Pandas库函数总结

引入Pandas库：

import Pandas as pd
import json

补充：
（1） Series与DataFrame可以直接使用numpy的函数，例如np.abs(df)：对DataFrame的数据取绝对值
（2） 处理JSON数据时需要引入JSON库

1. Series创建及增删改查

方式	示例	备注
通过list创建	pd.Series([1,2,3,4,5])
通过numpy数组创建	pd.Series(np.arange(1,6))
通过字典创建	pd.Series({‘name’:‘李宁’,‘age’:18,‘class’:‘三班’})	name，age，class为索引
重新索引	ps.reindex([‘a’,‘b’,‘c’,‘d’,‘e’,‘f’])	reindex 创建一个符合新索引的新对象，可利用fill_value参数对缺失值进行填充
增-方式1	ps[‘g’] = 9	在原Series对象上增加g索引
增-方式2	ps.append(pd.Series({‘f’:999}))	增加索引并生成新的Series对象
删-方式1	del ps[‘b’]	删除Series中索引b的值（在原有数据结构上删除）
删-方式2	ps.drop(‘g’)	删除索引g 产生新的对象（删除一条）
删-方式3	ps1.drop([‘c’,‘d’])	删除多条
改-方式1	ps[‘a’]=999	通过标签修改
改-方式2	ps[0] = 888	通过位置索引修改
查-行索引	ps[‘a’]	查看标签索引a对应的值
查-行索引	ps[0]	查看位置索引0对应的值
查-切片索引	ps[1:4]	位置切片索引(取不到末位)
查-切片索引	ps[‘b’:‘d’]	标签切片索引(可以取到末位)
查-不连续索引	ps[[‘b’,‘e’]]	标签索引
查-不连续索引	ps[[0,2]]	位置索引
查-布尔索引	ps[ps>2]	查询出值大于2的数据
高级索引-loc标签索引	ps.loc[‘a’:‘c’]	截取索引a-c之间的行
高级索引-iloc位置索引	ps.iloc[1:3]	不包含末位数据

补充：创建Series对象时可通过index参数指定索引

2. DataFrame创建及增删改查

方式	示例	备注
字典类	data = {‘a’:[1,2,3,4],‘b’:[5,6,7,8],‘c’:np.arange(9,13)} frame = pd.DataFrame(data)	数组、列表或元祖构成的字典构造dataframe
字典类	pd.DataFrame({‘a’:pd.Series(np.arange(3)),‘b’:pd.Series(np.arange(3,5))})	Series构成的字典构造dataframe
字典类	data1 = {‘a’:{‘apple’:3.6,‘banana’:5.6},‘b’:{‘apple’:3,‘banana’:5},‘c’:{‘apple’:3.2}} pd2 = pd.DataFrame(data1)	字典构成的字典构造dataframe
列表类	pd.DataFrame(np.arange(12).reshape(4,3))	2D ndarray 构造dataframe
列表类	l1 = [{‘apple’:3.6,‘banana’:5.6},{‘apple’:3,‘banana’:5},{‘apple’:3.2}] pd.DataFrame(l1)	字典构成的列表构造dataframe
列表类	l2 = [pd.Series(np.random.rand(3)),pd.Series(np.random.rand(2))] pd.DataFrame(l2)	Series构成的列表构造dataframe
重新行索引	pd1.reindex([‘a’,‘b’,‘c’,‘d’])	DataFrame行索引重建，可利用fill_value参数对缺失值进行填充
重新列索引	pd1.reindex(columns=[‘C’,‘B’,‘A’])	DataFrame列索引重建，可利用fill_value参数对缺失值进行填充
增（列）-方式1	pd1[4] = 9	增加列（在原DataFrame上操作），新增列的值全为9
增（列）-方式2	pd1.insert(0,‘E’,[9,99,999])	插入列（在原DataFrame上操作），第0个位置插入索引为E的列值为[9,99,999]
增（行）-方式1	pd1.loc[‘d’] = [1,1,1,1,1]	标签索引loc，该方式在原DataFrame操作
增（行）-方式2	pd1.append(row,ignore_index=True)	追加新的行 生成新的dataframe （ignore_index忽略原来的索引）
删（列）-方式1	del pd1[‘E’]	删除DataFrame中索引为E的列（在原有数据结构上删除）
删（列）-方式2	pd1.drop(‘A’,axis=1)	axis=1为删除列
删（列）-方式3	pd1.drop(‘A’,axis=‘columns’)	与axis=1等价
删（行）-方式1	pd1.drop(‘a’)	drop默认删除行索引，删除索引为a的一行数据（删除一条）
删（行）-方式2	pd1.drop([‘a’,‘d’])	删除多条，drop可加参数inplace：True表示在原对象上删除，并不会返回新的对象
改（列）-方式1	pd1[‘A’] = 9或pd1[‘A’] = [9,10,11]	索引A列的数据全部更改为9或改为数组中的对应值
改（列）-方式2	pd1.A = 6	对象.列的形式修改数据值
改（行）	pd1.loc[‘a’] = 777	loc标签索引
改（某行某列）	pd1.loc[‘a’,‘A’] = 1000	修改a行A列的数值
查-列索引	pd1[‘A’]
查-列索引	pd1[[‘A’,‘C’]]	取多列
查-选取一个值	pd1[‘A’][‘a’]	选取A列a行的数据值
查-切片	pd1[:2]	获取前两行
高级索引-loc标签索引	pd1.loc[‘a’:‘b’,‘A’]	取到a-b之间行的A列
高级索引-iloc位置索引	pd1.iloc[0:2,0:3]	取到0-1行的0-2列