Pandas--运算符与运算函数

最新推荐文章于 2024-05-01 23:00:48 发布
最新推荐文章于 2024-05-01 23:00:48 发布
阅读量672 收藏 2
点赞数
分类专栏： Python自学记录 文章标签： pandas python 开发语言
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_58736852/article/details/127353369
版权 
#!/usr/bin/env python
# -*- coding: utf-8 -*-

import pandas as pd

# 1.算术运算符
# 1.1 加法运算符
# 1.1.1 Series加法运算
s1 = pd.Series([1, 2, 3, 4, 5], index=list('abcde'))
s2 = pd.Series([6, 7, 8, 9, 10], index=list('abcde'))
print(s1 + s2)
# a     7
# b     9
# c    11
# d    13
# e    15
# dtype: int64

# 1.1.2 DataFrame加法运算
df1 = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]], index=list('abc'), columns=list('ABC'))
df2 = pd.DataFrame([[10, 20, 30], [40, 50, 60], [70, 80, 90]], index=list('abc'), columns=list('ABC'))
print(df1 + df2)
#     A   B   C
# a  11  22  33
# b  44  55  66
# c  77  88  99

# 1.2 减法运算符
# 1.2.1 Series减法运算
print(s1 - s2)
# a   -5
# b   -5
# c   -5
# d   -5
# e   -5
# dtype: int64

# 1.2.2 DataFrame减法运算
print(df1 - df2)
#    A   B   C
# a -9 -18 -27
# b -36 -45 -54
# c -63 -72 -81

# 1.3 乘法运算符
# 1.3.1 Series乘法运算
print(s1 * s2)
# a     6
# b    14
# c    24
# d    36
# e    50
# dtype: int64

# 1.3.2 DataFrame乘法运算
print(df1 * df2)
#      A    B    C
# a   10   40   90
# b  160  250  360
# c  490  640  810

# 1.4 除法运算符
# 1.4.1 Series除法运算
print(s1 / s2)
# a    0.166667
# b    0.285714
# c    0.375000
# d    0.444444
# e    0.500000
# dtype: float64

# 1.4.2 DataFrame除法运算
print(df1 / df2)
#           A         B         C
# a  0.100000  0.100000  0.100000
# b  0.100000  0.100000  0.100000
# c  0.100000  0.100000  0.100000

# 1.5 求余运算符
# 1.5.1 Series求余运算
print(s1 % s2)
# a    1
# b    2
# c    3
# d    4
# e    5
# dtype: int64

# 1.5.2 DataFrame求余运算
print(df1 % df2)
#    A   B   C
# a  1   2   3
# b  4   5   6
# c  7   8   9

# 1.6 求幂运算符
# 1.6.1 Series求幂运算
print(s1 ** s2)
# a             1
# b           128
# c          6561
# d        262144
# e      9765625
# dtype: int64

# 1.6.2 DataFrame求幂运算
print(df1 ** df2)
#             A           B           C
# a           1         1024     5904900
# b  1099511627776  97656250000  2176782336
# c  576650390625  85899345920  3486784401

# 2.比较运算符
# 2.1 Series比较运算
print(s1 > s2)
# a    False
# b    False
# c    False
# d    False
# e    False
# dtype: bool

# 2.2 DataFrame比较运算
print(df1 > df2)
#       A      B      C
# a  False  False  False
# b  False  False  False
# c  False  False  False
    
# 3.逻辑运算符
# 3.1 Series逻辑运算
print(s1 & s2)
# a     True
# b     True
# c     True
# d     True
# e     True
# dtype: bool

# 3.2 DataFrame逻辑运算
print(df1 & df2)
#       A      B      C
# a  True   True   True
# b  True   True   True
# c  True   True   True

# 4.运算函数
# 4.1 Series运算函数
# 4.1.1 Series求和运算
print(s1.sum())
# 15

# 4.1.2 Series求平均值运算
print(s1.mean())
# 3.0

# 4.1.3 Series求最大值运算
print(s1.max())
# 5

# 4.1.4 Series求最小值运算
print(s1.min())
# 1

# 4.1.5 Series求中位数运算
print(s1.median())
# 3.0

# 4.1.6 Series求标准差运算
print(s1.std())
# 1.4142135623730951

# 4.1.7 Series求方差运算
print(s1.var())
# 2.0

# 4.1.8 Series求绝对值运算
print(s1.abs())
# a    1
# b    2
# c    3
# d    4
# e    5
# dtype: int64

# 4.1.9 Series求累加运算
print(s1.cumsum())
# a     1
# b     3
# c     6
# d    10
# e    15
# dtype: int64

# 4.1.10 Series求累乘运算
print(s1.cumprod())
# a      1
# b      2
# c      6
# d     24
# e    120
# dtype: int64

# 4.1.11 Series求累差运算
print(s1.diff())
# a    NaN
# b    1.0
# c    1.0
# d    1.0
# e    1.0
# dtype: float64

# 4.1.12 Series求累积百分比运算
print(s1.pct_change())
# a         NaN
# b    1.000000
# c    0.500000
# d    0.333333
# e    0.250000
# dtype: float64

# 4.2 DataFrame运算函数
# 4.2.1 DataFrame求和运算
print(df1.sum())
# A    6
# B    15
# C    28
# dtype: int64
    
# 4.2.2 DataFrame求平均值运算
print(df1.mean())
# A    2.0
# B    5.0
# C    9.333333
# dtype: float64

# 4.2.3 DataFrame求最大值运算
print(df1.max())
# A    3
# B    6
# C    9
# dtype: int64

# 4.2.4 DataFrame求最小值运算
print(df1.min())
# A    1
# B    2
# C    3
# dtype: int64

# 4.2.5 DataFrame求中位数运算
print(df1.median())
# A    2.0
# B    5.0
# C    8.0
# dtype: float64

# 4.2.6 DataFrame求标准差运算
print(df1.std())
# A    1.0
# B    1.0
# C    1.0
# dtype: float64

# 4.2.7 DataFrame求方差运算
print(df1.var())
# A    1.0
# B    1.0
# C    1.0
# dtype: float64

# 4.2.8 DataFrame求绝对值运算
print(df1.abs())
#    A  B  C
# a  1  2  3
# b  2  4  6
# c  3  6  9

# 4.2.9 DataFrame求累加运算
print(df1.cumsum())
#    A   B   C
# a  1   2   3
# b  3   6   9
# c  6  12  18

# 4.2.10 DataFrame求累乘运算
print(df1.cumprod())
#    A   B    C
# a  1   2    3
# b  2   8   18
# c  6  48  162

# 4.2.11 DataFrame求累差运算
print(df1.diff())
#      A    B    C
# a  NaN  NaN  NaN
# b  1.0  2.0  3.0
# c  1.0  2.0  3.0

# 4.2.12 DataFrame求累积百分比运算
print(df1.pct_change())
#      A    B    C
# a  NaN  NaN  NaN
# b  1.0  1.0  1.0
# c  0.5  0.5  0.5

# 5.排序函数
# 5.1 Series排序函数
# 5.1.1 Series排序
print(s1.sort_values())
# a    1
# b    2
# c    3
# d    4
# e    5
# dtype: int64

# 5.1.2 Series降序排序
print(s1.sort_values(ascending=False))
# e    5
# d    4
# c    3
# b    2
# a    1
# dtype: int64
    
# 5.1.3 Series根据索引排序
print(s1.sort_index())
# a    1
# b    2
# c    3
# d    4
# e    5
# dtype: int64

# 5.1.4 Series根据索引降序排序
print(s1.sort_index(ascending=False))
# e    5
# d    4
# c    3
# b    2
# a    1
# dtype: int64
    
# 5.2 DataFrame排序函数
# 5.2.1 DataFrame排序
print(df1.sort_values(by='A'))
#    A  B  C
# a  1  2  3
# b  2  4  6
# c  3  6  9

# 5.2.2 DataFrame降序排序
print(df1.sort_values(by='A',ascending=False))
#    A  B  C
# c  3  6  9
# b  2  4  6
# a  1  2  3

# 5.2.3 DataFrame根据索引排序
print(df1.sort_index())
#    A  B  C
# a  1  2  3
# b  2  4  6
# c  3  6  9

# 5.2.4 DataFrame根据索引降序排序
print(df1.sort_index(ascending=False))
#    A  B  C
# c  3  6  9
# b  2  4  6
# a  1  2  3

# 6.统计函数
# 6.1 Series统计函数
# 6.1.1 Series求和运算
print(s1.sum())
# 15
    
# 6.1.2 Series求平均值运算
print(s1.mean())
# 3.0

# 6.1.3 Series求最大值运算
print(s1.max())
# 5

# 6.1.4 Series求最小值运算
print(s1.min())
# 1

# 6.1.5 Series求中位数运算
print(s1.median())
# 3.0

# 6.1.6 Series求标准差运算
print(s1.std())
# 1.4142135623730951

# 6.1.7 Series求方差运算
print(s1.var())
# 2.0

# 6.1.8 Series求绝对值运算
print(s1.abs())
# a    1
# b    2
# c    3
# d    4
# e    5
# dtype: int64

# 6.1.9 Series求累加运算
print(s1.cumsum())
# a     1
# b     3
# c     6
# d    10
# e    15
# dtype: int64

# 6.1.10 Series求累乘运算
print(s1.cumprod())
# a      1
# b      2
# c      6
# d     24
# e    120
# dtype: int64

# 6.1.11 Series求累差运算
print(s1.diff())
# a    NaN
# b    1.0
# c    1.0
# d    1.0
# e    1.0
# dtype: float64

# 6.1.12 Series求累积百分比运算
print(s1.pct_change())
# a         NaN
# b    1.000000
# c    0.500000
# d    0.333333
# e    0.250000
# dtype: float64

# 6.2 DataFrame统计函数
# 6.2.1 DataFrame求和运算
print(df1.sum())
# A     6
# B    12
# C    18
# dtype: int64
    
# 6.2.2 DataFrame求平均值运算
print(df1.mean())
# A    2.0
# B    4.0
# C    6.0
# dtype: float64
    
# 6.2.3 DataFrame求最大值运算
print(df1.max())
# A    3
# B    6
# C    9
# dtype: int64

# 6.2.4 DataFrame求最小值运算
print(df1.min())
# A    1
# B    2
# C    3
# dtype: int64

# 6.2.5 DataFrame求中位数运算
print(df1.median())
# A    2.0
# B    4.0
# C    6.0
# dtype: float64
    
# 6.2.6 DataFrame求标准差运算
print(df1.std())
# A    1.0
# B    2.0
# C    3.0
# dtype: float64

# 6.2.7 DataFrame求方差运算
print(df1.var())
# A    1.0
# B    4.0
# C    9.0
# dtype: float64

# 6.2.8 DataFrame求绝对值运算
print(df1.abs())
#    A  B  C
# a  1  2  3
# b  2  4  6
# c  3  6  9

# 6.2.9 DataFrame求累加运算
print(df1.cumsum())
#    A   B   C
# a  1   2   3
# b  3   6   9
# c  6  12  18

# 6.2.10 DataFrame求累乘运算
print(df1.cumprod())
#    A   B   C
# a  1   2   3
# b  2   8  18
# c  6  48  162

# 6.2.11 DataFrame求累差运算
print(df1.diff())
#      A    B    C
# a  NaN  NaN  NaN
# b  1.0  2.0  3.0
# c  1.0  2.0  3.0

# 6.2.12 DataFrame求累积百分比运算
print(df1.pct_change())
#      A    B    C
# a  NaN  NaN  NaN
# b  1.0  1.0  1.0
# c  0.5  0.5  0.5

A088菠萝
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pandas dataframe选取某行或列做元素相乘
Cmmmmm丶的博客
10-08 1万+
dataframe整体做乘法时，不需要借助其他方法，直接a*b即可 >>> import pandas as pd >>> import numpy as np >>> a = pd.DataFrame([1,2,3]) >>> b = pd.DataFrame([2,5,3]) >>> a*b 0 0 2 1 10 2 9 但是，如果想要选取某行或某列做乘法，要使用loc方法，此时则会变成矩阵乘法
Pandas库--算术运算与常用函数
HenrikHolm555的博客
08-10 564
Pandas库--索引、选择器、指定元素赋值引入Pandas包算术运算数据排序统计计算与描述Pandas 数据读写读写.csv文件写入数据到.csv文件读取数据从.csv文件读写.xls/.xlsx文件写入数据到.xls/.xlsx文件案例练习新的甘特图功能，丰富你的文章 引入Pandas包 import pandas as pd 算术运算 Pandas进行数据运算时，会按照索引进行一一对应，对应后进行相应的算术运算，没有对齐的位置就会用NaN进行填充。 >>> list1=pd.Se
用Python中的Pandas处理数据（2）
09-01
在pandas中的数据判断处理关于数学运算的应用统计函数应用字符串处理技术日期时间处理数据分组处理数据合并处理数据合并处理
pandas的乘法
Ztomepic的博客
04-07 9155
今天有个刚学pandas的朋友问了我关于矩阵乘的问题，我发现自己好久没用pandas已经忘了。写代码试验后才想起来，记下笔记，防止又忘了。。 重点： 1.元素乘：df1*df2, df1.mul(df2) 2.矩阵乘：df1.dot(df2) a = np.array([[1, 2, 3], [4, 5, 6]]) b = np.array([[1,2], ...
Pandas Series的运算原来这么简单
最新发布
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
05-01 373
Series的运算主要包括加法、减法、乘法和除法等基本算术运算。这些运算通常是按照索引对应计算的，如果两个Series的索引不同，则结果中对应位置将填充为NaN（空值）。需要注意的是，在进行Series运算时，需要确保两个Series的索引是可对齐的，否则可能会导致意外的结果。如果两个Series的索引不同，可以使用Pandas的。注意：要想保留所有的 index，则需要使用 .add() 函数。适用于 NumPy 的数组运算也适用于 Series。如果索引不对应，则补 NaN。方法来进行索引对齐。
Pandas知识点-算术运算函数
weixin_43790276的博客
04-22 3650
Pandas知识点-算术运算函数
pandas加减乘除法
热门推荐
Mdd的博客
02-07 1万+
Pandas加减乘除法运算函数pandas与常数 运算函数 加：+、add 减：-、sub 乘：*、mul 除：/、div pandas与常数 a = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]],columns=['a', 'b', 'c'], index=['r1', 'r2', 'r3']) Out[54]: a b c r1 1 2 3 r2 4 5 6 r3 7 8 9 a.add(2) Out[85]:
pandas-1.1.0.tar.gz
02-14
2. 新增功能：Pandas 1.1.0引入了一些新的功能，如`DataFrame.query()`函数现在支持`~`运算符进行非匹配查询，这使得SQL风格的过滤更直观。此外，`pd.to_numeric()`现在可以将字符串列直接转换为数值类型，无需额外...
pandas DataFrame运算的实现
12-17
`pandas`提供了丰富的统计函数，可以方便地计算各种统计量。 - `describe()`：综合分析数据，返回包括计数、均值、标准差、最小值、最大值等的统计信息。 - `min()`, `max()`: 分别找到指定轴上的最小值和最大值。 ...
Pandas手册.pdf
02-03
Pandas 提供了多种逻辑运算符，例如 ==、!=、>、等。 * ==：相等判断，例如 `df.column == value` * !=：不相等判断，例如 `df.column != value` * >：大于判断，例如 `df.column > value` * 小于判断，例如 `df....
python-3.8.0.zip
12-05
- **walrus运算符（:=）**：Python 3.8引入了新的赋值与比较运算符，允许在条件表达式中赋值，提高了代码的简洁性。 - **类型注释改进**：类型注释现在可以在函数定义中更灵活地使用，如在参数和返回值中使用类型...
Python-关于python的面试题
08-10
- 第三方库：如Numpy用于科学计算，Pandas用于数据分析，Django和Flask用于Web开发。 熟悉以上知识点对于理解和解答Python面试题至关重要。在实际面试中，面试官可能会结合实际项目经验、问题解决能力以及对Python...
Python-各种速查表汇总集合
08-12
这个压缩包可能包含了一系列PDF或者Markdown格式的文档，涵盖了Python的各个方面，如基础语法、数据结构、控制流、函数、类、模块、错误与异常、标准库、第三方库以及一些高级特性如装饰器、生成器、上下文管理器等...
Python-全面Python编程速查表
08-10
这份速查表涵盖了从基础语法到高级特性的广泛内容，包括数据类型、控制结构、函数、模块、错误与异常处理、面向对象编程等。 **一、基础语法** 1. **变量与数据类型**：Python支持整型（int）、浮点型（float）、...
pandas_challenge:熊猫功课-Pymoli英雄
03-05
4. 数据操作：使用Pandas的算术运算符（+、-、*、/等）进行列间的计算，merge()和concat()用于合并数据，groupby()进行分组聚合，pivot_table()创建透视表。 5. 数据筛选与排序：使用条件筛选（loc[]和iloc[]）选择...
Python-Python编程语言GitHub官方仓库
08-12
4. **除法运算符改变**：Python 3.x中，`/` 运算符总是执行浮点除法，而 `//` 执行整数除法，这与Python 2.x的行为不同。 5. **异常处理**：异常处理的语法有所调整，Python 3.x中需要使用as关键字来指定异常变量，...
【pandas算术运算与逻辑运算入门指南】
武帝为此的博客
01-27 529
除了Series，Pandas还提供了DataFrame数据结构，它类似于二维表格，可以进行各种复杂的算术运算。Pandas的核心数据结构之一是Series，它类似于一维数组，可以进行各种算术运算。Pandas还提供了丰富的逻辑运算功能，用于筛选和处理数据。
pandas笔记（7）DataFrame数学运算
weixin_44830542的博客
08-28 5108
数据运算 1. 运算 加运算 整体增加一个值 import numpy as np import pandas as pd df = pd.DataFrame(np.arange(16).reshape((4,4)),index = list('abcd'),columns=['A','B','C','D']) # 返回 A B C D a 0 1 2 3 b 4 5 6 7 c 8 9 10 11 d 12 13 14 15 '''令每个值均加5''' df+5 # 返回 A B
Pandas（一）—— Pandas基础
share16的博客
05-07 2468
Pandas（一）： Pandas基础
Pandas入门教程：创建Series与DataFrame详解
2. `import numpy as np`: Numpy是数值计算的基础库，pandas与之紧密集成，用于处理大型多维数组和矩阵操作。 3. `import matplotlib.pyplot as plt`: Matplotlib是数据可视化的主要库，pandas中的DataFrame可以轻松...
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