Pandas库实操心得
pandas库简介
1.Pandas时Python的一个数据分析包，该工具为解决数据分析任务而创建
2.Pandas纳入大量库和标准数据模型，提供高效的操作数据集所需的工具。
3.Pandas提供大量能使我们快速便捷地处理数据的函数和方法。
4.Pandas是字典形式，基于NumPy创建，让NumPy为中心的应用变得更加简单。
Dataframe创建操作
date = pd.date_range('20190903', periods=6)#创造时间序列
columns_name = range(5)#range创造步长为一的数字序列
Dataframe = pd.DataFrame(np.random.randn(6, 5), index=date, columns=columns_name)# print(np.arange(6).reshape(2,3))#arange是numpy里面带的产生默认步长为1的列表
# reshape是将一个行向量变成一个NxM的矩阵# df1 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])
Dataframe的属性操作
# print(Dataframe.index)#获得Dataframe的index
# print(Dataframe.columns)#获得Dataframe的列lable
# print(Dataframe.dtypes)#查看每一列的类型
# print(Dataframe.describe())#数字总结
# print(Dataframe.T)#转置
# print(Dataframe.values)#用二维元组得到Dataframe的body
# print(Dataframe.sort_values(by=3,ascending=Ture))#按选定行进行排序
values默认是从小到大进行排序，如果想获得值前五的数据可以[-5:]
ascending为Ture时从小到大，False时从大到小
Dataframe对行和列的操作
# Author:Frank
import pandas as pddf = pd.read_excel(r'E:\2017B_data\2017\B\附件一：已结束项目任务数据.xls', index_col=0)
#print(df)
print(df.loc['A0001','任务gps 纬度']) # 根据行的index和列的label来切片# 还可以进行多列切片 print(df.loc['A0001',['任务gps 纬度','任务gps经度']]
print(df.iloc[0,0]) # 根据行列的position来进行切片# 还可以进行多列切片 print(df.iloc[0,[0,1]]
print('------->')print(df.loc['A0001':'A0003','任务gps 纬度':'任务gps经度'])#按照什么切片与上同，可以一次性切很多片
print('------->')
print(df.iloc[0:2,0:1])#按照什么切片与上同，可以一次性切很多片
print('------->')print(df.at['A0001','任务gps经度'])#at只能单切片 它的功能完全可以由loc替代
print(df.iat[0,1])#功能与at相同 不过是通过position进行切片
print('------->')print(list(df.index))#获得index的列表
print(df.columns)
# print(Dataframe[Dataframe[3]>0])#条件筛选打印
#ix 这种混合剪切已经被弃用
#.loc .ioc 只加第一个参数如.loc([1,2]),.iloc([2:3]),则进行的是行选择
# df[]只能进行行操作
# print(Dataframe['20190906':'20190909'])#按行进行索引,用名称进行切片的时候左显右不显，单切片的时候可以两边一样
# frame["b"].value_counts(sort=True)#默认返回排好序的Series，计算Series各个值中出现的频率
Dataframe对Nan数据的操作
# print(Dataframe.fillna(value=2)) #将nan的地方用value去替换
# print(Dataframe.dropna(axis=0,how='any'))#0对行操作，1对列操作，any存在就删掉，all表示当全部是nan时删掉、
#print (pd.isnull(Dataframe))#输出一个布尔矩阵，nan的地方为Ture非nan地方为False
Dataframe的合并操作
# df1 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])
# df2 = pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])
# df3 = pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])
# res = pd.concat([df1,df2,df3],axis=1,ignore_index=False)#合并Dataframe类型的数据，axis为0按行合并，1按列合并，ignore_index为Ture就重置合并后的行或列索引
# res = df1.append(df2,ignore_index = True)#append和concat类似但是append只能行合并
# print(res)
# left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
# 'key2': ['K0', 'K1', 'K0', 'K1'],
# 'A': ['A0', 'A1', 'A2', 'A3'],
# 'B': ['B0', 'B1', 'B2', 'B3']})
# right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
# 'key2': ['K0', 'K0', 'K0', 'K0'],
# 'C': ['C0', 'C1', 'C2', 'C3'],
# 'D': ['D0', 'D1', 'D2', 'D3']})
# res = pd.merge(left,right,on=['key1','key2'],how='inner')#on表示以什么关键字去合并，how inner（内联合并）/outer（外联合并）/left/right 表通过什么样的方式合并
# #当使用outer合并时
# res = pd.merge(left,right,on=['key1','key2'],how='outer',indicator='名称')#indicator的作用是显示数据合并的方式
#下面介绍行合并
# res = pd.merge(left,right,left_index=True,right_index=True,how='inner',indicator=True)#还有outer
# print(res)
在后来的实操中感觉常用的操作
快速从Excel导入数据写成Dataframe：
pd.read_excel(io= , sheetname=0/'sheet1'/[0,1] ,header=None,names=[],skiprows=2,index_col=1)
#io是路径
#sheetname选定exce表的sheet，可是整数0或1，也可以在选定多个表的时候用列表如[0,1,4]，当然也可以用名字进行索引
#header的默认值为0，表示用第一行作为列标题；当没有列标题的时候用header = False
#names选定一个列表作为列标题
#skiprows是从上至下删除几行
#index_col选定某行作为Dataframe的index
Dataframe写入excel
to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None,columns=None, header=True, index=True, index_label=None,startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None）
# excel_writer : 目标路径
# sheet_name : 填充excel的第几页
# na_rep：缺失值填充
# colums参数：选择输出的的列
data.to_excel(basestation_end,columns=["ID"])
# header 参数：默认为True,可以用list命名列的名字。header = False 则不输出题头。
# data.to_excel(basestation_end,header=["a","b","c","d"])
# index : 默认为True，显示index，当index=False 则不显示行索引（名字）。
# index_label : string or sequence, default None
data.to_excel(basestation_end,index_label=["f"])
输出：
f ID NUM-1 NUM-2 NUM-3
0 36901 142 168 661
1 36902 78 521 602
2 36903 144 600 521
3 36904 95 457 468
4 36905 69 596 695
5 36906 165 453
Dataframe快速添加一列
Dataframe的加减法
add(series,axis=0)#默认按行(0)
sub()#减法
mul()#乘法
div()#除法
要注意的是他们都是接收的series，而用.iloc或者.loc得到的都是Dataframe，用df[’’]得到的是series
series和Dataframe都可以加减乘除一个实数
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！