Pandas包的DataFrame结构在切片时传给变量的并非形参

最新推荐文章于 2025-01-16 23:40:02 发布
最新推荐文章于 2025-01-16 23:40:02 发布
阅读量405 收藏 8
点赞数 8
文章标签： pandas 机器学习 人工智能
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_73049509/article/details/136378469
版权
本文探讨了在使用Python的pandas库中的DataFrame时，iloc和loc切片方法的区别。作者指出，传入的不是数据的副本，而是数据结构的一部分，因此对切片的修改会影响到原DataFrame。
摘要由CSDN通过智能技术生成

这是一个DataFrame类型的矩阵：

接下来，使用iloc（即物理索引定位，DataFrame还有一个loc，loc是逻辑索引定位）进行切片

然后对切片的数据进行更改：

再次打印原有的DataFrame,发现原有的DataFrame上的数据也发生了变化：

       由此推断出，DataFrame数据结构切片时传给变量的并非副本数据，而是隐藏了被切掉的数据部分的DataFrame本身

python编程过程中DataFrame修改特定单元格值后原数据不变的一个解决方案
yichao0630的博客
04-19 8072
最近在参加了一个比赛，里面设计到数据清洗的工作，需要对一些异常值作出修改，往常我都是这样操作的 df[condition]['column'].iloc[0:3] = ...... 或者 df[condition]['column'][0:3] = ...... 里面condition代表满足条件的逻辑表达式，column表示列名 一般还是管用的，但偶尔会出现错误，就是运行以后单元格并没有被成功...
pandas的dataFrame传入函数后发生了变化以及拷贝问题
Kairey的编程学习博客
10-03 2193
今天发现，全局定义的pandas的DataFrame被传入到函数中的时候，如果函数改变了slice，比如df.loc[…] = x，全局变量df也会跟着变。险些造成错误计算，幸好发现及时。这里探讨一下这个问题的规避方法。使用的dataframe很大的情况下，复制列，在复制的列上进行想要的操作，如果很小，使用df.copy()首先是实验环节：定义dataframe。
dataframe 切片_Pandas切片操作：很容易忽视的SettingWithCopyWarning
weixin_39961522的博客
11-29 336
Pandas是一个强大的分析结构化数据的工具集，主要用于数据挖掘和数据分析，同时也提供数据清洗功能。很多初学者在数据的选取，修改和切片时经常面临一些困惑。这是因为Pandas提供了太多方法可以做同样的事情，方法选择不当，可能导致一些意想不到的错误。Pandas切片Pandas数据访问方式包括：df[] ,.at,.iat,.loc,.iloc(之前有ix方法，pandas1.0之后已被移除)df[...
Pandas Dataframe 的 loc与iloc 区别与示例
weixin_52020016的博客
01-13 797
在 Pandas 中，DataFrame 有两种主要的索引方式：隐式整数索引和行、列标签索引。默认情况下，Pandas 会为 DataFrame 分配从 0 开始的整数索引。这是 DataFrame 的默认索引方式
【数据分析】Pandas_DataFrame读写详解：案例解析（第24天）
syhiiu的博客
07-03 817
本文主要详解了Pandas_DataFrame的读写。案例解析。
Pandas | 数据类型及基本操作（Series & DataFrame）
RichardsZ_的博客
09-25 5388
Series 一维数据结构，数据呈单列，索引为行 import pandas as pd import numpy as np s = pd.Series([18,20,25]) pandas会默认用0到n-1来作为Series的index，但是我们也可以自己指定index。index我们可以把它理解为dict里面的key。 s = pd.Series([18,20,25], index = ['张三','李四','王五']) #等同于上式pd.Series([18,20,25], index =
数据可视化学习笔记【二】（pandas包）
CSJ_CH3COOK的博客
02-05 346
数据可视化学习笔记（pandas包） pandas包的导入： import pandas as pd Cpt 1. 数据的索引 & Series、DataFrame数据结构： pd.Series() 以及 pd.DataFrame()，注意要大写首字母。 Series数据结构： 使用自带的索引：（则索引值与列表的索引相同，个人感觉相当于使用 enumerate 函数） data = pd...
pandas基本使用（一）
ErnestW的博客
12-23 797
相当于Excel中的一个Sheet表。 创建方法 典类型读取到DataFrame（dict to DataFrame） 方法一： 直接使用pd.DataFrame(data=test_dict)即可,括号中的data=写不写都可以，具体如下： test_dict = {'id':[1,2,3,4,5,6],'name':['Alice','Bob','Cindy','Eric','Helen','Grace '],'math':[90,89,99,78,97,93],'english':[89,94,80,
pandas，polars，pyspark的df对象常见用法对比
weixin_46277779的博客
04-03 1586
pandas，pyspark，polars的常见用法对比，切片筛选分组排序合并连接.....
800道Python习题，花了一个月终于整理出来了，挑战一下自己能做对多少题
热门推荐
轻松学python的博客
04-21 1万+
文章目录序言话不多说我们直接开始把！一、填空题二、判断题三、问答题 序言 最近沉寂的太久了，只为了给大家准备这一套试题，这大概是全网最全面的了，各位学这么久Python，检验学习成果的时间到了！！ 话不多说我们直接开始把！
python进阶5 -- pandas常用操作
wkh7717的博客
06-12 400
pandas创建数据 创建一个Series 传递一个list对象来创建一个Series，pandas 会默认创建整型索引 import pandas as pd import numpy as np s = pd.Series([1,3,5,np.nan,6,8]) 创建DataFrame #默认创建整型索引 data = pd.DataFramep(np.random(6,4), colum...
Pandas超全总结
qq_28239411的博客
05-19 1061
Pandas对象简介 可以把Pandas看成增强版的NumPy结构化数组，行列都不再只是简单的整数索引，还可以带上标签。Pandas有三个基本数据结构：Series、DataFrame、Index。 Series Pandas的Series对象是一个带索引数据构成的一维数组。可以用一个数组创建Series对象： >>> import numpy as np >>> import pandas as pd >>> data = pd.Series([0.2
Python从入门到熟练
ye_yumo的博客
12-27 1770
这里只做最最基础的介绍，之后讲到容器时会具体介绍def 函数名(传入参数) : 函数体 return 返回值定义是这样的，调用就是直接写函数名称和你需要传入的参数即可参数和返回值如果不需要是可以省略，需要注意的是函数必须要先定义好才能使用以方括号作为表示，用逗号隔开，元素之间可以是不同的数据类型，支持嵌套，后面两种都是定义空列表的方式例如定义元组使用小括号，且使用逗号隔开各个数据，数据可以是不同的数据类型。
python与数据挖掘 上机实验_python数据挖掘实验报告1
weixin_42412324的博客
03-01 2717
python数据挖掘实验报告1python数据挖掘实验报告1实验内容及步骤(包含简要的实验步骤流程)1.使用Pandas_datareader获取任意两支股票近三个月的交易数据。做出收盘价的变动图像。2.使用Pandas_datareader获取世界银行数据库中美国(USA)、瑞典(SWE)、瑞士(CHE)三个国家近20年的NY.GDP.PCAP.KD数据，作图分析。3.对于泰坦尼克的数据集，试分...
【机器学习：二十二、机器学习项目开发的技巧】
最新发布
计算机领域博客，与时俱进的思想与技术。
01-16 470
误差分析是通过评估模型错误分类的样本，寻找改进模型的潜在方向的方法。数据是否均衡（类别分布是否偏斜）。模型是否对某些特定特征敏感（如特定词汇）。是否存在系统性错误（例如，将特定类型的正常邮件错误分类为垃圾邮件）。机器学习开发需要高度重视迭代和误差分析，结合项目需求逐步优化模型。通过规范化的流程，可以减少开发过程中的不确定性，提升模型性能。数据增强是通过对现有数据进行轻微变动（如旋转、裁剪、噪声注入等），生成新的数据样本的过程。通过模拟器或生成模型（如GAN）合成全新数据。
解密AIGC三大核心算法：GAN、Transformer、Diffusion Models原理与应用
BuluAI的博客
01-16 234
生成对抗网络（GAN）、Transformer和扩散模型（Diffusion Models）是AIGC技术发展的三大核心算法。它们各自具有独特的优势和挑战，在不同的应用场景中发挥着重要作用。随着技术的不断进步和创新，这三种算法将会在AIGC领域发挥越来越重要的作用，推动AIGC技术迈向更加广阔的应用前景。
【机器学习：十六、其他的激活函数】
计算机领域博客，与时俱进的思想与技术。
01-12 1023
输出范围为 (0, 1)，适合二分类问题。： Tanh 是 Sigmoid 的改进版本，其输出范围为 (-1, 1)，对称于原点，减少了非零中心问题。激活函数的选择直接影响模型的收敛速度和最终性能。ReLU 的简单计算和稀疏激活特性使其成为主流激活函数。：激活函数是神经网络的核心，选择得当能显著提升模型性能。Swish 在深度网络中性能优于 ReLU。： 更平滑的激活函数，适合高性能模型。
【机器学习】零售行业的智慧升级：机器学习驱动的精准营销与库存管理
2301_80350265的博客
01-12 2316
我的领域，希望能帮助到大家！！！在当今数字化浪潮汹涌澎湃的时代，零售行业正站在转型升级的十字路口。市场竞争的白热化使得企业必须另辟蹊径，方能在这片红海之中抢占先机。而机器学习，作为人工智能领域炙手可热的关键技术，宛如一把神奇的钥匙，悄然开启了零售行业智慧升级的大门，尤其在精准营销与库存管理两大核心板块，正释放出令人瞩目的变革力量。
机器学习模型调优指南
weixin_45423893的博客
01-12 1384
机器学习模型的超参数调优是优化模型性能和提高模型泛化能力的关键步骤。通过合理的调优，可以有效地提高模型的预测准确性，防止过拟合或欠拟合，并加快训练过程，从而提升整体工作效率。
理解pandas DataFrame：数据库表般的数据结构
在Python的pandas库中，DataFrame是一个强大的数据结构，它被设计用来处理和分析表格型数据，类似于关系型数据库中的表格。DataFrame的特点在于它具有行和列两个索引层次，允许我们以二维的方式组织数据，并且能够...
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