python:pandas(2)

最新推荐文章于 2023-09-08 09:53:05 发布
最新推荐文章于 2023-09-08 09:53:05 发布
阅读量118 收藏
点赞数
文章标签： python 数据库 数据结构 pandas
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/winterhc/article/details/119891715
版权

  • 查询数据

Pandas 中提供了多种查询函数，方便我们的数据查询操作，我们需要查询的数据条件不同，所采用的操作也有所不同，总的来说，我们的查询条件可以为按单个值查询、按值列表查询、按值区间查询、按条件表达式查询和按函数查询五种查询的方式，接下来我们将以 loc () 查询函数为例，详细讲解每种查询的具体操作。

loc( ) 通过标签或布尔数字查询数据集 （推荐使用的查询方法）
iloc( ） 通过索引位来查询数据集
query( ) 通过布尔表达式查询数据列

loc () 的查询条件，可以使用 label 值，也可以使用布尔值，他丰富的传值方式，以及简洁的使用方式，成为 Pandas 数据查询较为常用的方法。
这里我们通过解析 Excel 数据文件，获得了数据，具体数据解析内容如下：

import pandas as pd
data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0

1. 按单个值查询
loc () 多个查询值的传递，第一个参数选择 index （行索引值，最左侧一列），第二个参数选择 column（列索引值，最上面一行），如果参数传错，查询时汇报索引值查找错误。

import pandas as pd
data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data.loc[1])
print(data.loc[1,'价格'])

编程语言    python
推出时间      1991
创始人        222
价格          67
Name: 1, dtype: object

67.0

2. 按列表查询
在 loc () 函数中，我们通过传入要查询的列表项，可以查询多个数据内容，返回的数据结果是 Series 数据结构或者 DataFrame 数据结构。

import pandas as pd
data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data.loc[[1,2,5],['编程语言','价格']])

     编程语言    价格
1  python  67.0
2       c  33.9
5     c++  75.0

3. 按区间查询
按区间查询主要用到了英文状态下的冒号 “:” ，冒号左侧是区间的开始位置，右侧是结束位置。

print(data.loc[0:5, ['编程语言', '价格']])
print(data.loc[0:5, '推出时间':'价格'])

     编程语言    价格
0    Java  45.6
1  python  67.0
2       c  33.9
3      js  59.5
4     php  69.9
5     c++  75.0
#这里的行索引我们传入的是区间 0:5，从结果中可以看到数据内容正是这 6 行的数据，其中是包含区间两端的值的。
   推出时间  创始人    价格
0  1995  111  45.6
1  1991  222  67.0
2  1927  333  33.9
3  1995  444  59.5
4  2012  555  69.9
5  1983  666  75.0

4. 按条件查询
按条件查询是查询数据符合一定条件的数据集，包括大于（>）、小于（<）、大于等于（>=）、小于等于（<=）、等于（==）、不等于（!=）等条件。

print(data.loc[data['价格']<60])

   编程语言  推出时间  创始人    价格
0  Java  1995  111  45.6
2     c  1927  333  33.9
3    js  1995  444  59.5

print(data.loc[(data['价格'] <= 69.9) & (data['推出时间'] == 1927)])

  编程语言  推出时间  创始人    价格
2    c  1927  333  33.9

5. 按函数查询
函数查询是在查询的参数中传入函数，查询使该函数返回为 True 的数据集。

print(data.loc[data['推出时间'].isin([1927,1995,1983])])

   编程语言  推出时间  创始人    价格
0  Java  1995  111  45.6
2     c  1927  333  33.9
3    js  1995  444  59.5
5   c++  1983  666  75.0

  • Pandas 新增数据

新增数据列：

1.直接新增数据列

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
data['new_colume'] = ['a', 'b', 'c', 'd', 'e', 'f']
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
     编程语言  推出时间  创始人    价格 new_colume
0    Java  1995  111  45.6          a
1  python  1991  222  67.0          b
2       c  1927  333  33.9          c
3      js  1995  444  59.5          d
4     php  2012  555  69.9          e
5     c++  1983  666  75.0          f

2.insert () 方法新增数据列

insert (loc, column, value, allow_duplicates=False)
loc 指定插入列的序号，从 0 开始
column 列索引名
value 插入的列数据
duplicates 是否允许插入已有的数据，如果为 False 插入重复数据会报错

data.insert(0, 'new', ['a', 'b', 'c', 'd', 'e', 'f'], allow_duplicates=False)
print(data)

  new    编程语言  推出时间  创始人    价格
0   a    Java  1995  111  45.6
1   b  python  1991  222  67.0
2   c       c  1927  333  33.9
3   d      js  1995  444  59.5
4   e     php  2012  555  69.9
5   f     c++  1983  666  75.0

data.insert(1, 'new', ['a', 'b', 'c', 'd', 'e', 'f'], allow_duplicates=False)
print(data)

     编程语言 new  推出时间  创始人    价格
0    Java   a  1995  111  45.6
1  python   b  1991  222  67.0
2       c   c  1927  333  33.9
3      js   d  1995  444  59.5
4     php   e  2012  555  69.9
5     c++   f  1983  666  75.0

新增数据行：

1.loc () 方法新增数据行

data.loc[6] = ['ss', 'dd', 23.1, 'ff']
print(data)

     编程语言  推出时间    创始人    价格
0    Java  1995  111.0  45.6
1  python  1991  222.0    67
2       c  1927  333.0  33.9
3      js  1995  444.0  59.5
4     php  2012  555.0  69.9
5     c++  1983  666.0    75
6      ss    dd   23.1    ff

这里可以看到在原数据的基础上新增了行索引为 6 的数据行。但这里要注意，如果行索引指定的是已存在行索引，则不会进行数据行的插入，而是替换了该数据行的数据值。
2. append () 方法新增数据行

append (other, ignore_index=False, verify_integrity=False) 是用来在数据表尾新增数据行，并返回新增后的数据对象，该方法不仅仅适用于 DataFrame 结构的数据，还可以用于 Series 数据的追加。
other 要添加的数据，可以是 Series、list、dict、dataframe 等等；
ignore_index 新增了数据后，会重新设置索引，忽略旧的索引；
verify_integrity 当为 True 时，如果和原数据的索引值相同，将会报错；

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
# 创建一个dataframe对象
data_new = pd.DataFrame([[99, 88, 77, 66], [55, 44, 33, 22]], columns=['编程语言', '推出时间', '价格', '创始人'])
# 使用append增加行
result_data = data.append(data_new)
print(result_data)
print(result_data.loc[0])

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
0      99    88   66  77.0
1      55    44   22  33.0
   编程语言  推出时间  创始人    价格
0  Java  1995  111  45.6
0    99    88   66  77.0

这里可以看到通过 append () 操作是将两个数据集进行行的合并，在 data 数据集的基础上，后面合并 data_new 数据行。这里的索引并不会产生冲突，因为我们没有设置 verify_integrity=True（默认的是为 False），如果我们设置了 ignore_index= True ，合并后生成的新的数据集索引值会重新排列，如下操作所示：

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
# 创建一个dataframe对象
data_new = pd.DataFrame([[99, 88, 77, 66], [55, 44, 33, 22]], columns=['编程语言', '推出时间', '价格', '创始人'])
# 使用append增加行
result_data = data.append(data_new,ignore_index=True)
print(result_data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
6      99    88   66  77.0
7      55    44   22  33.0

  • Pandas 删除数据

删除指定行或列：
1.删除指定行

drop (labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors=‘raise’)
labels 标签（行标签或者列标签）
axis 表示删除行（axis=0 默认）或者删除列（axis=1）
index 删除的行索引名
columns 删除的列索引名
inplace 指定删除是否要在原数据上进行操作，默认是 False

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
data_res = data.drop(labels=[1,3])
print(data_res)
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
   编程语言  推出时间  创始人    价格
0  Java  1995  111  45.6
2     c  1927  333  33.9
4   php  2012  555  69.9
5   c++  1983  666  75.0
     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0

这里值得注意的是：在执行删除操作后我们再次打印了原 data 数据集，通过输出可以看到，data 的数据并没有被影响到，还是完整的数据集。这里如果我们的 inplace 参数设置了 True，则对应的删除操作后，原数据就会被修改，通过下面的代码可以看到操作效果：

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
data_res = data.drop(labels=[1,3],inplace=True)
print(data_res)
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
None
   编程语言  推出时间  创始人    价格
0  Java  1995  111  45.6
2     c  1927  333  33.9
4   php  2012  555  69.9
5   c++  1983  666  75.0

这里可以看到 data_res 的输出结果为 None ，而 data 原数据集则被删除了 1 和 3 的索引行。这是因为当我们设置了 inplace=True 时，drop () 操作后就不会返回一个新的数据集，而是在原数据集的基础上进行了操作，在实际应用中，如果不是特别的需要，建议不要指定该参数为 True，不然会改变原有数据对其他的分析产生一定的影响。（inplace是参数，无论是删除行，列还是行和列，只要是用drop函数就可以通过令inplace=Ture改变原数据）

2.删除指定列

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
data_res = data.drop(labels=['推出时间','创始人'],axis=1)
print(data_res)
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
     编程语言    价格
0    Java  45.6
1  python  67.0
2       c  33.9
3      js  59.5
4     php  69.9
5     c++  75.0
     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0

同样设置inplace=Ture后，drop () 操作后就不会返回一个新的数据集，而是在原数据集的基础上进行了操作。

3.删除指定行和列

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
data_res = data.drop(index=4,columns=['价格'])
print(data_res)
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
     编程语言  推出时间  创始人
0    Java  1995  111
1  python  1991  222
2       c  1927  333
3      js  1995  444
5     c++  1983  666
     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0

删除特定数据的行：
这里我们讲的删除特定数据的行或列，其实并不是真正意义上的删除内容，而是通过数据条件的筛选过滤，得到一个新的数据集，从效果上看，也是去除了部分数据内容，达到了我们删除数据的实际需要。

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
data_res = data[data['价格']<50]
print(data_res)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
   编程语言  推出时间  创始人    价格
0  Java  1995  111  45.6
2     c  1927  333  33.9

  • Pandas 修改数据

修改索引值：

很多时候我们创建的数据，或者解析出来的数据，索引都是默认生成的，而我们为了方便数据的分析，需要对数据的行索引值或者列索引值进行修改，那这里
Pandas 中提供了一个函数 rename (self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None, errors=‘ignore’)，该函数通过灵活的参数设置，能够高效便捷的进行索引值的修改，下面我们列举了常用的几个参数说明：
mapper 这里是要传入的映射关系，可以是个字典或者函数
index 指定行索引
columns 指定列索引
axis 表示修改行索引（axis=0 默认）还是列索引（axis=1）
inplace 是否在原数据基础上修改，默认 inplace=False 会返回一个新的数据集

1.修改行索引

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
# 修改行索引
data_res = data.rename(index={0: 'aa', 2: 'bb', 3: 'dd'})
# data_res = data.rename({0: 'aa', 2: 'bb', 3: 'dd'},axis=0)和上面等价
print(data_res)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
      编程语言  推出时间  创始人    价格
aa    Java  1995  111  45.6
1   python  1991  222  67.0
bb       c  1927  333  33.9
dd      js  1995  444  59.5
4      php  2012  555  69.9
5      c++  1983  666  75.0

2.修改列索引

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
# 修改列索引
data_res = data.rename(columns={'编程语言': 'aa', '价格': 'bb'})
# data_res = data.rename({'编程语言': 'aa', '价格': 'bb'}, axis=1)和上面等价
print(data_res)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
       aa  推出时间  创始人    bb
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0

3.同时修改行和列索引

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
# 修改行和列索引
data_res = data.rename(index={0: 'aa', 2: 'bb', 3: 'dd'},columns={'编程语言': 'aa', '价格': 'bb'})
print(data_res)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
        aa  推出时间  创始人    bb
aa    Java  1995  111  45.6
1   python  1991  222  67.0
bb       c  1927  333  33.9
dd      js  1995  444  59.5
4      php  2012  555  69.9
5      c++  1983  666  75.0

修改数据值：

1.修改单个数据值

修改单个数据值，是通过查询函数获取到某个数据，然后修改这个数据的内容，可以用函数 at []、iat []、loc []、iloc []，但要注意不同的函数所传递参数的不同，下面我们列举这四个函数的不同之处：
loc[] 只能使用标签索引，不能使用整数索引，通过标签索引切边进行筛选时
iloc[] 只能使用整数索引，不能使用标签索引，通过整数索引切边进行筛选时
at[] 只能使用标签索引，使用时必须输入两个参数，即行索引和列索引
iat[] 只能使用整数索引，使用时必须输入两个参数，即行索引和列索引
虽然四种函数都能获取单个数据值，进而进行修改，但从运行速度上四种方法从高到底分别为： iat []、at []、iloc []、loc []，这里我们选择 iat [] 演示对单个数据值的修改操作。

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
# 对第2行，第3列修改数据
data.iat[1,2]=1234
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
     编程语言  推出时间   创始人    价格
0    Java  1995   111  45.6
1  python  1991  1234  67.0
2       c  1927   333  33.9
3      js  1995   444  59.5
4     php  2012   555  69.9
5     c++  1983   666  75.0

我们通过 iat [] 对第 2 行，第 3 列数据进行修改，通过输出结果可看到原数据值为 222，这里被修改 1234

2.修改某类数据值

有时候我们需要对数据集中的一类数据进行修改，比如我们要将所有的 “1995 年” 换成字符串 “2000 年”，这时我们就需要用到函数
replace (to_replace=None,value=None……），该函数的两个核心参数 to_replace 表示要被替换的数据，value 是替换后的数据，该函数修改后，会返回新的数据集，不会影响到原数据。

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
# 将所有的1995换成2020
new_data = data.replace(1995,2020)
print(new_data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
     编程语言  推出时间  创始人    价格
0    Java  2020  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  2020  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0

这里可以看到原数据中所有的 “1995 年” 都被改成了 “2000 年”。这里我们要被修改的值也可以传入列表的形式，指定多个被修改的数据值，如下面代码所示：

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)
# 将所有的1995换成2020
new_data = data.replace([1995,2012,1983],2020)
print(new_data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
     编程语言  推出时间  创始人    价格
0    Java  2020  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  2020  444  59.5
4     php  2020  555  69.9
5     c++  2020  666  75.0

3.修改某区域数据值

我们还可以对某些行或列的数据进行统一的修改操作，这里我们可以使用函数 loc () 或 iloc () ，只是要注意传入的参数不同。下面我们使用 iloc () 修改整行或整列的数据操作：

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)

# 这里我们创建了一个新的数据集
data_new = pd.DataFrame([["11", "22", "33.5", "44"], ["55", "66", "77.7", "88"]],
                        columns=["编程语言", "推出时间", "价格", "创始人"])

data.iloc[[0, 1]] = data_new
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
  编程语言  推出时间  创始人    价格
0   11    22   44  33.5
1   55    66   88  77.7
2    c  1927  333  33.9
3   js  1995  444  59.5
4  php  2012  555  69.9
5  c++  1983  666    75

我们创建了一个新的数据集，用来替换原数据第 1 行和第 2 行的数据，通过输出结果可以看到被修改后的数据集。

import pandas as pd

data_path = "C:/Users/Dell/Desktop/demo.xlsx"
data = pd.read_excel(data_path)
print(data)

new_series = pd.Series(['11','22','33','44','55','66'])
data.iloc[:,[1]]=new_series
print(data)

     编程语言  推出时间  创始人    价格
0    Java  1995  111  45.6
1  python  1991  222  67.0
2       c  1927  333  33.9
3      js  1995  444  59.5
4     php  2012  555  69.9
5     c++  1983  666  75.0
     编程语言 推出时间  创始人    价格
0    Java   11  111  45.6
1  python   22  222  67.0
2       c   33  333  33.9
3      js   44  444  59.5
4     php   55  555  69.9
5     c++   66  666  75.0

这里我们新建一个 Series 对象用来替换第二列的数据值，通过输出结果可以看到为我们第二列的数据值被修改的结果。

小结：

  • 查询数据：

loc () 查询函数
1.按单个值查询
2.按列表查询
3.按区间查询
4.按条件查询
5.按函数查询

  • 增加数据：

1.新增列
直接新增数据列
insert (loc, column, value, allow_duplicates=False) 函数
2.新增行
loc () 方法新增数据行
append (other, ignore_index=False, verify_integrity=False) 函数

  • 删除数据：

1.删除指定行列
drop (labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors=‘raise’) 函数
（删除行或列用labels和axis和inplace参数即可
删除行和列用index 和columns和inplace参数即可）
2.删除特定数据行列
data[data['价格']<50]

  • 修改数据：

1.修改索引值
rename (self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None, errors=‘ignore’)函数

2.修改数据值
修改单个数据值
iat [] 函数
修改某类数据值
replace (to_replace=None,value=None……）函数
修改某区域数据值
loc () 或 iloc () 函数

coming back
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python：Pandas 数据集
05-06
在Python的世界里，Pandas库是数据分析领域的重要工具，它为处理和分析结构化数据提供了强大的功能。Pandas数据集通常包含多个数据文件，比如CSV、Excel或JSON格式，用于学习和实践数据处理技巧。本篇文章将深入探讨...
python：pandas手册
10-01
python的pandas使用手册，但内容比较多，有些常用用法可参见“10 MINUTES TO PANDAS”这一章节
Python数据分析之Pandas-2
m0_54625820的博客
12-27 432
pandas 基本统计分析、数据透视
Python之Pandas（2）
weixin_38452632的博客
11-02 250
import numpy as np import pandas as pd In [36]: df = pd.DataFrame(np.random.rand(12).reshape(3,4)*100,index=['one','two','three'],columns = ['a','b','c','d']) #列索引 print(df['a']) print(df['b']) prin...
Python数据分析之pandas-2
m0_73665080的博客
09-08 64
数据透视
Python pandas 2.0 初探
DataShare
04-11 512
每门编程语言都有其独特的用途，目前python在数据科学方面发展的相对比较全面，大家目前也都喜欢使用python来处理数据、做模型开发等。python在数据处理方面离不开pandas库，该库在今年的4月3日发布了 2.0版更新，对底层进行了大量的重构以优化性能和稳定性。
【Python】Pandas 2.0来了～
fengdu78的博客
03-15 515
Pandas[1]是一个用于处理数据的Python库，在Python开发者中非常流行。相信你已经对他非常熟悉了。随着现在数据量越来越多，pandas的局限性也日渐凸显，在处理大数据时非常恼火，从而选择更加合适的工具，如pyspark等大数据处理框架。而 Pandas 2.0 也是朝着这个方向迈出的一步，接下来我们一起聊一聊Pandas增加和改进的内容。更快和更有效的内存操作本次最大的亮点可谓是他们...
Python-Pandas：Pandas数据处理笔记本
02-18
2. **数据导入与加载**：Pandas支持多种数据格式的读取，如CSV、Excel、SQL数据库等。例如，使用`pandas.read_csv()`可以方便地从CSV文件中加载数据到DataFrame。 3. **数据预处理**：在数据分析之前，通常需要进行...
python:pandas合并csv文件的方法(图书数据集成)
12-25
pandas读取csv文件，并进行csv文件合并处理： # -*- coding:utf-8 -*- import csv as csv import numpy as np # ------------- # csv读取表格数据 # ------------- ''' csv_file_object = csv.reader(c
python数据分析：Pandas库教程
最新发布
07-14
Pandas是一个强大的Python数据分析库，由Wes McKinney在2008年创建。它提供了高性能、易用的数据结构和数据分析工具，特别适合于处理表格数据。Pandas中最主要的数据结构是Series和DataFrame，它们使得数据处理和...
python初探——pandas使用
dnjylhv2296的博客
11-05 118
一、简介　　 　　pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法，pandas为时间序列分析提供了很好的支持。 二、数据结构 Series：一维数组，与Numpy中的一维array类似。二者与P...
数分-工具-Pandas2-pandas基础
yxyibb
08-24 378
(AI算法系列)
【Pandas】多种添加行列数据方法
weixin_46539246的博客
08-12 3万+
发现自己学习python 的各种库老是容易忘记，所有想利用这个平台，记录和分享一下学习时候的知识点，以后也能及时的复习，最近学习pandas，那我们来看看pandas添加数据的一些方法 创建一个beiy ...
Python 玩转数据 15 - Pandas 数据处理 拼接 pd.concat() axis join ignore_index verify_integrity
wumingxiaoyao的博客
12-31 5401
本文主要介绍 Pandas 数据拼接 pd.concat() **内容提要：** 数据拼接 pd.concat()举例 axis = 0 axis = 1 处理重复索引 ignore_index, verify_integrity 拼接 DataFrames 不同的列 join
Pandas 中Dataframe的 Insert函数详解
qq_39954916的博客
05-16 1万+
Dataframe.insert(loc,column,value,allow_duplicates=False): 在Dataframe的指定列中插入数据。 参数介绍： loc:int型，表示第几列；若在第一列插入数据，则 loc=0 column: 给插入的列取名，如 column='新的一列' value：数字，array，series等都可（可自己尝试） allow_duplicates: 是否允许列名重复，选择Ture表示...
【python】详解DataFrame中的插入函数df.insert
brucewong0516的博客
09-07 5万+
DataFrame.insert(loc, column, value, allow_duplicates=False)[source] Insert column into DataFrame at specified location. Raises a ValueError if column is already contained in the DataFrame, unless al...
Dataframe添加行、列的方法
01-24 4万+
在Pandas的DataFrame中添加一行或者一列，添加行有df.loc[]以及df.append()这两种方法，添加列有df[]和df.insert()两种方法， 下面对这几种方法的使用进行简单介绍。 一、添加行 添加一行，采用loc[]方法 # 构造一个空的dataframe import pandas as pd df = pd.DataFrame(columns=['name','number']) # 采用.loc的方法进行 df.loc[0]=['cat', 3] # 其中loc[
Pandas 中Dataframe数据插入： Insert函数 详解
热门推荐
W_weiying的博客
12-25 5万+
Dataframe.insert(loc, column, value, allow_duplicates=False): 在Dataframe的指定列中插入数据。 参数介绍：        loc:  int型，表示第几列；若在第一列插入数据，则 loc=0        column: 给插入的列取名，如 column='新的一列'        value：数字，array，seri...
Python2_Pandas库（数据读取）
weixin_42161333的博客
04-10 891
1.数据读取 import pandas food_info=pandas.read_csv("food_info.csv")#read_csv函数读取csv数据文件 print(type(food_info))#DataFrame是pandas的核心 print(food_info.dtypes)#该CSV文件的主要的数据类型 print(help(pandas.read_csv)) <...
精通Python数据分析：Pandas实战指南
本书《Learning Pandas》是关于掌握Python数据分析库Pandas的详细指南。Pandas是一个强大且高效的库，专为数据处理、分析和探索而设计。作者Michael Heydt通过这本书帮助读者深入理解Pandas库，从而能够更熟练地操作...

“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