【pandas】17 数据处理和绘图

【pandas】17 数据处理和绘图

2023.1.16 pandas数据处理方法和绘图：读取数据、更改数据、时间数据等
主要参考：https://mofanpy.com/tutorials/data-manipulation/pandas/time

17.1运算方法

17.1.1 筛选赋值运算

• 就是用前面的方法对数据进行筛选，然后对值进行一定的操作（对数据修改）

本章实例就是通过不同方法筛选出需要的位置，进行赋值

import pandas as pd
import numpy as np

data = np.arange(-12, 12).reshape((6, 4))
df = pd.DataFrame(
  data, 
  index=list("abcdef"), 
  columns=list("ABCD"))
df

	A	B	C	D
a	-12	-11	-10	-9
b	-8	-7	-6	-5
c	-4	-3	-2	-1
d	0	1	2	3
e	4	5	6	7
f	8	9	10	11

# 对A列*0操作
df["A"] *= 0
df

	A	B	C	D
a	0	-11	-10	-9
b	0	-7	-6	-5
c	0	-3	-2	-1
d	0	1	2	3
e	0	5	6	7
f	0	9	10	11

# 对（0，0），（1，0）位置重新导入值 用两种方法
# loc是索引，iloc是位置
df.loc['a','A']=100
df.iloc[1,0]=200
df

	A	B	C	D
a	100	-11	-10	-9
b	200	-7	-6	-5
c	0	-3	-2	-1
d	0	1	2	3
e	0	5	6	7
f	0	9	10	11

# 对a行都乘以2
df.iloc[0,:] *= 2
df

	A	B	C	D
a	200	-22	-20	-18
b	200	-7	-6	-5
c	0	-3	-2	-1
d	0	1	2	3
e	0	5	6	7
f	0	9	10	11

#对A列中是0的都选为1
df["A"][df["A"]==0]=1
df

	A	B	C	D
a	200	-22	-20	-18
b	200	-7	-6	-5
c	1	-3	-2	-1
d	1	1	2	3
e	1	5	6	7
f	1	9	10	11

17.1.2 apply

• 数据.apply(方程式，。。)：通过方程式的筛选选择，批量修改

df

	A	B	C	D
a	200	-22	-20	-18
b	200	-7	-6	-5
c	1	-3	-2	-1
d	1	1	2	3
e	1	5	6	7
f	1	9	10	11

# 做开2次方
df.apply(np.sqrt)

	A	B	C	D
a	14.142136	NaN	NaN	NaN
b	14.142136	NaN	NaN	NaN
c	1.000000	NaN	NaN	NaN
d	1.000000	1.000000	1.414214	1.732051
e	1.000000	2.236068	2.449490	2.645751
f	1.000000	3.000000	3.162278	3.316625

• 通过一个方程 返回了第一列的两倍 ;第二列-1

def func(x):
    return x[0] * 2, x[1] * -1

df.apply(func, axis=1, result_type='expand')

	0	1
a	400	22
b	400	7
c	2	3
d	2	-1
e	2	-5
f	2	-9

df.iloc[0]

A    200
B    -22
C    -20
D    -18
Name: a, dtype: int32

• result_type='expand'：让输出的结果可以生成多 column。如下：

def func(x):
    return x[0] * 2, x[1] * -1

df.apply(func, axis=1)

a    (400, 22)
b     (400, 7)
c       (2, 3)
d      (2, -1)
e      (2, -5)
f      (2, -9)
dtype: object

• 如果 reult_type="broadcast"，那么原 column 和 index 名会继承到新生成的数据中;没有的话本例column是0-3
• 因为广播，这个return必须凑齐colunm个数，即使没变化，也要写上，不然报错

print("df:\n",df)

def func(x):
    return x[0] * 2, x[1] * -1,x[2] ,x[3] 
print("-----")
print(df.apply(func, axis=1, result_type='expand'))
df.apply(func, axis=1, result_type='broadcast')

df:
      A   B   C   D
a  200 -22 -20 -18
b  200  -7  -6