趣学Python数据分析：轴和索引

最新推荐文章于 2021-07-01 08:53:22 发布
最新推荐文章于 2021-07-01 08:53:22 发布
阅读量179 收藏
点赞数
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/xo3ylAF9kGs/article/details/89324673
版权

上一篇总结了Python数据处理包Pandas的DataFrame，介绍了Axes相关的属性和方法。文章的图形展示效果不是很友好，再换一种形式。


同时继续总结，数据框的访问相关的属性和方法。


01

轴(Axes) 相关

构造一个数据框

 
 
  1. In [1]: import datetime as dt

  3. In [3]: import pandas as pd

  5. In [4]: df = pd.DataFrame([[1,'gz',dt.date(2019,4,13)],[3,'lg',dt.date(2019,4,14
  6.    ...: )],[5,'jh',dt.date(2019,4,15)]])

  8. In [5]: df
  9. Out[5]: 
  10.  0 1 2
  11. 0 1 gz 2019-04-13
  12. 1 3 lg 2019-04-14
  13. 2 5 jh 2019-04-15
 
 
行、列索引
 
 
 
 
  1. In [6]: df.index  # 展示行索引
  2. Out[6]: RangeIndex(start=0, stop=3, step=1)

  4. In [7]: df.columns  # 展示列索引
  5. Out[7]: RangeIndex(start=0, stop=3, step=1)

  7. In [8]: df.columns=['id','nickname','register'] # 为列索引重新赋值

  9. In [9]: df
  10. Out[9]: 
  11.  id nickname register
  12. 0 1 gz 2019-04-13
  13. 1 3 lg 2019-04-14
  14. 2 5 jh 2019-04-15

  16. In [10]: df.index=['p1','p2','p3'] # 为行索引重新赋值

  18. In [11]: df
  19. Out[11]: 
  20.  id nickname register
  21. p1 1 gz 2019-04-13
  22. p2 3 lg 2019-04-14
  23. p3 5 jh 2019-04-15
 
 
行、列索引的类型，统计及筛选
 
 
 
 
  1. In [12]: df.dtypes  # 展示每列的数据类型
  2. Out[12]: 
  3. id int64
  4. nickname object
  5. register object
  6. dtype: object

  8. In [13]: df.ftypes   # 展示每列为稠密(dense)或者稀疏(sparse)
  9. Out[13]: 
  10. id           int64:dense
  11. nickname    object:dense
  12. register    object:dense
  13. dtype: object

  15. In [14]: df.get_dtype_counts()  # 统计列类型
  16. Out[14]: 
  17. int64 1
  18. object 2
  19. dtype: int64

  21. In [15]: df.select_dtypes(include=['int']) # 根据列类型(如为int,或者object)筛选数据
  22. Out[15]: 
  23.  id
  24. p1 1
  25. p2 3
  26. p3 5
 
 
整个数据框相关，沿着两个轴的数据统计
 
 
 
 
  1. In [16]: df.values  # 返回NumPy数据对象
  2. Out[16]: 
  3. array([[1, 'gz', datetime.date(2019, 4, 13)],
  4.  [3, 'lg', datetime.date(2019, 4, 14)],
  5.  [5, 'jh', datetime.date(2019, 4, 15)]], dtype=object)

  7. In [17]: df.get_values()  # 稀疏值转稠密后，返回NumPy数据对象
  8. Out[17]: 
  9. array([[1, 'gz', datetime.date(2019, 4, 13)],
  10.  [3, 'lg', datetime.date(2019, 4, 14)],
  11.  [5, 'jh', datetime.date(2019, 4, 15)]], dtype=object)

  13. In [18]: df.axes
  14. Out[18]: 
  15. [Index(['p1', 'p2', 'p3'], dtype='object'),
  16.  Index(['id', 'nickname', 'register'], dtype='object')]

  18. In [19]: df.size
  19. Out[19]: 9

  21. In [20]: df.ndim
  22. Out[20]: 2

  24. In [21]: df.shape
  25. Out[21]: (3, 3)
 
 
创建稠密列、稀疏列，查看类型，比较存储占用的空间
 
 
 
 
  1. In [22]: df.loc[:,'gender']=['Male',None,None] # 稠密列

  3. In [23]: df
  4. Out[23]: 
  5.  id nickname register gender
  6. p1 1 gz 2019-04-13 Male
  7. p2 3 lg 2019-04-14 None
  8. p3 5 jh 2019-04-15 None

  10. In [24]: dfspa = df.copy()                                                      

  12. In [25]: dfspa
  13. Out[25]: 
  14.  id nickname register gender
  15. p1 1 gz 2019-04-13 Male
  16. p2 3 lg 2019-04-14 None
  17. p3 5 jh 2019-04-15 None

  19. In [27]: dfspa.loc[:,'gender']=pd.SparseArray(['Male',None,None]) # 稀疏列

  21. In [28]: dfspa
  22. Out[28]: 
  23.  id nickname register gender
  24. p1 1 gz 2019-04-13 Male
  25. p2 3 lg 2019-04-14 NaN
  26. p3 5 jh 2019-04-15 NaN

  28. In [30]: dfspa.dtypes        # 查看稀疏列的类型
  29. Out[30]: 
  30. id int64
  31. nickname object
  32. register object
  33. gender Sparse[object, nan]
  34. dtype: object

  36. In [31]: df.dtypes
  37. Out[31]: 
  38. id int64
  39. nickname object
  40. register object
  41. gender object
  42. dtype: object

  44. In [32]: df.memory_usage()                                                      
  45. Out[32]: 
  46. Index 24
  47. id 24
  48. nickname 24
  49. register 24
  50. gender 24
  51. dtype: int64

  53. In [33]: dfspa.memory_usage()  # 稀疏列更加节省内存空间
  54. Out[33]: 
  55. Index 104
  56. id 24
  57. nickname 24
  58. register 24
  59. gender 12
  60. dtype: int64
 
 
判断数据框是否为空
 
 
 
 
  1. In [35]: df.empty
  2. Out[35]: False

  4. In [41]: dfemp = pd.DataFrame([])
  5. In [42]: dfemp
  6. Out[42]: 
  7. Empty DataFrame
  8. Columns: []
  9. Index: []

  11. In [43]: dfemp.empty
  12. Out[43]: True

  14. In [44]: dfemp = pd.DataFrame([[]],index=['a','b'])
  15. In [45]: dfemp
  16. Out[45]: 
  17. Empty DataFrame
  18. Columns: []
  19. Index: [a, b]
 
 

 
 
02
 
 
索引(Indexing) 相关
 
 
get访问
 
 

 
 
 
 
  1. In [47]: df                                                                     
  2. Out[47]: 
  3.  id nickname register gender
  4. p1 1 gz 2019-04-13 Male
  5. p2 3 lg 2019-04-14 None
  6. p3 5 jh 2019-04-15 None

  8. In [48]: df.get('id')
  9. Out[48]: 
  10. p1 1
  11. p2 3
  12. p3 5
  13. Name: id, dtype: int64

  15. In [53]: df.get('id').get('p2')
  16. Out[53]: 3
  17. In [54]: type(df.get('id').get('p2'))
  18. Out[54]: numpy.int64

  20. In [56]: df.get('id').get('p22') # 如果key不存在，返回默认值None
  21. In [62]: df.get('id').get('p22')==None # 验证
  22. Out[62]: True
 
 
item 返回原生Python对象
 
 
 
 
  1. In [52]: df.get('id').get('p2').item() # item返回Python原生对象
  2. Out[52]: 3
  3. In [55]: type(df.get('id').get('p2').item()) # 验证
  4. Out[55]: int
 
 
at , iat 访问单个值
 
 
 
 
  1. In [63]: df                                                                     
  2. Out[63]: 
  3.  id nickname register gender
  4. p1 1 gz 2019-04-13 Male
  5. p2 3 lg 2019-04-14 None
  6. p3 5 jh 2019-04-15 None

  8. In [64]: df.at['p3','register'] # at 通过行、列标签访问
  9. Out[64]: datetime.date(2019, 4, 15)

  11. In [65]: df['nickname'].at['p2']
  12. Out[65]: 'lg'

  14. # 如果访问的key不存在，抛出KeyError错误

  16. In [68]: df.iat[1,3] # 通过整数索引访问，像matlab那样访问数据 

  18. In [69]: df.iat[0,1]
  19. Out[69]: 'gz'

  21. In [70]: df.iat[2,2]
  22. Out[70]: datetime.date(2019, 4, 15)
 
 
loc, iloc 访问整行、整列
 
 
 
 
  1. In [71]: df                                                                     
  2. Out[71]: 
  3.  id nickname register gender
  4. p1 1 gz 2019-04-13 Male
  5. p2 3 lg 2019-04-14 None
  6. p3 5 jh 2019-04-15 None

  8. In [72]: df.loc['p3','nickname'] # 此种访问建议走at访问模式
  9. Out[72]: 'jh'

  11. In [73]: df.loc['p2'] # 行标签访问整行
  12. Out[73]: 
  13. id 3
  14. nickname lg
  15. register 2019-04-14
  16. gender None
  17. Name: p2, dtype: object

  19. In [74]: df.loc['nickname'] # 报错！

  21. In [75]: df.loc[:,'nickname']
  22. Out[75]: 
  23. p1 gz
  24. p2 lg
  25. p3 jh
  26. Name: nickname, dtype: object

  28. In [76]: df.iloc[2] # 访问行整数索引为2的行
  29. Out[76]: 
  30. id 5
  31. nickname jh
  32. register 2019-04-15
  33. gender None
  34. Name: p3, dtype: object

  36. In [77]: df.iloc[:,3] # 访问列整数索引为3的列
  37. Out[77]: 
  38. p1 Male
  39. p2 None
  40. p3 None
  41. Name: gender, dtype: object
 
 

 
 
03
 
 
好书每周送
 
 

 
 
它是Python数据分析领域最畅销的一本书，定价119元。这么一本含金量高的书，能免费包邮到家吗？ 能！并且，大家如果参与度高，我们每周都至少送1本。
 
 

 
 
感谢机械工业出版社的大力支持！
 
 

 
 
640?wx_fmt=png
 
 

 
 
640?wx_fmt=png
 
 
购买链接
 
 

 
 
在看或分享，留言：day几打卡+今日生活有何感悟。每周会从参与度最高的小伙伴中选出。
 
 

 
 
 
 
 
 
推荐阅读：
 
 
4 个Python数据读取的常见错误
 
 
头条、阿里、快手、百度面试实录
 
 

 
 640?wx_fmt=jpeg 
 
Python数据与机器学习
 
 
致力于做最有态度、走心的原创公众号
 
 
长按二维码订阅
 
 

 
 
smiley_66.png给个好看
 


                

        

        

    

  


    

      

        

            

              
                
                  算法channel
                
              
            

            

                关注
              
            

        

        

          
      

      









                



	

		

			

				
					
python的轴怎么理解_Python数据分析中 DataFrame axis=0(0轴)与axis=1(1轴)的理解

				
			

			

				

					weixin_39902085的博客
				

				

					12-21
					
					546
					
				

			

		

		

			
				
python中的axis究竟是如何定义的呢？他们究竟代表是DataFrame的行还是列？ 直接上代码people=DataFrame(np.random.randn(5,5),columns=['a','b','c','d','e'],index=['Joe','Steve','Wes','Jim','Travis'])a b c d...

			
		

	



                

              
                



	

		

			

				
					
python里countsget_Python Pandas Series.get_dtype_counts()用法及代码示例

				
			

			

				

					weixin_39675215的博客
				

				

					12-09
					
					284
					
				

			

		

		

			
				
Pandas 系列是带有轴标签的一维ndarray。标签不必是唯一的，但必须是可哈希的类型。该对象同时支持基于整数和基于标签的索引，并提供了许多方法来执行涉及索引的操作。Pandas Series.get_dtype_counts()函数返回此对象中唯一dtypes的计数。用法： Series.get_values()参数：没有返回：dtype：系列范例1：采用Series.get_dtype_c...

			
		

	



                


  
              

                


	

		

			

				
					
【java】方法的覆盖(Override)

				
			

			

				

					StudyWinter的博客
				

				

					11-27
					
					659
					
				

			

		

		

			
				
首先看一下方法重载(Overload)，回顾方法重载的条件：

➢ 方法名称相同；

➢ 方法参数类型、个数、顺序至少有一个不同；

➢方法的返回类型可以不同，因为方法重载和返回类型没有任何关系 ；

➢ 方法的修饰符可以不同，因为方法重载和修饰符没有任何关系 ；

➢ 方法重载只出现在同一个类中 。



方法的覆盖(Override)的条件：

➢必须要有继承关系；

➢覆盖只能出现在子类中，如果没有继承关系，不存在覆盖，只存在重载 ；

➢在子类中被覆盖的方法，必须和父类中的方法完全一样，也...

			
		

	





	

		

			

				
					
Pandas DataFrame

				
			

			

				

					Claroja
				

				

					05-24
					
					1万+
					
				

			

		

		

			
				
http://pandas.pydata.org/pandas-docs/stable/api.html#dataframe



构造函数




  方法
  描述



  DataFrame([data, index, columns, dtype, copy])
  构造数据框






属性和数据




  方法
  描述



  Axes
  index: row labels

			
		

	



		

			
		



	

		

			

				
					
Python pandas.DataFrame.get_dtype_counts函数方法的使用

				
			

			

				

					weixin_42098295的博客
				

				

					07-01
					
					233
					
				

			

		

		

			
				
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。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中pandas.DataFrame.get_dtype_counts方法的使用。
原文地址：Python pandas.DataFrame.get_dtype_counts函数方

			
		

	





	

		

			

				
					
Python数据分析应用：行索引合并数据和合并重叠数据.pptx

				
			

			

				

					02-04
				

			

		

		

			
				
在Python数据分析领域，有效地处理和合并数据是至关重要的技能。本话题主要聚焦于"行索引合并数据"和"合并重叠数据"的概念，这两者都是数据整合的关键方法，广泛应用于数据清洗、预处理和复杂分析中。我们将通过...

			
		

	





	

		

			

				
					
Python数据分析应用：层次化索引操作.pptx

				
			

			

				

					02-04
				

			

		

		

			
				
Python数据分析在实际应用中，层次化索引（Hierarchical Indexing）是一种强大的工具，它允许我们在数据结构中嵌套多个索引级别，从而提供更高级别的数据组织和操作能力。在处理复杂的数据集时，层次化索引可以极大...

			
		

	





	

		

			

				
					
Python数据分析应用：索引操作.pptx

				
			

			

				

					02-04
				

			

		

		

			
				
在数据分析领域，Python是一种强大的工具，它提供了丰富的库来处理和理解复杂的数据集。...因此，建议大家通过编写代码和解决实际问题来加深对Python数据分析中索引操作的理解，从而提升自己的数据分析能力。

			
		

	





	

		

			

				
					
Python数据分析实践：NumPy数组的切片和索引操作.pdf

				
			

			

				

					06-14
				

			

		

		

			
				
Python数据分析实践：NumPy数组的切片和索引操作.pdf

			
		

	





	

		

			

				
					
python---之求每一行或每一列的最大值的索引（轴）

				
			

			

				

					zxyhhjs2017的博客
				

				

					08-05
					
					3万+
					
				

			

		

		

			
				

a.argmax(axis=0)

array([1, 1, 0])



例子：


a = np.random.randint(50,size= (4,5))
print a
print a.argmax(axis=0)

output:

array:


[[34  7 11 35 47]
 [12 38  0  4 35]
 [32 11 46 21 25]
 [ 3 14 17 30...

			
		

	





	

		

			

				
					
pandas版本导致错误‘DataFrame‘ object has no attribute ‘get_dtype_counts‘

				
			

			

				

					asdzxcNB的博客
				

				

					09-08
					
					3293
					
				

			

		

		

			
				
复现代码
使用get_dtype_counts()函数时出现如下错误
‘DataFrame’ object has no attribute ‘get_dtype_counts’
问题原因：我安装的pandas版本是1.1.1
根据下文指出  pandas   0.25之后的版本后应该更改此命令为
.dtypes.value_counts()
更改后成功运行
https://www.cjavapy.com/article/478/

...

			
		

	





	

		

			

				
					
‘DataFrame‘ object has no attribute ‘get_dtype_counts‘

				
			

			

				

					缘 源 园
				

				

					03-09
					
					2408
					
				

			

		

		

			
				
代码中subset对应的值是列名，表示只考虑这两列，将这两列对应值相同的行进行去重。默认值为subset=None表示考虑所有列。


			
		

	





	

		

			

				
					
Pandas dtypes(数据类型)

					
热门推荐

				
			

			

				

					Claroja
				

				

					05-23
					
					10万+
					
				

			

		

		

			
				
Pandas所支持的数据类型: 
 float, int, bool, datetime64[ns] and datetime64[ns, tz] , timedelta[ns], category, and object. 

查看数据类型

df.dtypes

In [332]: dft = pd.DataFrame(dict(A = np.random.rand(3),
   .....:

			
		

	





	

		

			

				
					
Python数据分析实战（2）使用Pandas进行数据分析

				
			

			

				

					CUFEECR的博客
				

				

					08-25
					
					7331
					
				

			

		

		

			
				
Pandas主要用于数据读取、透视表、数据聚合等方面，很灵活，主要的两个数据类型是数据帧和序列；基本操作包括序列操作、创建数据帧、行列操作、数据帧基本操作、时间操作等；数据分析包括读取数据、选择数据子集、数据清洗、布尔索引和分组等；可以使用plt、sns等进行数据可视化。大学数据可以进行很多操作和预处理，如查看和设置索引等。鸢尾花数据集可以进行删除切片、赋值、检索、统计和缺失值处理；分析可以进行描述统计、分组、聚合函数等操作。对电影数据分析主要包括平均分、性别差异、评分次数最多、年龄段区别最大等角度。

			
		

	





	

		

			

				
					
pandas的两种数据类型：Series和DataFrame

				
			

			

				

					进击的菜鸟
				

				

					10-02
					
					1万+
					
				

			

		

		

			
				
首先要明确pandas是做什么的，在确定是如何做的，通过哪些方式去做的？

pandas是做什么的？

     Python Data Analysis Library 或 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...

			
		

	





	

		

			

				
					
OBS-Studio-30.2.3-Windows.zip

					
最新发布

				
			

			

				

					09-23
				

			

		

		

			
				
OBS-Studio-30.2.3-Windows.zip

			
		

	





	

		

			

				
					
ChanjeeDlnaTool-v1.0 推送电脑上的文件到安卓电视大屏，实现音视频播放和apk安装

				
			

			

				

					09-23
				

			

		

		

			
				
详情参考：https://blog.csdn.net/title71/article/details/142462255?spm=1001.2014.3001.5501
文件里面含有视频使用教程
一.windows+Android大屏 使用投送教程：
准备
0.电视机和电脑要在同一网络下面
1.使用u盘安装chanjeeDlnaTool.apk到电视机
2.将Windows软件拷贝到合适目录，将.mp4 /.flac /.jpg ...文件拷贝到软件目录的www/files文件夹下面

投送
1.打开Android电视机大屏的刚安装的软件，找到左上角显示的电视机的ip地址
2.双击打开Windows软件的ChanjeeDlnaTool.exe文件，有弹窗提示防火墙网络，请点击允许
3.在Windows软件的ip地址栏输入Android电视机大屏上面的ip地址，并在Windows软件点击认证
4.认证完成后Windows软件下方蓝字会提示Binging successful 就说明绑定成功，此时就可以在Windows软件选择本地文件向Android大屏投送文件了

			
		

	





	

		

			

				
					
Python数据分析：Numpy索引切片与数据可视化

				
			

			

				

					
				

			

		

		

			
				
"numpy索引和切片-数据分析课程"  在数据分析过程中，掌握如何有效地操作数据是非常重要的。在Python中，numpy库提供了强大的数组处理能力，包括便捷的数据索引和切片功能。本课程将深入讲解如何利用numpy进行数据...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		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