Python pandas 的用法

最新推荐文章于 2024-09-19 11:41:58 发布
最新推荐文章于 2024-09-19 11:41:58 发布
阅读量1.6k 收藏 7
点赞数
分类专栏： python
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/youshijian99/article/details/80607733
版权

数据类型
object          -     字符串
int                -     整形
float             -     浮点型
datatime      -     时间类型
bool             -     布尔型

name,age,slary
zhangsan,20,1000
lisi,30,2000.34
jim,25,1500
wang,34,3000.0
kate,32,9000.0
liming,25,1200.0


读取文本 
import pandas

# 读取文本
test = pandas.read_csv("test.csv")

# 文本类型
print(type(test))

print("---------------------------------------------")
# 变量类型
print(test.dtypes)

#print("---------------------------------------------")
#print(help(pandas.read_csv))
运行结果 
<class 'pandas.core.frame.DataFrame'>
---------------------------------------------
name      object
age        int64
slary    float64
dtype: object

显示读取的头部数据

# test.head() 显示读进来的数据，不会进行完整显示，只显示前五条数据。
# 如果想显示前3条，输入参数3即可。
test.head(2)

运行结果

显示读取的尾部数据 
# 显示尾部两行
test.tail(2)

运行结果


显示每一列的指标

# 显示每一列的指标，即第一行数据
print(test.columns)

# 样本数，6个样本，每个样本3个数据
print(test.shape)
运行结果 
Index(['name', 'age', 'slary'], dtype='object')
(6, 3)    # 6 个样本，每个样本3个指标

读取数据

# 取数据，取第0号数据
print(test.loc[0])
运行结果 
name     zhangsan
age            20
slary        1000
Name: 0, dtype: object

读取数据片

# 取出索引3,4,5 行数据，索引从0开始
print(test.loc[3:5])
运行结果 
     name  age   slary
3    wang   34  3000.0
4    kate   32  9000.0
5  liming   25  1200.0

读取任意数据

# 取出0,2,4行数据
# 方法一
test_index = [0,2,4]
print(test.loc[test_index])
运行结果 
       name  age   slary
0  zhangsan   20  1000.0
2       jim   25  1500.0
4      kate   32  9000.0

# 取出0,2,4行数据
# 方法二
print(test.loc[[0,2,4]])
运行结果 
       name  age   slary
0  zhangsan   20  1000.0
2       jim   25  1500.0
4      kate   32  9000.0

取一列数据

# 按列取出数据
print(test["name"])
运行结果 
0    zhangsan
1        lisi
2         jim
3        wang
4        kate
5      liming
Name: name, dtype: object

取多列数据

# 定位到两个列
col = ["name","age"]
print(test[col])
运行结果 
       name  age
0  zhangsan   20
1      lisi   30
2       jim   25
3      wang   34
4      kate   32
5    liming   25


---------------------------------------------------------------------------------------------------------------------
test.csv
NDB_No,Shrt_Desc,Water_(g),Energ_Kcal,Iron_(mg)
1001,BUTTER WITH SALT,15.87,717,0.02
1002,BUTTER WHIPPED WITH SALT,15.87,717,0.16
1003,BUTTER OIL ANHYDROUS,0.24,876,0
1004,CHEESE BLUE,42.41,353,0.31

1005,CHEESE BRICK,41.11,371,0.43


import pandas
food_info = pandas.read_csv("test.csv")
col_names = food_info.columns.tolist()
print(col_names)
gram_columns = []

print("---------------------------------------------------------------------------")
# 读取以 单位为 g 的数据 
for c in col_names:
    if c.endswith("(g)"):
        gram_columns.append(c)
print(food_info[gram_columns].columns)
运行结果 
['NDB_No', 'Shrt_Desc', 'Water_(g)', 'Energ_Kcal', 'Iron_(mg)']
---------------------------------------------------------------------------
Index(['Water_(g)'], dtype='object')
# 单位转换， 把 mg 结尾的转换为 g
print(food_info["Iron_(mg)"])
print("--------------------------------------------------------------------------")
div_1000 = food_info["Iron_(mg)"] / 1000
print(div_1000)


print("--------------------------------------------------------------------------")
# 增加一列，并没有写入文件
food_info["Iron_(g)"] = div_1000
food_info.head()
运行结果 
0    0.02
1    0.16
2    0.00
3    0.31
4    0.43
Name: Iron_(mg), dtype: float64
--------------------------------------------------------------------------
0    0.00002
1    0.00016
2    0.00000
3    0.00031
4    0.00043
Name: Iron_(mg), dtype: float64
--------------------------------------------------------------------------

# 对两个列进行组合,对应位置相乘
water_energy = food_info["Water_(g)"]*food_info["Energ_Kcal"]
print(water_energy)
运行结果 
0    11378.79
1    11378.79
2      210.24
3    14970.73
4    15251.81
dtype: float64

归一化操作

# # 求一列中的最大值
max_calories = food_info["Energ_Kcal"].max()
print(max_calories)

print("--------------------------------------------------------------------------")
# 进行列归一化，把当前列除以最大值
normalized_calories = food_info["Energ_Kcal"] / max_calories
print(normalized_calories)
运行结果 
876
--------------------------------------------------------------------------
0    0.818493
1    0.818493
2    1.000000
3    0.402968
4    0.423516
Name: Energ_Kcal, dtype: float64
排序操作 
# 排序操作,从小到大
food_info.sort_values("Iron_(g)", inplace=True)
print(food_info["Iron_(g)"])

print("--------------------------------------------------------------------------")
# 排序操作,从大到小
food_info.sort_values("Iron_(g)", inplace=True, ascending=False)
print(food_info["Iron_(g)"])
运行结果 
2    0.00000
0    0.00002
1    0.00016
3    0.00031
4    0.00043
Name: Iron_(g), dtype: float64
--------------------------------------------------------------------------
4    0.00043
3    0.00031
1    0.00016
0    0.00002
2    0.00000
Name: Iron_(g), dtype: float64


----------------------------------------------------------------------------------------------------------------------------

PassengerId,Survived,Pclass,Name,Sex,Age,SibSp,Parch,Ticket,Fare,Cabin,Embarked
1,0,3,"Braund, Mr. Owen Harris",male,22,1,0,A/5 21171,7.25,,S
2,1,1,"Cumings, Mrs. John Bradley (Florence Briggs Thayer)",female,38,1,0,PC 17599,71.2833,C85,C
3,1,3,"Heikkinen, Miss. Laina",female,26,0,0,STON/O2. 3101282,7.925,,S
4,1,1,"Futrelle, Mrs. Jacques Heath (Lily May Peel)",female,35,1,0,113803,53.1,C123,S
5,0,3,"Allen, Mr. William Henry",male,35,0,0,373450,8.05,,S
6,0,3,"Moran, Mr. James",male,,0,0,330877,8.4583,,Q
7,0,1,"McCarthy, Mr. Timothy J",male,54,0,0,17463,51.8625,E46,S
8,0,3,"Palsson, Master. Gosta Leonard",male,2,3,1,349909,21.075,,S
9,1,3,"Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg)",female,27,0,2,347742,11.1333,,S
10,1,2,"Nasser, Mrs. Nicholas (Adele Achem)",female,14,1,0,237736,30.0708,,C
11,1,3,"Sandstrom, Miss. Marguerite Rut",female,4,1,1,PP 9549,16.7,G6,S
12,1,1,"Bonnell, Miss. Elizabeth",female,58,0,0,113783,26.55,C103,S
13,0,3,"Saundercock, Mr. William Henry",male,20,0,0,A/5. 2151,8.05,,S
14,0,3,"Andersson, Mr. Anders Johan",male,39,1,5,347082,31.275,,S
15,0,3,"Vestrom, Miss. Hulda Amanda Adolfina",female,14,0,0,350406,7.8542,,S 


import pandas as pd
import numpy as np
titanic_survival = pd.read_csv("test.csv")
titanic_survival.head()
运行结果 


# 观察年龄 列
age = titanic_survival["Age"]
print(age.loc[0:10])

print("-------------------------------------")
# 判断缺失值，FALSE 不是缺失值，TRUE是缺失值
age_is_null = pd.isnull(age)
print(age_is_null)

print("-------------------------------------")
# 找出所有缺失值
age_null_true = age[age_is_null]
print(age_null_true)

print("-------------------------------------")
# # 所有缺失值的个数
age_null_count = len(age_null_true)
print(age_null_count)

运行结果

0     22.0
1     38.0
2     26.0
3     35.0
4     35.0
5      NaN
6     54.0
7      2.0
8     27.0
9     14.0
10     4.0
Name: Age, dtype: float64
-------------------------------------
0     False
1     False
2     False
3     False
4     False
5      True
6     False
7     False
8     False
9     False
10    False
11    False
12    False
13    False
14    False
Name: Age, dtype: bool
-------------------------------------
5   NaN
Name: Age, dtype: float64
-------------------------------------
1
 

# 对缺失值进行处理,取平均年龄
mean_age = sum(titanic_survival["Age"]) / len(titanic_survival["Age"])
print(mean_age)

print("-------------------------------------")
# 去掉缺失值，只取有的值
good_ages = titanic_survival["Age"][age_is_null == False]
corrent_mean_age = sum(good_ages) / len(good_ages)
print(corrent_mean_age)

print("-------------------------------------")
# python 提供函数处理
corrent_mean_age = titanic_survival["Age"].mean()
print(corrent_mean_age)
 

运行结果
 

 

nan
-------------------------------------
27.714285714285715
-------------------------------------
27.714285714285715
 

# 查看每个舱位登记平均价格是多少
passenger_classes = [1,2,3]
fares_by_class = {}
for this_class in passenger_classes:
    pclass_rows = titanic_survival[titanic_survival["Pclass"] == this_class]
    pclass_fares = pclass_rows["Fare"]
    fare_for_class = pclass_fares.mean()
    fares_by_class[this_class] = fare_for_class
print(fares_by_class)

print("------------------------------------------------------")
# 查看坐一二三等舱各平均获救多少人
# index 统计以谁为基准的，以 Pclass 为基准值
# values 统计 Pclass 跟什么之间的关系
# aggfunc 统计 index 与 values 关系的，对 每一个 Pclass 的 平均获救人数是多少
passenger_survival = titanic_survival.pivot_table(index="Pclass", values="Survived", aggfunc=np.mean)
print(passenger_survival)
 

{1: 50.698949999999996, 2: 30.0708, 3: 12.77708}
------------------------------------------------------
        Survived
Pclass          
1           0.75
2           1.00
3           0.30
 

 

# 查看每个舱位等级下的平均年龄，默认是求均值
passenger_survival = titanic_survival.pivot_table(index="Pclass", values="Age")
print(passenger_survival)
 

          Age
Pclass       
1       46.25
2       14.00
3       21.00
 

# 查看一个量跟其他两个量之间的关系
port_stats = titanic_survival.pivot_table(index="Embarked", values=["Fare","Survived"], aggfunc=np.sum)
print(port_stats)
 

              Fare  Survived
Embarked                    
C         101.3541         2
Q           8.4583         0
S         250.8250         5
 

# 丢弃缺失值
drop_na_colums = titanic_survival.dropna(axis = 1)
new_titanic_survival = titanic_survival.dropna(axis=0, subset=["Age", "Sex"])
print(new_titanic_survival)
 

   PassengerId  Survived  Pclass  \
0             1         0       3   
1             2         1       1   
2             3         1       3   
3             4         1       1   
4             5         0       3   
6             7         0       1   
7             8         0       3   
8             9         1       3   
9            10         1       2   
10           11         1       3   
11           12         1       1   
12           13         0       3   
13           14         0       3   
14           15         0       3   

                                                 Name     Sex   Age  SibSp  \
0                             Braund, Mr. Owen Harris    male  22.0      1   
1   Cumings, Mrs. John Bradley (Florence Briggs Th...  female  38.0      1   
2                              Heikkinen, Miss. Laina  female  26.0      0   
3        Futrelle, Mrs. Jacques Heath (Lily May Peel)  female  35.0      1   
4                            Allen, Mr. William Henry    male  35.0      0   
6                             McCarthy, Mr. Timothy J    male  54.0      0   
7                      Palsson, Master. Gosta Leonard    male   2.0      3   
8   Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg)  female  27.0      0   
9                 Nasser, Mrs. Nicholas (Adele Achem)  female  14.0      1   
10                    Sandstrom, Miss. Marguerite Rut  female   4.0      1   
11                           Bonnell, Miss. Elizabeth  female  58.0      0   
12                     Saundercock, Mr. William Henry    male  20.0      0   
13                        Andersson, Mr. Anders Johan    male  39.0      1   
14               Vestrom, Miss. Hulda Amanda Adolfina  female  14.0      0   

    Parch            Ticket     Fare Cabin Embarked  
0       0         A/5 21171   7.2500   NaN        S  
1       0          PC 17599  71.2833   C85        C  
2       0  STON/O2. 3101282   7.9250   NaN        S  
3       0            113803  53.1000  C123        S  
4       0            373450   8.0500   NaN        S  
6       0             17463  51.8625   E46        S  
7       1            349909  21.0750   NaN        S  
8       2            347742  11.1333   NaN        S  
9       0            237736  30.0708   NaN        C  
10      1           PP 9549  16.7000    G6        S  
11      0            113783  26.5500  C103        S  
12      0         A/5. 2151   8.0500   NaN        S  
13      5            347082  31.2750   NaN        S  
14      0            350406   7.8542   NaN        S  
 

# 定位样本编号
row_index_4_age = titanic_survival.loc[4,"Age"]
print(row_index_4_age)
row_index_10_pclass = titanic_survival.loc[5,"Pclass"]
print(row_index_10_pclass)
 

35.0
3
 

# 按年龄降序排列
new_titanic_survival = titanic_survival.sort_values("Age", ascending=False)
print(new_titanic_survival)

# index 进行重新排序
print("-----------------------------------------------------------------------------")
titanic_reindex = new_titanic_survival.reset_index(drop=True)
print(titanic_reindex)
 

    PassengerId  Survived  Pclass  \
11           12         1       1   
6             7         0       1   
13           14         0       3   
1             2         1       1   
3             4         1       1   
4             5         0       3   
8             9         1       3   
2             3         1       3   
0             1         0       3   
12           13         0       3   
9            10         1       2   
14           15         0       3   
10           11         1       3   
7             8         0       3   
5             6         0       3   

                                                 Name     Sex   Age  SibSp  \
11                           Bonnell, Miss. Elizabeth  female  58.0      0   
6                             McCarthy, Mr. Timothy J    male  54.0      0   
13                        Andersson, Mr. Anders Johan    male  39.0      1   
1   Cumings, Mrs. John Bradley (Florence Briggs Th...  female  38.0      1   
3        Futrelle, Mrs. Jacques Heath (Lily May Peel)  female  35.0      1   
4                            Allen, Mr. William Henry    male  35.0      0   
8   Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg)  female  27.0      0   
2                              Heikkinen, Miss. Laina  female  26.0      0   
0                             Braund, Mr. Owen Harris    male  22.0      1   
12                     Saundercock, Mr. William Henry    male  20.0      0   
9                 Nasser, Mrs. Nicholas (Adele Achem)  female  14.0      1   
14               Vestrom, Miss. Hulda Amanda Adolfina  female  14.0      0   
10                    Sandstrom, Miss. Marguerite Rut  female   4.0      1   
7                      Palsson, Master. Gosta Leonard    male   2.0      3   
5                                    Moran, Mr. James    male   NaN      0   

    Parch            Ticket     Fare Cabin Embarked  
11      0            113783  26.5500  C103        S  
6       0             17463  51.8625   E46        S  
13      5            347082  31.2750   NaN        S  
1       0          PC 17599  71.2833   C85        C  
3       0            113803  53.1000  C123        S  
4       0            373450   8.0500   NaN        S  
8       2            347742  11.1333   NaN        S  
2       0  STON/O2. 3101282   7.9250   NaN        S  
0       0         A/5 21171   7.2500   NaN        S  
12      0         A/5. 2151   8.0500   NaN        S  
9       0            237736  30.0708   NaN        C  
14      0            350406   7.8542   NaN        S  
10      1           PP 9549  16.7000    G6        S  
7       1            349909  21.0750   NaN        S  
5       0            330877   8.4583   NaN        Q  
-----------------------------------------------------------------------------
    PassengerId  Survived  Pclass  \
0            12         1       1   
1             7         0       1   
2            14         0       3   
3             2         1       1   
4             4         1       1   
5             5         0       3   
6             9         1       3   
7             3         1       3   
8             1         0       3   
9            13         0       3   
10           10         1       2   
11           15         0       3   
12           11         1       3   
13            8         0       3   
14            6         0       3   

                                                 Name     Sex   Age  SibSp  \
0                            Bonnell, Miss. Elizabeth  female  58.0      0   
1                             McCarthy, Mr. Timothy J    male  54.0      0   
2                         Andersson, Mr. Anders Johan    male  39.0      1   
3   Cumings, Mrs. John Bradley (Florence Briggs Th...  female  38.0      1   
4        Futrelle, Mrs. Jacques Heath (Lily May Peel)  female  35.0      1   
5                            Allen, Mr. William Henry    male  35.0      0   
6   Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg)  female  27.0      0   
7                              Heikkinen, Miss. Laina  female  26.0      0   
8                             Braund, Mr. Owen Harris    male  22.0      1   
9                      Saundercock, Mr. William Henry    male  20.0      0   
10                Nasser, Mrs. Nicholas (Adele Achem)  female  14.0      1   
11               Vestrom, Miss. Hulda Amanda Adolfina  female  14.0      0   
12                    Sandstrom, Miss. Marguerite Rut  female   4.0      1   
13                     Palsson, Master. Gosta Leonard    male   2.0      3   
14                                   Moran, Mr. James    male   NaN      0   

    Parch            Ticket     Fare Cabin Embarked  
0       0            113783  26.5500  C103        S  
1       0             17463  51.8625   E46        S  
2       5            347082  31.2750   NaN        S  
3       0          PC 17599  71.2833   C85        C  
4       0            113803  53.1000  C123        S  
5       0            373450   8.0500   NaN        S  
6       2            347742  11.1333   NaN        S  
7       0  STON/O2. 3101282   7.9250   NaN        S  
8       0         A/5 21171   7.2500   NaN        S  
9       0         A/5. 2151   8.0500   NaN        S  
10      0            237736  30.0708   NaN        C  
11      0            350406   7.8542   NaN        S  
12      1           PP 9549  16.7000    G6        S  
13      1            349909  21.0750   NaN        S  
14      0            330877   8.4583   NaN        Q 
 


 

函数操作
 

# 函数,返回第10行数据
def ten_row(column):
    ten_item = column.loc[9]
    return ten_item
    
ten_row = titanic_survival.apply(ten_row)
print(ten_row)
 

PassengerId                                     10
Survived                                         1
Pclass                                           2
Name           Nasser, Mrs. Nicholas (Adele Achem)
Sex                                         female
Age                                             14
SibSp                                            1
Parch                                            0
Ticket                                      237736
Fare                                       30.0708
Cabin                                          NaN
Embarked                                         C
dtype: object
 

# 每一列缺失值得个数是多少
def not_null_count(column):
    column_null = pd.isnull(column)
    null = column[column_null]
    return len(null)

column_null_count = titanic_survival.apply(not_null_count)
print(column_null_count)
 

PassengerId     0
Survived        0
Pclass          0
Name            0
Sex             0
Age             1
SibSp           0
Parch           0
Ticket          0
Fare            0
Cabin          10
Embarked        0
dtype: int64
 

# 对数据进行一次转换
def which_class(row):
    pclass = row['Pclass']
    if pd.isnull(pclass):
        return "Unknown"
    elif pclass == 1:
        return "First Class"
    elif pclass == 2:
        return "Second Class"
    elif pclass == 3:
        return "Third Class"
    
classes = titanic_survival.apply(which_class, axis=1)
print(classes)
 

0      Third Class
1      First Class
2      Third Class
3      First Class
4      Third Class
5      Third Class
6      First Class
7      Third Class
8      Third Class
9     Second Class
10     Third Class
11     First Class
12     Third Class
13     Third Class
14     Third Class
dtype: object
 

# 对数据进行转换
def is_minor(row):
    if row["Age"] < 18:
        return True
    else:
        return False
    
minors = titanic_survival.apply(is_minor, axis=1)

def generate_age_label(row):
    age = row["Age"]
    if pd.isnull(age):
        return "unknown"
    elif age < 18:
        return "minor"
    else:
        return "adult"
    
age_labels = titanic_survival.apply(generate_age_label, axis=1)
print(age_labels)
 

0       adult
1       adult
2       adult
3       adult
4       adult
5     unknown
6       adult
7       minor
8       adult
9       minor
10      minor
11      adult
12      adult
13      adult
14      minor
dtype: object
 

# 数据关联处理
titanic_survival['age_labels']=age_labels
age_group_survial = titanic_survival.pivot_table(index="age_labels", values="Survived")
print(age_group_survial)
 

            Survived
age_labels          
adult            0.5
minor            0.5
unknown          0.0
 

 

 

 

 

 

 

 

 


 


 


 


 


 


 


 

 


 


 


 


 

 

 


 


 


 


 


                

        

        

    

  


    

      

        

            

              
                
                  Geek猫
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          









                



	

		

			

				
					
python之pandas用法大全

				
			

			

				

					09-20
				

			

		

		

			
				
Python中的Pandas库是一个功能强大的数据结构和数据分析工具，它提供了大量易于使用且高效的数据分析工具。本文将详细介绍Pandas的一些基本用法和功能。  首先，要使用Pandas，我们需要导入Pandas库，通常还会用到...

			
		

	



                

            
              



	

		

			

				
					
python-pandas用法大全

				
			

			

				

					一起来学深度学习鸭的博客
				

				

					11-15
					
					6827
					
				

			

		

		

			
				
我想要让列按照 [“0 probability”, “1 probability”, …当然，这里的 by参数 也可以是一个列表，表示优先满足第一排序，在满足第二排序…问题描述：想要把 DataFrame 最后一列 label 的数据格式从。的表头不一样（顺序不一样或是部分feature不一样），则需要用到。在表头顺序一样的情况下，可以这样无脑连接两个。如果以某一列为“辨识列”，则需要用到。如果两个表头顺序不一样，修改参数。的名称进行修改，我们采用。读取时要注意的参数有。，即可，他会自动识别。

			
		

	



              


  
              

                


	

		

			

				
					
python——pandas用法详解

				
			

			

				

					longhaierwd的博客
				

				

					07-24
					
					1万+
					
				

			

		

		

			
				
Python本身的数据分析功能并不强，需要安装一些第三方的扩展库来增强它的能力。其中，针对结构化数据（可简单理解为二维表数据，或我们常用的Excel表格数据）分析能力最强的第三方扩展库就是Pandas。Pandas 是python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来的，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具。

			
		

	





	

		

			

				
					
Python语言学习-pandas库学习

					
最新发布

				
			

			

				

					weixin_61892541的博客
				

				

					09-19
					
					795
					
				

			

		

		

			
				
Pandas是python的第三方库，他用于灵活的数据操作，数据可视化，数据清洗，数据的聚合和转换，数据的可视化。

			
		

	



		

			
		



	

		

			

				
					
python包--pandas的用法（最全pandas的用法--数据处理十分有用，后面会一直更新）

				
			

			

				

					hac_kill_you的博客
				

				

					10-06
					
					3651
					
				

			

		

		

			
				
pandas是一个是一个python包，可以很大程度上加快我们对数据的处理。花费时间把这个包平常经常用到的函数整理一下，方便大家，也方便自己使用。

			
		

	





	

		

			

				
					
Python数据分析之Pandas库的基本使用

				
			

			

				

					m0_51489557的博客
				

				

					05-19
					
					3564
					
				

			

		

		

			
				
Python中Pandas库的的基使用，Serise对象的创建、索引修改、引用，pandas日期处理   Series.dt提供了很多日期相关操作，Series.dt提供了很多日期相关操作，DateTimeIndex：通过指定周期和频率，使用date.range()函数创建日期序列。默认情况下，范围的频率是天，DataFrame创建以及行、列的访问、删除、修改、追加，DataFrame常用属性，关于DataFrame统计的API（方差、协方差、标准差、相关系数），对数据的去重处理和排序（按索引和实际值排序）

			
		

	





	

		

			

				
					
【python】Pandas库用法详解！

				
			

			

				

					相信过程！
				

				

					05-06
					
					6868
					
				

			

		

		

			
				
pandas 是基于NumPy 的一种工具，该工具是为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。

			
		

	





	

		

			

				
					
Python pandas用法最全整理

				
			

			

				

					09-18
				

			

		

		

			
				
本文主要介绍了Python中pandas库的多种用法以及相关实例代码，适合需要进行数据处理的读者学习和参考。  首先，介绍了如何导入pandas库。在进行数据分析之前，我们需要导入pandas库，通常还会用到numpy库，所以可以...

			
		

	





	

		

			

				
					
python pandas 官网文档

				
			

			

				

					05-21
				

			

		

		

			
				
python pandas 官网文档  2000多页 目录包括： 1-What's New 2-Installation 3-Contributing to pandas 4-Package overview 【*】5-10 Minutes to pandas 【*】6-Tutorials 【*】7-Cookbook 【*】8-Intro to Data ...

			
		

	





	

		

			

				
					
Python pandas怎么使用.docx

				
			

			

				

					04-08
				

			

		

		

			
				
### Python Pandas 使用详解  #### 一、简介  Pandas 是 Python 编程语言中一个非常重要的数据分析库，它提供了一系列高效的数据处理和分析工具。Pandas 的核心数据结构包括 Series（一维数组）和 DataFrame（二维...

			
		

	





	

		

			

				
					
python pandas

				
			

			

				

					11-13
				

			

		

		

			
				
Python Pandas是一个强大的数据处理库，它为Python编程语言提供了高效的数据分析和操作工具。Pandas这个名字来源于“Panel Data”，这是一种在经济学中广泛使用的多维数据集。在Python世界里，Pandas是数据科学家和...

			
		

	





	

		

			

				
					
Python之Pandas使用详解

				
			

			

				

					huanxiajioabu的博客
				

				

					07-21
					
					3521
					
				

			

		

		

			
				
在数据分析当中，我们通常使用 Pandas 来做数据清理的工作。在真实的工作生活中，我们拿到的数据往往都是不整洁的，空值、重复值、无效值等等信息都会干扰我们的分析，此时我们就需要按部就班的完成数据的清理。数据清理是数据分析中非常重要的一步，也是非常繁琐的一步，当然，在你掌握了 Pandas 库之后，你就好像是得到了一把削铁如泥的宝剑，数据清理工作的效率会大大提高。

			
		

	





	

		

			

				
					
Python pandas库  常用方法使用

				
			

			

				

					huang714的专栏
				

				

					07-10
					
					3348
					
				

			

		

		

			
				
Pandas库专为数据分析而设计，它是使Python成为强大而高效的数据分析环境的重要因素。

一、Pandas数据结构

1、import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

2、S1=pd.Series([‘a’,’b’,’c’]) series是一组数据与一组索引（行索引）组成的数据结构

3、S1=pd.Series([‘a’,’b’,’c’],index=(1,3,4)) 指定索引

4、S1=pd.

			
		

	





	

		

			

				
					
pythonpandas用法_python之pandas用法详解

				
			

			

				

					weixin_28716723的博客
				

				

					01-29
					
					6671
					
				

			

		

		

			
				
pandas是基于numpy构建的，使得数据分析工作变得更快更简单的高级数据结构和操作工具。一、pandas数据结构两个主要的数据结构：Series和DataFrame。1.1 SeriesSeries是一种类似于一维数组的对象，它由一维数组(各种numpy数据类型)以及一组与之相关的数据标签(即索引)组成，仅由一组数据即可产生最简单的Series.Series的字符串表现形式为：索引在左边，值在...

			
		

	





	

		

			

				
					
python数据处理——pandas的基本使用

				
			

			

				

					qq_40907977的博客
				

				

					08-03
					
					4508
					
				

			

		

		

			
				
python数据处理——pandas的基本使用（一）
1.1 文本读取，pd.read_csv()，pd.read_table();
pandas  读取文本（txt、excel）中会常用到两个函数：read_csv() 和 read_table() ；两个函数出去读取文本不一样之外，读取文本时前者是以，(逗号)为分隔符读取，后者以 tab(空格)为 分隔符进行读取的，把读取到的文本转化成二维 Dataframe 数据格式，直观整洁以便后续处理，以 pd.read_table()为例:
pd.read_ta

			
		

	





	

		

			

				
					
Python中关于Pandas的一些用法

				
			

			

				

					weixin_45579930的博客
				

				

					11-30
					
					1860
					
				

			

		

		

			
				
一、将多个数据表进行合并：pandas.merge
merge() 函数用于合并两个 DataFrame 对象或 Series，数据处理时经常会用到这个函数，官网给出该函数的定义如下：
pandas.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False,
right_index=False, sort=False, suffixes='_x', '_y', copy=True, indic

			
		

	





	

		

			

				
					
Python pandas用法

				
			

			

				

					cxu123321的博客
				

				

					10-14
					
					752
					
				

			

		

		

			
				
Python pandas用法

无味之味关注

0.8622019.01.10 15:43:25字数 2,877阅读 57,516

介绍

在Python中，pandas是基于NumPy数组构建的，使数据预处理、清洗、分析工作变得更快更简单。pandas是专门为处理表格和混杂数据设计的，而NumPy更适合处理统一的数值数组数据。
使用下面格式约定，引入pandas包：


import pandas as pd


pandas有两个主要数据结构：Series和DataFrame。

Series

S

			
		

	





	

		

			

				
					
【Python基础】pandas 使用指南（超详细！）

				
			

			

				

					你一定能够成为你想要去成为的人。
				

				

					02-04
					
					8734
					
				

			

		

		

			
				
pandas指南
学习目的：

掌握pandas中series与dataframe
pandas数据清洗
使用pandas进行数据基本统计
时间序列分析
数据分析常用方法

1 Pandas基础

pandas是python中数据分析核心库，能够快速，灵活的对大量数据进行分析，是Python进行数据分析的必要利器；
pandas支持多种数据导入，支持数据合并，拆分，基本统计，时间序列分析，透视表等多种操作；

1.1 Series数据结构
Series：一维的带索引数据结构(单列)
Series类：
 pd

			
		

	





	

		

			

				
					
python之pandas的基本使用（1）

					
热门推荐

				
			

			

				

					cxmscb的博客
				

				

					01-20
					
					10万+
					
				

			

		

		

			
				
一、pandas概述pandas ：pannel data analysis（面板数据分析）。pandas是基于numpy构建的，为时间序列分析提供了很好的支持。pandas中有两个主要的数据结构，一个是Series，另一个是DataFrame。二、数据结构 SeriesSeries 类似于一维数组与字典(map)数据结构的结合。它由一组数据和一组与数据相对应的数据标签（索引index）组成。这组数

			
		

	





	

		

			

				
					
python pandas使用方法

				
			

			

				

					05-20
				

			

		

		

			
				
下面是Pandas的使用方法：  1. 导入pandas库 ```python import pandas as pd ```  2. 读取数据 Pandas支持多种格式的数据读取，如csv、excel、json等。其中，read_csv函数用于读取csv格式的数据。  ```python data =...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		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