuffix='', rsuffix='',


D:\anacoda\anzhuang\lib\site-packages\pandas\core\frame.py in _join_compat(self, other, on, how, lsuffix, rsuffix, sort)
   6349             return merge(self, other, left_on=on, how=how,
   6350                          left_index=on is None, right_index=True,
-> 6351                          suffixes=(lsuffix, rsuffix), sort=sort)
   6352         else:
   6353             if on is not None:


D:\anacoda\anzhuang\lib\site-packages\pandas\core\reshape\merge.py in merge(left, right, how, on, left_on, right_on, left_index, right_index, sort, suffixes, copy, indicator, validate)
     60                          copy=copy, indicator=indicator,
     61                          validate=validate)
---> 62     return op.get_result()
     63 
     64 


D:\anacoda\anzhuang\lib\site-packages\pandas\core\reshape\merge.py in get_result(self)
    572 
    573         llabels, rlabels = items_overlap_with_suffix(ldata.items, lsuf,
--> 574                                                      rdata.items, rsuf)
    575 
    576         lindexers = {1: left_indexer} if left_indexer is not None else {}


D:\anacoda\anzhuang\lib\site-packages\pandas\core\internals.py in items_overlap_with_suffix(left, lsuffix, right, rsuffix)
   5242         if not lsuffix and not rsuffix:
   5243             raise ValueError('columns overlap but no suffix specified: '
-> 5244                              '{rename}'.format(rename=to_rename))
   5245 
   5246         def lrenamer(x):


ValueError: columns overlap but no suffix specified: Index(['学号', 'Python'], dtype='object')

df1.join(df3)#默认以index为连接主键，可以不需要同名列

	学号	姓名	专业	数学	选修
0	2020802045	魏天	信息管理与信息系统	90.8	95.0
1	2020844001	郭夏	国际贸易	83.4	100.0
2	2020844002	王晓加	NaN	83.4	NaN
3	2020844003	黄婷婷	国际贸易	91.4	95.0
4	2020844004	赵小瑜	国际贸易	82.2	100.0
5	2020844005	辛禧	国际贸易	88.6	80.0
6	2020844007	王晨	国际贸易	80.0	90.0
7	2020844008	韩天	国际贸易	91.0	97.0
8	2020844009	刘玉	国际贸易	91.4	100.0
9	2020844010	谢亚鹏	市场营销	85.2	90.0

df1.join(df2,lsuffix="x")#给同名列起别名

	学号x	姓名	专业	学号	Python
0	2020802045	魏天	信息管理与信息系统	2020802045	93.00
1	2020844001	郭夏	国际贸易	2020844001	86.00
2	2020844002	王晓加	NaN	2020844002	74.00
3	2020844003	黄婷婷	国际贸易	2020844003	79.66
4	2020844004	赵小瑜	国际贸易	2020844004	84.66
5	2020844005	辛禧	国际贸易	2020844005	68.00
6	2020844007	王晨	国际贸易	2020844007	65.00
7	2020844008	韩天	国际贸易	2020844008	85.00
8	2020844009	刘玉	国际贸易	2020844009	80.32
9	2020844010	谢亚鹏	市场营销	2020844010	60.00

df1.merge(df3)#必须有同名列

---------------------------------------------------------------------------

MergeError                                Traceback (most recent call last)

<ipython-input-242-036768b080a3> in <module>()
----> 1 df1.merge(df3)#必须有同名列


D:\anacoda\anzhuang\lib\site-packages\pandas\core\frame.py in merge(self, right, how, on, left_on, right_on, left_index, right_index, sort, suffixes, copy, indicator, validate)
   6387                      right_on=right_on, left_index=left_index,
   6388                      right_index=right_index, sort=sort, suffixes=suffixes,
-> 6389                      copy=copy, indicator=indicator, validate=validate)
   6390 
   6391     def round(self, decimals=0, *args, **kwargs):


D:\anacoda\anzhuang\lib\site-packages\pandas\core\reshape\merge.py in merge(left, right, how, on, left_on, right_on, left_index, right_index, sort, suffixes, copy, indicator, validate)
     59                          right_index=right_index, sort=sort, suffixes=suffixes,
     60                          copy=copy, indicator=indicator,
---> 61                          validate=validate)
     62     return op.get_result()
     63 


D:\anacoda\anzhuang\lib\site-packages\pandas\core\reshape\merge.py in __init__(self, left, right, how, on, left_on, right_on, axis, left_index, right_index, sort, suffixes, copy, indicator, validate)
    544             warnings.warn(msg, UserWarning)
    545 
--> 546         self._validate_specification()
    547 
    548         # note this function has side effects


D:\anacoda\anzhuang\lib\site-packages\pandas\core\reshape\merge.py in _validate_specification(self)
   1033                         'left_index={lidx}, right_index={ridx}'
   1034                         .format(lon=self.left_on, ron=self.right_on,
-> 1035                                 lidx=self.left_index, ridx=self.right_index))
   1036                 if not common_cols.is_unique:
   1037                     raise MergeError("Data columns not unique: {common!r}"


MergeError: No common columns to perform merge on. Merge options: left_on=None, right_on=None, left_index=False, right_index=False

df1.merge(df2)#可以按照同名列进行连接，自动删除同名列

	学号	姓名	专业	Python
0	2020802045	魏天	信息管理与信息系统	93.00
1	2020844001	郭夏	国际贸易	86.00
2	2020844002	王晓加	NaN	74.00
3	2020844003	黄婷婷	国际贸易	79.66
4	2020844004	赵小瑜	国际贸易	84.66
5	2020844005	辛禧	国际贸易	68.00
6	2020844007	王晨	国际贸易	65.00
7	2020844008	韩天	国际贸易	85.00
8	2020844009	刘玉	国际贸易	80.32
9	2020844010	谢亚鹏	市场营销	60.00

ddf=pd.merge(df1,df2)
ddf

	学号	姓名	专业	Python
0	2020802045	魏天	信息管理与信息系统	93.00
1	2020844001	郭夏	国际贸易	86.00
2	2020844002	王晓加	NaN	74.00
3	2020844003	黄婷婷	国际贸易	79.66
4	2020844004	赵小瑜	国际贸易	84.66
5	2020844005	辛禧	国际贸易	68.00
6	2020844007	王晨	国际贸易	65.00
7	2020844008	韩天	国际贸易	85.00
8	2020844009	刘玉	国际贸易	80.32
9	2020844010	谢亚鹏	市场营销	60.00

ddf=pd.concat([df1,df2],axis=1)#按行拼接
ddf

	学号	姓名	专业	学号	Python
0	2020802045	魏天	信息管理与信息系统	2020802045	93.00
1	2020844001	郭夏	国际贸易	2020844001	86.00
2	2020844002	王晓加	NaN	2020844002	74.00
3	2020844003	黄婷婷	国际贸易	2020844003	79.66
4	2020844004	赵小瑜	国际贸易	2020844004	84.66
5	2020844005	辛禧	国际贸易	2020844005	68.00
6	2020844007	王晨	国际贸易	2020844007	65.00
7	2020844008	韩天	国际贸易	2020844008	85.00
8	2020844009	刘玉	国际贸易	2020844009	80.32
9	2020844010	谢亚鹏	市场营销	2020844010	60.00

2、按行合并

df1.append(df4)#有相同列

	学号	姓名	专业
0	2020802045	魏天	信息管理与信息系统
1	2020844001	郭夏	国际贸易
2	2020844002	王晓加	NaN
3	2020844003	黄婷婷	国际贸易
4	2020844004	赵小瑜	国际贸易
5	2020844005	辛禧	国际贸易
6	2020844007	王晨	国际贸易
7	2020844008	韩天	国际贸易
8	2020844009	刘玉	国际贸易
9	2020844010	谢亚鹏	市场营销
20	2020844022	关帅	会计学
21	2020844023	刘嘉雯	会计学
22	2020844024	刘浩天	会计学
23	2020844025	刘宇	NaN
24	2020844026	胡童	会计学
25	2020844027	丁灿	会计学

df1.append(df3) #列不相同，实现并集拼接

D:\anacoda\anzhuang\lib\site-packages\pandas\core\frame.py:6211: FutureWarning: Sorting because non-concatenation axis is not aligned. A future version
of pandas will change to not sort by default.

To accept the future behavior, pass 'sort=False'.

To retain the current behavior and silence the warning, pass 'sort=True'.

  sort=sort)

	专业	姓名	学号	数学	选修
0	信息管理与信息系统	魏天	2.020802e+09	NaN	NaN
1	国际贸易	郭夏	2.020844e+09	NaN	NaN
2	NaN	王晓加	2.020844e+09	NaN	NaN
3	国际贸易	黄婷婷	2.020844e+09	NaN	NaN
4	国际贸易	赵小瑜	2.020844e+09	NaN	NaN
5	国际贸易	辛禧	2.020844e+09	NaN	NaN
6	国际贸易	王晨	2.020844e+09	NaN	NaN
7	国际贸易	韩天	2.020844e+09	NaN	NaN
8	国际贸易	刘玉	2.020844e+09	NaN	NaN
9	市场营销	谢亚鹏	2.020844e+09	NaN	NaN
0	NaN	NaN	NaN	90.8	95.0
1	NaN	NaN	NaN	83.4	100.0
2	NaN	NaN	NaN	83.4	NaN
3	NaN	NaN	NaN	91.4	95.0
4	NaN	NaN	NaN	82.2	100.0
5	NaN	NaN	NaN	88.6	80.0
6	NaN	NaN	NaN	80.0	90.0
7	NaN	NaN	NaN	91.0	97.0
8	NaN	NaN	NaN	91.4	100.0
9	NaN	NaN	NaN	85.2	90.0

pd.concat([df1,df2,df3],axis=0,join="outer")#按行拼接   #inner

D:\anacoda\anzhuang\lib\site-packages\ipykernel_launcher.py:1: FutureWarning: Sorting because non-concatenation axis is not aligned. A future version
of pandas will change to not sort by default.

To accept the future behavior, pass 'sort=False'.

To retain the current behavior and silence the warning, pass 'sort=True'.

  """Entry point for launching an IPython kernel.

	Python	专业	姓名	学号	数学	选修
0	NaN	信息管理与信息系统	魏天	2.020802e+09	NaN	NaN
1	NaN	国际贸易	郭夏	2.020844e+09	NaN	NaN
2	NaN	NaN	王晓加	2.020844e+09	NaN	NaN
3	NaN	国际贸易	黄婷婷	2.020844e+09	NaN	NaN
4	NaN	国际贸易	赵小瑜	2.020844e+09	NaN	NaN
5	NaN	国际贸易	辛禧	2.020844e+09	NaN	NaN
6	NaN	国际贸易	王晨	2.020844e+09	NaN	NaN
7	NaN	国际贸易	韩天	2.020844e+09	NaN	NaN
8	NaN	国际贸易	刘玉	2.020844e+09	NaN	NaN
9	NaN	市场营销	谢亚鹏	2.020844e+09	NaN	NaN
0	93.00	NaN	NaN	2.020802e+09	NaN	NaN
1	86.00	NaN	NaN	2.020844e+09	NaN	NaN
2	74.00	NaN	NaN	2.020844e+09	NaN	NaN
3	79.66	NaN	NaN	2.020844e+09	NaN	NaN
4	84.66	NaN	NaN	2.020844e+09	NaN	NaN
5	68.00	NaN	NaN	2.020844e+09	NaN	NaN
6	65.00	NaN	NaN	2.020844e+09	NaN	NaN
7	85.00	NaN	NaN	2.020844e+09	NaN	NaN
8	80.32	NaN	NaN	2.020844e+09	NaN	NaN
9	60.00	NaN	NaN	2.020844e+09	NaN	NaN
0	NaN	NaN	NaN	NaN	90.8	95.0
1	NaN	NaN	NaN	NaN	83.4	100.0
2	NaN	NaN	NaN	NaN	83.4	NaN
3	NaN	NaN	NaN	NaN	91.4	95.0
4	NaN	NaN	NaN	NaN	82.2	100.0
5	NaN	NaN	NaN	NaN	88.6	80.0
6	NaN	NaN	NaN	NaN	80.0	90.0
7	NaN	NaN	NaN	NaN	91.0	97.0
8	NaN	NaN	NaN	NaN	91.4	100.0
9	NaN	NaN	NaN	NaN	85.2	90.0

4.3.4数据的增删改

import pandas as pd
pd.set_option("display.unicode.east_asian_width",True)#解决数据输出时列名不对齐的问题
df=pd.read_excel("C:\\Users\\wsy\\Desktop\\cj.xlsx")
df

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66
4	2020844004	赵小瑜	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66
5	2020844005	辛禧	男	国际贸易	65.125000	88.6	68.00	80.0	81.00
6	2020844007	王晨	男	国际贸易	62.400000	80.0	65.00	90.0	78.00
7	2020844008	韩天	男	国际贸易	96.250000	91.0	85.00	97.0	98.00
8	2020844009	刘玉	女	国际贸易	89.050000	91.4	80.32	100.0	93.32
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.00	90.0	73.00
10	2020844011	娄天楠	男	市场营销	58.800000	84.6	60.00	NaN	73.00
11	2020844012	唐喆	男	市场营销	80.233333	87.4	64.00	100.0	77.00
12	2020844013	史昀	男	市场营销	82.733333	82.2	73.32	100.0	86.32
13	2020844014	刘欣语	男	市场营销	48.718333	83.8	86.00	80.0	99.00
14	2020844015	王同	男	市场营销	74.200000	92.2	92.00	100.0	115.00
15	2020844017	武天一	男	市场营销	73.216667	83.2	79.00	95.0	92.00
16	2020844018	张析	女	市场营销	82.750000	92.0	92.00	100.0	105.00
17	2020844019	陈雨涵	男	市场营销	95.200000	95.0	88.00	100.0	101.00
18	2020844020	张家齐	男	市场营销	95.450000	91.0	96.00	100.0	109.00
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.00	87.0	96.00
20	2020844022	关帅	NaN	会计学	90.000000	92.6	75.00	100.0	88.00
21	2020844023	刘嘉雯	男	会计学	89.575000	86.0	90.00	100.0	103.00
22	2020844024	刘浩天	男	会计学	85.100000	83.2	85.00	100.0	98.00
23	2020844025	刘宇	男	NaN	75.200000	85.6	76.00	100.0	89.00
24	2020844026	胡童	男	会计学	84.050000	86.0	91.00	100.0	119.00
25	2020844027	丁灿	男	会计学	88.750000	86.2	66.00	100.0	79.00
26	2020844028	郑武田	男	会计学	89.550000	87.4	91.00	NaN	104.00
27	2020844029	金耀	男	会计学	79.450000	87.2	68.00	100.0	81.00
28	2020844030	庞博	男	会计学	89.700000	92.0	92.00	100.0	105.00
29	2020848001	王春杨	女	会计学	88.100000	89.8	84.00	100.0	97.00
30	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
31	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
32	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00
33	2020848003	张淳	女	会计学	91.300000	92.2	81.32	100.0	94.32
34	2020848004	王佳琳	男	信息管理与信息系统	75.625000	91.0	93.00	100.0	106.00
35	2020848005	郑彤	女	信息管理与信息系统	88.900000	90.0	78.00	100.0	91.00
36	2020848006	张鹤同	男	信息管理与信息系统	89.750000	88.8	82.50	100.0	95.50
37	2020848007	苏远	女	信息管理与信息系统	90.250000	89.2	79.32	68.0	92.32
38	2020848008	方雨桃	女	信息管理与信息系统	93.100000	86.2	83.00	100.0	96.00
39	2020848010	闫宇	男	信息管理与信息系统	86.033333	85.4	85.00	100.0	98.00
40	2020848011	张田田	女	信息管理与信息系统	91.200000	89.6	96.32	77.0	109.32
41	2020848013	曹一一	男	信息管理与信息系统	74.426667	86.8	83.32	100.0	96.32
42	2020848014	贾晶晶	女	NaN	84.450000	93.0	82.66	100.0	95.66
43	2020848015	贾淏文	男	信息管理与信息系统	46.675000	80.8	87.00	100.0	100.00
44	2020848016	杨帆	男	信息管理与信息系统	98.700000	87.6	95.00	NaN	108.00
45	2020848017	赵迎辰	NaN	信息管理与信息系统	82.250000	87.4	74.00	100.0	87.00
46	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
47	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00
48	2020848019	张雨桐	女	金融学	79.150000	92.4	83.00	100.0	96.00
49	2020848020	孟德坤	女	金融学	83.450000	87.4	80.66	100.0	93.66
50	2020848021	王少祖	女	金融学	82.950000	91.6	78.00	90.0	91.00
51	2020848023	黄金雨	女	金融学	79.950000	89.8	86.00	100.0	99.00
52	2020848024	汤佳怡	女	金融学	86.600000	83.4	88.32	100.0	101.32
53	2020848027	热孜耶·买买提	女	金融学	92.700000	93.2	86.32	100.0	99.32
54	2020848028	奴热艾力·雪艾力	女	金融学	15.000000	75.0	63.32	100.0	76.32
55	2020848029	林可新	女	金融学	89.300000	87.4	95.00	100.0	108.00
56	2020848031	任旭	女	金融学	83.425000	85.4	71.66	100.0	84.66

数据增加

#在最后增加列
df["团员否"]=True
df

	学号	姓名	性别	专业	英语	数学	Python	选修	管理学	团员否
0	2020802045	魏天	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00	True
1	2020844001	郭夏	男	国际贸易	91.050000	83.4	86.00	100.0	99.00	True
2	2020844002	王晓加	男	NaN	54.200000	83.4	74.00	NaN	90.00	True
3	2020844003	黄婷婷	女	国际贸易	87.800000	91.4	79.66	95.0	92.66	True
4	2020844004	赵小瑜	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66	True
5	2020844005	辛禧	男	国际贸易	65.125000	88.6	68.00	80.0	81.00	True
6	2020844007	王晨	男	国际贸易	62.400000	80.0	65.00	90.0	78.00	True
7	2020844008	韩天	男	国际贸易	96.250000	91.0	85.00	97.0	98.00	True
8	2020844009	刘玉	女	国际贸易	89.050000	91.4	80.32	100.0	93.32	True
9	2020844010	谢亚鹏	男	市场营销	70.500000	85.2	60.00	90.0	73.00	True
10	2020844011	娄天楠	男	市场营销	58.800000	84.6	60.00	NaN	73.00	True
11	2020844012	唐喆	男	市场营销	80.233333	87.4	64.00	100.0	77.00	True
12	2020844013	史昀	男	市场营销	82.733333	82.2	73.32	100.0	86.32	True
13	2020844014	刘欣语	男	市场营销	48.718333	83.8	86.00	80.0	99.00	True
14	2020844015	王同	男	市场营销	74.200000	92.2	92.00	100.0	115.00	True
15	2020844017	武天一	男	市场营销	73.216667	83.2	79.00	95.0	92.00	True
16	2020844018	张析	女	市场营销	82.750000	92.0	92.00	100.0	105.00	True
17	2020844019	陈雨涵	男	市场营销	95.200000	95.0	88.00	100.0	101.00	True
18	2020844020	张家齐	男	市场营销	95.450000	91.0	96.00	100.0	109.00	True
19	2020844021	李赫桐	男	会计学	88.276667	86.8	83.00	87.0	96.00	True
20	2020844022	关帅	NaN	会计学	90.000000	92.6	75.00	100.0	88.00	True
21	2020844023	刘嘉雯	男	会计学	89.575000	86.0	90.00	100.0	103.00	True
22	2020844024	刘浩天	男	会计学	85.100000	83.2	85.00	100.0	98.00	True
23	2020844025	刘宇	男	NaN	75.200000	85.6	76.00	100.0	89.00	True
24	2020844026	胡童	男	会计学	84.050000	86.0	91.00	100.0	119.00	True
25	2020844027	丁灿	男	会计学	88.750000	86.2	66.00	100.0	79.00	True
26	2020844028	郑武田	男	会计学	89.550000	87.4	91.00	NaN	104.00	True
27	2020844029	金耀	男	会计学	79.450000	87.2	68.00	100.0	81.00	True
28	2020844030	庞博	男	会计学	89.700000	92.0	92.00	100.0	105.00	True
29	2020848001	王春杨	女	会计学	88.100000	89.8	84.00	100.0	97.00	True
30	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
31	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
32	2020848002	陈小恬	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
33	2020848003	张淳	女	会计学	91.300000	92.2	81.32	100.0	94.32	True
34	2020848004	王佳琳	男	信息管理与信息系统	75.625000	91.0	93.00	100.0	106.00	True
35	2020848005	郑彤	女	信息管理与信息系统	88.900000	90.0	78.00	100.0	91.00	True
36	2020848006	张鹤同	男	信息管理与信息系统	89.750000	88.8	82.50	100.0	95.50	True
37	2020848007	苏远	女	信息管理与信息系统	90.250000	89.2	79.32	68.0	92.32	True
38	2020848008	方雨桃	女	信息管理与信息系统	93.100000	86.2	83.00	100.0	96.00	True
39	2020848010	闫宇	男	信息管理与信息系统	86.033333	85.4	85.00	100.0	98.00	True
40	2020848011	张田田	女	信息管理与信息系统	91.200000	89.6	96.32	77.0	109.32	True
41	2020848013	曹一一	男	信息管理与信息系统	74.426667	86.8	83.32	100.0	96.32	True
42	2020848014	贾晶晶	女	NaN	84.450000	93.0	82.66	100.0	95.66	True
43	2020848015	贾淏文	男	信息管理与信息系统	46.675000	80.8	87.00	100.0	100.00	True
44	2020848016	杨帆	男	信息管理与信息系统	98.700000	87.6	95.00	NaN	108.00	True
45	2020848017	赵迎辰	NaN	信息管理与信息系统	82.250000	87.4	74.00	100.0	87.00	True
46	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00	True
47	2020848018	郭晓舒	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00	True
48	2020848019	张雨桐	女	金融学	79.150000	92.4	83.00	100.0	96.00	True
49	2020848020	孟德坤	女	金融学	83.450000	87.4	80.66	100.0	93.66	True
50	2020848021	王少祖	女	金融学	82.950000	91.6	78.00	90.0	91.00	True
51	2020848023	黄金雨	女	金融学	79.950000	89.8	86.00	100.0	99.00	True
52	2020848024	汤佳怡	女	金融学	86.600000	83.4	88.32	100.0	101.32	True
53	2020848027	热孜耶·买买提	女	金融学	92.700000	93.2	86.32	100.0	99.32	True
54	2020848028	奴热艾力·雪艾力	女	金融学	15.000000	75.0	63.32	100.0	76.32	True
55	2020848029	林可新	女	金融学	89.300000	87.4	95.00	100.0	108.00	True
56	2020848031	任旭	女	金融学	83.425000	85.4	71.66	100.0	84.66	True

#指定位置增加列
df.insert(2,"年龄",18)
df

	学号	姓名	年龄	性别	专业	英语	数学	Python	选修	管理学	团员否
0	2020802045	魏天	18	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00	True
1	2020844001	郭夏	18	男	国际贸易	91.050000	83.4	86.00	100.0	99.00	True
2	2020844002	王晓加	18	男	NaN	54.200000	83.4	74.00	NaN	90.00	True
3	2020844003	黄婷婷	18	女	国际贸易	87.800000	91.4	79.66	95.0	92.66	True
4	2020844004	赵小瑜	18	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66	True
5	2020844005	辛禧	18	男	国际贸易	65.125000	88.6	68.00	80.0	81.00	True
6	2020844007	王晨	18	男	国际贸易	62.400000	80.0	65.00	90.0	78.00	True
7	2020844008	韩天	18	男	国际贸易	96.250000	91.0	85.00	97.0	98.00	True
8	2020844009	刘玉	18	女	国际贸易	89.050000	91.4	80.32	100.0	93.32	True
9	2020844010	谢亚鹏	18	男	市场营销	70.500000	85.2	60.00	90.0	73.00	True
10	2020844011	娄天楠	18	男	市场营销	58.800000	84.6	60.00	NaN	73.00	True
11	2020844012	唐喆	18	男	市场营销	80.233333	87.4	64.00	100.0	77.00	True
12	2020844013	史昀	18	男	市场营销	82.733333	82.2	73.32	100.0	86.32	True
13	2020844014	刘欣语	18	男	市场营销	48.718333	83.8	86.00	80.0	99.00	True
14	2020844015	王同	18	男	市场营销	74.200000	92.2	92.00	100.0	115.00	True
15	2020844017	武天一	18	男	市场营销	73.216667	83.2	79.00	95.0	92.00	True
16	2020844018	张析	18	女	市场营销	82.750000	92.0	92.00	100.0	105.00	True
17	2020844019	陈雨涵	18	男	市场营销	95.200000	95.0	88.00	100.0	101.00	True
18	2020844020	张家齐	18	男	市场营销	95.450000	91.0	96.00	100.0	109.00	True
19	2020844021	李赫桐	18	男	会计学	88.276667	86.8	83.00	87.0	96.00	True
20	2020844022	关帅	18	NaN	会计学	90.000000	92.6	75.00	100.0	88.00	True
21	2020844023	刘嘉雯	18	男	会计学	89.575000	86.0	90.00	100.0	103.00	True
22	2020844024	刘浩天	18	男	会计学	85.100000	83.2	85.00	100.0	98.00	True
23	2020844025	刘宇	18	男	NaN	75.200000	85.6	76.00	100.0	89.00	True
24	2020844026	胡童	18	男	会计学	84.050000	86.0	91.00	100.0	119.00	True
25	2020844027	丁灿	18	男	会计学	88.750000	86.2	66.00	100.0	79.00	True
26	2020844028	郑武田	18	男	会计学	89.550000	87.4	91.00	NaN	104.00	True
27	2020844029	金耀	18	男	会计学	79.450000	87.2	68.00	100.0	81.00	True
28	2020844030	庞博	18	男	会计学	89.700000	92.0	92.00	100.0	105.00	True
29	2020848001	王春杨	18	女	会计学	88.100000	89.8	84.00	100.0	97.00	True
30	2020848002	陈小恬	18	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
31	2020848002	陈小恬	18	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
32	2020848002	陈小恬	18	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
33	2020848003	张淳	18	女	会计学	91.300000	92.2	81.32	100.0	94.32	True
34	2020848004	王佳琳	18	男	信息管理与信息系统	75.625000	91.0	93.00	100.0	106.00	True
35	2020848005	郑彤	18	女	信息管理与信息系统	88.900000	90.0	78.00	100.0	91.00	True
36	2020848006	张鹤同	18	男	信息管理与信息系统	89.750000	88.8	82.50	100.0	95.50	True
37	2020848007	苏远	18	女	信息管理与信息系统	90.250000	89.2	79.32	68.0	92.32	True
38	2020848008	方雨桃	18	女	信息管理与信息系统	93.100000	86.2	83.00	100.0	96.00	True
39	2020848010	闫宇	18	男	信息管理与信息系统	86.033333	85.4	85.00	100.0	98.00	True
40	2020848011	张田田	18	女	信息管理与信息系统	91.200000	89.6	96.32	77.0	109.32	True
41	2020848013	曹一一	18	男	信息管理与信息系统	74.426667	86.8	83.32	100.0	96.32	True
42	2020848014	贾晶晶	18	女	NaN	84.450000	93.0	82.66	100.0	95.66	True
43	2020848015	贾淏文	18	男	信息管理与信息系统	46.675000	80.8	87.00	100.0	100.00	True
44	2020848016	杨帆	18	男	信息管理与信息系统	98.700000	87.6	95.00	NaN	108.00	True
45	2020848017	赵迎辰	18	NaN	信息管理与信息系统	82.250000	87.4	74.00	100.0	87.00	True
46	2020848018	郭晓舒	18	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00	True
47	2020848018	郭晓舒	18	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00	True
48	2020848019	张雨桐	18	女	金融学	79.150000	92.4	83.00	100.0	96.00	True
49	2020848020	孟德坤	18	女	金融学	83.450000	87.4	80.66	100.0	93.66	True
50	2020848021	王少祖	18	女	金融学	82.950000	91.6	78.00	90.0	91.00	True
51	2020848023	黄金雨	18	女	金融学	79.950000	89.8	86.00	100.0	99.00	True
52	2020848024	汤佳怡	18	女	金融学	86.600000	83.4	88.32	100.0	101.32	True
53	2020848027	热孜耶·买买提	18	女	金融学	92.700000	93.2	86.32	100.0	99.32	True
54	2020848028	奴热艾力·雪艾力	18	女	金融学	15.000000	75.0	63.32	100.0	76.32	True
55	2020848029	林可新	18	女	金融学	89.300000	87.4	95.00	100.0	108.00	True
56	2020848031	任旭	18	女	金融学	83.425000	85.4	71.66	100.0	84.66	True

#增加一行
df.loc[57]=["20200848045","王芳",10,"女","金融学",55,66,77,90,67,True]
df

	学号	姓名	年龄	性别	专业	英语	数学	Python	选修	管理学	团员否
0	2020802045	魏天	18	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00	True
1	2020844001	郭夏	18	男	国际贸易	91.050000	83.4	86.00	100.0	99.00	True
2	2020844002	王晓加	18	男	NaN	54.200000	83.4	74.00	NaN	90.00	True
3	2020844003	黄婷婷	18	女	国际贸易	87.800000	91.4	79.66	95.0	92.66	True
4	2020844004	赵小瑜	18	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66	True
5	2020844005	辛禧	18	男	国际贸易	65.125000	88.6	68.00	80.0	81.00	True
6	2020844007	王晨	18	男	国际贸易	62.400000	80.0	65.00	90.0	78.00	True
7	2020844008	韩天	18	男	国际贸易	96.250000	91.0	85.00	97.0	98.00	True
8	2020844009	刘玉	18	女	国际贸易	89.050000	91.4	80.32	100.0	93.32	True
9	2020844010	谢亚鹏	18	男	市场营销	70.500000	85.2	60.00	90.0	73.00	True
10	2020844011	娄天楠	18	男	市场营销	58.800000	84.6	60.00	NaN	73.00	True
11	2020844012	唐喆	18	男	市场营销	80.233333	87.4	64.00	100.0	77.00	True
12	2020844013	史昀	18	男	市场营销	82.733333	82.2	73.32	100.0	86.32	True
13	2020844014	刘欣语	18	男	市场营销	48.718333	83.8	86.00	80.0	99.00	True
14	2020844015	王同	18	男	市场营销	74.200000	92.2	92.00	100.0	115.00	True
15	2020844017	武天一	18	男	市场营销	73.216667	83.2	79.00	95.0	92.00	True
16	2020844018	张析	18	女	市场营销	82.750000	92.0	92.00	100.0	105.00	True
17	2020844019	陈雨涵	18	男	市场营销	95.200000	95.0	88.00	100.0	101.00	True
18	2020844020	张家齐	18	男	市场营销	95.450000	91.0	96.00	100.0	109.00	True
19	2020844021	李赫桐	18	男	会计学	88.276667	86.8	83.00	87.0	96.00	True
20	2020844022	关帅	18	NaN	会计学	90.000000	92.6	75.00	100.0	88.00	True
21	2020844023	刘嘉雯	18	男	会计学	89.575000	86.0	90.00	100.0	103.00	True
22	2020844024	刘浩天	18	男	会计学	85.100000	83.2	85.00	100.0	98.00	True
23	2020844025	刘宇	18	男	NaN	75.200000	85.6	76.00	100.0	89.00	True
24	2020844026	胡童	18	男	会计学	84.050000	86.0	91.00	100.0	119.00	True
25	2020844027	丁灿	18	男	会计学	88.750000	86.2	66.00	100.0	79.00	True
26	2020844028	郑武田	18	男	会计学	89.550000	87.4	91.00	NaN	104.00	True
27	2020844029	金耀	18	男	会计学	79.450000	87.2	68.00	100.0	81.00	True
28	2020844030	庞博	18	男	会计学	89.700000	92.0	92.00	100.0	105.00	True
29	2020848001	王春杨	18	女	会计学	88.100000	89.8	84.00	100.0	97.00	True
30	2020848002	陈小恬	18	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
31	2020848002	陈小恬	18	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
32	2020848002	陈小恬	18	女	会计学	83.750000	94.8	89.00	100.0	102.00	True
33	2020848003	张淳	18	女	会计学	91.300000	92.2	81.32	100.0	94.32	True
34	2020848004	王佳琳	18	男	信息管理与信息系统	75.625000	91.0	93.00	100.0	106.00	True
35	2020848005	郑彤	18	女	信息管理与信息系统	88.900000	90.0	78.00	100.0	91.00	True
36	2020848006	张鹤同	18	男	信息管理与信息系统	89.750000	88.8	82.50	100.0	95.50	True
37	2020848007	苏远	18	女	信息管理与信息系统	90.250000	89.2	79.32	68.0	92.32	True
38	2020848008	方雨桃	18	女	信息管理与信息系统	93.100000	86.2	83.00	100.0	96.00	True
39	2020848010	闫宇	18	男	信息管理与信息系统	86.033333	85.4	85.00	100.0	98.00	True
40	2020848011	张田田	18	女	信息管理与信息系统	91.200000	89.6	96.32	77.0	109.32	True
41	2020848013	曹一一	18	男	信息管理与信息系统	74.426667	86.8	83.32	100.0	96.32	True
42	2020848014	贾晶晶	18	女	NaN	84.450000	93.0	82.66	100.0	95.66	True
43	2020848015	贾淏文	18	男	信息管理与信息系统	46.675000	80.8	87.00	100.0	100.00	True
44	2020848016	杨帆	18	男	信息管理与信息系统	98.700000	87.6	95.00	NaN	108.00	True
45	2020848017	赵迎辰	18	NaN	信息管理与信息系统	82.250000	87.4	74.00	100.0	87.00	True
46	2020848018	郭晓舒	18	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00	True
47	2020848018	郭晓舒	18	男	信息管理与信息系统	82.500000	83.8	73.00	90.0	86.00	True
48	2020848019	张雨桐	18	女	金融学	79.150000	92.4	83.00	100.0	96.00	True
49	2020848020	孟德坤	18	女	金融学	83.450000	87.4	80.66	100.0	93.66	True
50	2020848021	王少祖	18	女	金融学	82.950000	91.6	78.00	90.0	91.00	True
51	2020848023	黄金雨	18	女	金融学	79.950000	89.8	86.00	100.0	99.00	True
52	2020848024	汤佳怡	18	女	金融学	86.600000	83.4	88.32	100.0	101.32	True
53	2020848027	热孜耶·买买提	18	女	金融学	92.700000	93.2	86.32	100.0	99.32	True
54	2020848028	奴热艾力·雪艾力	18	女	金融学	15.000000	75.0	63.32	100.0	76.32	True
55	2020848029	林可新	18	女	金融学	89.300000	87.4	95.00	100.0	108.00	True
56	2020848031	任旭	18	女	金融学	83.425000	85.4	71.66	100.0	84.66	True
57	20200848045	王芳	10	女	金融学	55.000000	66.0	77.00	90.0	67.00	True

#增加多行
df1=df[["学号","姓名","专业"]][:10]
df.append(df1.iloc[:10,])

D:\anacoda\anzhuang\lib\site-packages\pandas\core\frame.py:6211: FutureWarning: Sorting because non-concatenation axis is not aligned. A future version
of pandas will change to not sort by default.

To accept the future behavior, pass 'sort=False'.

To retain the current behavior and silence the warning, pass 'sort=True'.

  sort=sort)

	Python	专业	团员否	姓名	学号	年龄	性别	数学	管理学	英语	选修
0	93.00	信息管理与信息系统	True	魏天	2020802045	18.0	男	90.8	106.00	67.116667	95.0
1	86.00	国际贸易	True	郭夏	2020844001	18.0	男	83.4	99.00	91.050000	100.0
2	74.00	NaN	True	王晓加	2020844002	18.0	男	83.4	90.00	54.200000	NaN
3	79.66	国际贸易	True	黄婷婷	2020844003	18.0	女	91.4	92.66	87.800000	95.0
4	84.66	国际贸易	True	赵小瑜	2020844004	18.0	NaN	82.2	97.66	61.150000	100.0
5	68.00	国际贸易	True	辛禧	2020844005	18.0	男	88.6	81.00	65.125000	80.0
6	65.00	国际贸易	True	王晨	2020844007	18.0	男	80.0	78.00	62.400000	90.0
7	85.00	国际贸易	True	韩天	2020844008	18.0	男	91.0	98.00	96.250000	97.0
8	80.32	国际贸易	True	刘玉	2020844009	18.0	女	91.4	93.32	89.050000	100.0
9	60.00	市场营销	True	谢亚鹏	2020844010	18.0	男	85.2	73.00	70.500000	90.0
10	60.00	市场营销	True	娄天楠	2020844011	18.0	男	84.6	73.00	58.800000	NaN
11	64.00	市场营销	True	唐喆	2020844012	18.0	男	87.4	77.00	80.233333	100.0
12	73.32	市场营销	True	史昀	2020844013	18.0	男	82.2	86.32	82.733333	100.0
13	86.00	市场营销	True	刘欣语	2020844014	18.0	男	83.8	99.00	48.718333	80.0
14	92.00	市场营销	True	王同	2020844015	18.0	男	92.2	115.00	74.200000	100.0
15	79.00	市场营销	True	武天一	2020844017	18.0	男	83.2	92.00	73.216667	95.0
16	92.00	市场营销	True	张析	2020844018	18.0	女	92.0	105.00	82.750000	100.0
17	88.00	市场营销	True	陈雨涵	2020844019	18.0	男	95.0	101.00	95.200000	100.0
18	96.00	市场营销	True	张家齐	2020844020	18.0	男	91.0	109.00	95.450000	100.0
19	83.00	会计学	True	李赫桐	2020844021	18.0	男	86.8	96.00	88.276667	87.0
20	75.00	会计学	True	关帅	2020844022	18.0	NaN	92.6	88.00	90.000000	100.0
21	90.00	会计学	True	刘嘉雯	2020844023	18.0	男	86.0	103.00	89.575000	100.0
22	85.00	会计学	True	刘浩天	2020844024	18.0	男	83.2	98.00	85.100000	100.0
23	76.00	NaN	True	刘宇	2020844025	18.0	男	85.6	89.00	75.200000	100.0
24	91.00	会计学	True	胡童	2020844026	18.0	男	86.0	119.00	84.050000	100.0
25	66.00	会计学	True	丁灿	2020844027	18.0	男	86.2	79.00	88.750000	100.0
26	91.00	会计学	True	郑武田	2020844028	18.0	男	87.4	104.00	89.550000	NaN
27	68.00	会计学	True	金耀	2020844029	18.0	男	87.2	81.00	79.450000	100.0
28	92.00	会计学	True	庞博	2020844030	18.0	男	92.0	105.00	89.700000	100.0
29	84.00	会计学	True	王春杨	2020848001	18.0	女	89.8	97.00	88.100000	100.0
...	...	...	...	...	...	...	...	...	...	...	...
38	83.00	信息管理与信息系统	True	方雨桃	2020848008	18.0	女	86.2	96.00	93.100000	100.0
39	85.00	信息管理与信息系统	True	闫宇	2020848010	18.0	男	85.4	98.00	86.033333	100.0
40	96.32	信息管理与信息系统	True	张田田	2020848011	18.0	女	89.6	109.32	91.200000	77.0
41	83.32	信息管理与信息系统	True	曹一一	2020848013	18.0	男	86.8	96.32	74.426667	100.0
42	82.66	NaN	True	贾晶晶	2020848014	18.0	女	93.0	95.66	84.450000	100.0
43	87.00	信息管理与信息系统	True	贾淏文	2020848015	18.0	男	80.8	100.00	46.675000	100.0
44	95.00	信息管理与信息系统	True	杨帆	2020848016	18.0	男	87.6	108.00	98.700000	NaN
45	74.00	信息管理与信息系统	True	赵迎辰	2020848017	18.0	NaN	87.4	87.00	82.250000	100.0
46	73.00	信息管理与信息系统	True	郭晓舒	2020848018	18.0	男	83.8	86.00	82.500000	90.0
47	73.00	信息管理与信息系统	True	郭晓舒	2020848018	18.0	男	83.8	86.00	82.500000	90.0
48	83.00	金融学	True	张雨桐	2020848019	18.0	女	92.4	96.00	79.150000	100.0
49	80.66	金融学	True	孟德坤	2020848020	18.0	女	87.4	93.66	83.450000	100.0
50	78.00	金融学	True	王少祖	2020848021	18.0	女	91.6	91.00	82.950000	90.0
51	86.00	金融学	True	黄金雨	2020848023	18.0	女	89.8	99.00	79.950000	100.0
52	88.32	金融学	True	汤佳怡	2020848024	18.0	女	83.4	101.32	86.600000	100.0
53	86.32	金融学	True	热孜耶·买买提	2020848027	18.0	女	93.2	99.32	92.700000	100.0
54	63.32	金融学	True	奴热艾力·雪艾力	2020848028	18.0	女	75.0	76.32	15.000000	100.0
55	95.00	金融学	True	林可新	2020848029	18.0	女	87.4	108.00	89.300000	100.0
56	71.66	金融学	True	任旭	2020848031	18.0	女	85.4	84.66	83.425000	100.0
57	77.00	金融学	True	王芳	20200848045	10.0	女	66.0	67.00	55.000000	90.0
0	NaN	信息管理与信息系统	NaN	魏天	2020802045	NaN	NaN	NaN	NaN	NaN	NaN
1	NaN	国际贸易	NaN	郭夏	2020844001	NaN	NaN	NaN	NaN	NaN	NaN
2	NaN	NaN	NaN	王晓加	2020844002	NaN	NaN	NaN	NaN	NaN	NaN
3	NaN	国际贸易	NaN	黄婷婷	2020844003	NaN	NaN	NaN	NaN	NaN	NaN
4	NaN	国际贸易	NaN	赵小瑜	2020844004	NaN	NaN	NaN	NaN	NaN	NaN
5	NaN	国际贸易	NaN	辛禧	2020844005	NaN	NaN	NaN	NaN	NaN	NaN
6	NaN	国际贸易	NaN	王晨	2020844007	NaN	NaN	NaN	NaN	NaN	NaN
7	NaN	国际贸易	NaN	韩天	2020844008	NaN	NaN	NaN	NaN	NaN	NaN
8	NaN	国际贸易	NaN	刘玉	2020844009	NaN	NaN	NaN	NaN	NaN	NaN
9	NaN	市场营销	NaN	谢亚鹏	2020844010	NaN	NaN	NaN	NaN	NaN	NaN

68 rows × 11 columns

数据修改

#修改列
df["年龄"]=25
df

	学号	姓名	年龄	性别	专业	英语	数学	Python	选修	管理学	团员否
0	2020802045	魏天	25	男	信息管理与信息系统	67.116667	90.8	93.00	95.0	106.00	True
1	2020844001	郭夏	25	男	国际贸易	91.050000	83.4	86.00	100.0	99.00	True
2	2020844002	王晓加	25	男	NaN	54.200000	83.4	74.00	NaN	90.00	True
3	2020844003	黄婷婷	25	女	国际贸易	87.800000	91.4	79.66	95.0	92.66	True
4	2020844004	赵小瑜	25	NaN	国际贸易	61.150000	82.2	84.66	100.0	97.66	True
5	2020844005	辛禧	25	男	国际贸易	65.125000	88.6	68.00	80.0	81.00	True
6	2020844007	王晨	25	男	国际贸易	62.400000	80.0	65.00	90.0	78.00	True
7	2020844008	韩天	25	男	国际贸易	96.250000	91.0	85.00	97.0	98.00	True
8	2020844009	刘玉	25	女	国际贸易	89.050000	91.4	80.32	100.0	93.32	True
9	2020844010	谢亚鹏	25	男	市场营销	70.500000	85.2	60.00	90.0	73.00	True
10	2020844011	娄天楠	25	男	市场营销	58.800000	84.6	60.00	NaN	73.00	True
11	2020844012	唐喆	25	男	市场营销	80.233333	87.4	64.00	100.0	77.00	True
12	2020844013	史昀	25	男	市场营销	82.733333	82.2	73.32	100.0	86.32	True
13	2020844014	刘欣语	25	男	市场营销	48.718333	83.8	86.00	80.0	99.00	True
14	2020844015	王同	25	男	市场营销	74.200000	92.2	92.00	100.0	115.00	True
15	2020844017	武天一	25	男	市场营销	73.216667	83.2	79.00	95.0	92.00	True
16	2020844018	张析	25	女	市场营销	82.750000	92.0	92.00	100.0	105.00	True
17	2020844019	陈雨涵	25	男	市场营销	95.200000	95.0	88.00	100.0	101.00	True
18	2020844020	张家齐	25	男	市场营销	95.450000	91.0	96.00	100.0	109.00	True
19	2020844021	李赫桐	25	男	会计学	88.276667	86.8	83.00	87.0	96.00	True
20	2020844022	关帅	25	NaN	会计学	90.000000	92.6	75.00	100.0	88.00	True
21	2020844023	刘嘉雯	25	男	会计学	89.575000	86.0	90.00	100.0	103.00	True
22	2020844024	刘浩天	25	男	会计学	85.100000	83.2	85.00	100.0	98.00	True
23	2020844025	刘宇	25	男

长街395

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
0
评论
python-数据分析-pandas

4.1 pandas及其数据结构4.1.2Series数据结构及其创建第一种：通过标量创建Seriesimport pandas as pd s1=pd.Series(62)s10 62dtype: int64import pandas as pd s1=pd.Series(62,index=["x","y","z"])s1x 62y 62z 62dtype: int64第二种：通过列表创建Seriesimport pandas as pd
复制链接

扫一扫