当前位置：首页 > 科技 > 软件

Pandas入门的12个技巧

来源：责编：时间：2024-01-03 17:22:15 148观看

导读今天，就为大家总结一下 “Pandas数据处理的12技巧”，拿来即用，随查随用。今天，就为大家总结一下 “Pandas数据处理的12技巧”，拿来即用，随查随用。1. 安装你还可以使用内置的 Python 工具 pip 安装 Pandas 并运行以下命令:$

今天，就为大家总结一下 “Pandas数据处理的12技巧”，拿来即用，随查随用。

1. 安装

你还可以使用内置的 Python 工具 pip 安装 Pandas 并运行以下命令:

$ pip install pandas

安装完成后的提示成功，则可以环境中使用pandas包了。

import pandas

2. 创建数据列

Pandas一维数组(数据列)可以保存任何数据类型。一般通过调用 pd.Series() 方法实现，不指定index，默认为0,1,2,3...。

import pandasimport numpyS = pandas.Series(    [1, 2, 3, 4],  # 数据    index=["a", "b", "c", "d"],  # 指定索引    dtype=numpy.int8,  # 指定数据类型)S.name = "test"  # 创建一维数组的名称S.index.name = "index"  # 创建一维数组的索引名称print(S)

输出:

indexa    1b    2c    3d    4Name: test, dtype: int8

3. 创建数据框

创建具有列的二维数据结构的对象(数据框)。一般通过调用 pd.DataFrame() 方法实现，不指定index，默认为0,1,2,3...。

import pandasdat_list = [    [1, 2, 3],    [4, 6, 8],    [10, 11, 12],]df = pandas.DataFrame(    dat_list,    index=["i1", "i3", "i2"],    columns=["a", "b", "c"],)print(df)

输出:

a   b   ci1   1   2   3i3   4   6   8i2  10  11  12

4. CSV文件的读写

Pandas 支持从 CSV的读写，我们用 pd.read_csv() 和 pd.to_csv() 方法来实现。

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12],}df = pandas.DataFrame(d, index=["i2", "i1", "i3"])print(df)df.to_csv("output/test.csv") # 导出到CSV文件dfnew = pandas.read_csv("output/test.csv", index_col=0) # index_col=0 表示第一列为索引print(dfnew)

5. Excel文件的读写

Pandas 支持从 Excel的读写，我们用 pd.read_excel() 和 pd.to_excel() 方法来实现。

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12],}df = pandas.DataFrame(d, index=["i2", "i1", "i3"])print(df)df.to_excel("output/test.xlsx") # 导出到exceldfnew = pandas.read_excel("output/test.xlsx", index_col=0) # index_col=0 表示第一列为索引print(dfnew)

6. 通过位置选择值

Pandas 支持通过位置选择值，我们用 df.iloc[row_index, column_index] 来实现。

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12],}df = pandas.DataFrame(d, index=["i2", "i1", "i3"])print(df)print(df.iloc[2, 1])  # 6 结果为一个值print(df.iloc[[2], [1]])  # 结果为一个元素的数据框print(df.iloc[1:3, :])  # 结果为一个数据框

输出:

A  B  C   Di2  1  4  7  10i1  2  5  8  11i3  3  6  9  126    Bi3  6    A  B  C   Di1  2  5  8  11i3  3  6  9  12

7. 通过名称选择值

Pandas 支持通过名称选择值，我们用 df.loc[row_name, column_name] 来实现。

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12],}df = pandas.DataFrame(d, index=["i2", "i1", "i3"])print(df)print(df.loc["i2", "C"])  # 6 结果为一个值print(df.loc[["i2"], ["C"]])  # 结果为一个元素的数据框print(df.loc[["i2", "i3"], ["A", "D"]])  # 切片

输出:

A  B  C   Di2  1  4  7  10i1  2  5  8  11i3  3  6  9  127    Ci2  7    A   Di2  1  10i3  3  12

8. 标签可以重复么？

这是一个有意思的问题，如果重复了如何取值呢，如何去掉重复呢？

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12],}df = pandas.DataFrame(d, index=["i2", "i1", "i2"])print(df)print(df.loc["i2", "C"])df.columns = ["A", "B", "B", "D"]print(df)print(df.loc["i2", "B"])

输出:

A  B  C   Di2  1  4  7  10i1  2  5  8  11i2  3  6  9  12i2    7i2    9Name: C, dtype: int64    A  B  B   Di2  1  4  7  10i1  2  5  8  11i2  3  6  9  12    B  Bi2  4  7i2  6  9

9. 删除行/列

Pandas 支持删除行/列，我们用 df.drop([col/row name], axis=0/1) 来实现。

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12],}df = pandas.DataFrame(d, index=["i2", "i1", "i3"])print(df)df.drop(    ["i2", "i1"],    axis=0,  # axis=0删除行，axis=1删除列    inplace=True, # 如果为True，则在原数据上进行操作，否则，创建一个新的数据对象    errors="ignore",  # 忽略不存在的列)print(df)

输出:

A  B  C   Di2  1  4  7  10i1  2  5  8  11i3  3  6  9  12    A  B  C   Di3  3  6  9  12

10. 在最后增加列

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12]}df = pandas.DataFrame(d, index=["i2", "i1", "i3"])print(df)df['E'] = 0print(df)

输出为:

A  B  C   Di2  1  4  7  10i1  2  5  8  11i3  3  6  9  12    A  B  C   D  Ei2  1  4  7  10  0i1  2  5  8  11  0i3  3  6  9  12  0

11. 在最后增加行

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12],}df = pandas.DataFrame(d, index=["i2", "i1", "i3"])print(df)df = df.append(    pandas.DataFrame({"A": 13, "B": 14, "C": 15, "D": 16}, index=["i4"]),    ignore_index=True,)print(df)

输出：

A  B  C   Di2  1  4  7  10i1  2  5  8  11i3  3  6  9  12    A   B   C   D0   1   4   7  101   2   5   8  112   3   6   9  123  13  14  15  16

12. 通过标签(索引或列名)排序

import pandasd = {    "A": [1, 2, 3],    "B": [4, 5, 6],    "C": [7, 8, 9],    "D": [10, 11, 12]}df = pandas.DataFrame(d, index=["i2", "i1", "i3"])print(df)df = df.sort_index(    axis=0, # axis=0 按行标签排序，axis=1 按列标签排序    level=None,    ascending=True, # 是否升序    inplace=False, # 是否修改原数据    kind="quicksort", # 排序算法    na_positinotallow="last", # 如果有NA值，放在最后    sort_remaining=True, # 是否排序剩余列)print(df)

输出:

A  B  C   Di2  1  4  7  10i1  2  5  8  11i3  3  6  9  12    A  B  C   Di1  2  5  8  11i2  1  4  7  10i3  3  6  9  12

总结

上面分享的pandas入门的12个技巧，希望对你有所帮助。

本文链接：http://www.28at.com/showinfo-26-57288-0.htmlPandas入门的12个技巧

声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com

上一篇：加速Python循环的12种方法,最高可以提速900倍

下一篇：掌握这个技术，给轮播图和文本插上自由之翼

标签：

热门焦点

石头智能洗地机A10 Plus体验：双向自清洁治好了我的懒癌

一、前言和介绍专为家庭请假懒人而生的石头科技在近日又带来了自己的全新旗舰新品，石头智能洗地机A10 Plus。从这个产品名上就不难看出，这次石头推出的并不是常见的扫地机器
消息称迪士尼要拍真人版《魔发奇缘》：女主可能也找黑人演员

8月5日消息，迪士尼确实有点忙，忙着将不少动画改成真人版，继《美人鱼》后，真人版《白雪公主》、《魔发奇缘》也在路上了。据外媒消息称，迪士尼将打造真人版
8月总票房已突破10亿！《封神》第一：口碑已经成了

8月5日消息，据灯塔专业版数据，截至8月5日9时35分，8月总票房（含预售）已突破10亿。其中，《封神》以大比分的优势领先。根据官方消息，目前该片总票房已经超过14.
谷歌KDD'23工作：如何提升推荐系统Ranking模型训练稳定性

谷歌在KDD 2023发表了一篇工作，探索了推荐系统ranking模型的训练稳定性问题，分析了造成训练稳定性存在问题的潜在原因，以及现有的一些提升模型稳定性方法的不足，并提出了一种新
使用LLM插件从命令行访问Llama 2

最近的一个大新闻是Meta AI推出了新的开源授权的大型语言模型Llama 2。这是一项非常重要的进展：Llama 2可免费用于研究和商业用途。(几小时前，swyy发现它已从LLaMA 2更名为Lla
电视息屏休眠仍有网络上传爱奇艺被质疑“薅消费者羊毛”

记者丨宁晓敏见习生丨汗青出品丨鳌头财经（theSankei）前不久，爱奇艺发布了一份亮眼的一季报，不仅营收和会员营收创造历史最佳表现，其运营利润也连续6个月实现增长。自去年年初
腾讯VS网易，最卷游戏暑期档，谁能笑到最后？

作者：无锈钵来源：财经无忌7月16日晚，上海1862时尚艺术中心。伴随着幻象的精准命中，硕大的荧幕之上，比分被定格在了14：12，被寄予厚望的EDG战队以绝对的优势战胜了BLG战队，拿下了总决
三星Galaxy Z Fold/Flip 5国行售价曝光：最低7499元/12999元起

据官方此前宣布，三星将于7月26日也就是明天在韩国首尔举办Unpacked活动，届时将带来带来包括Galaxy Buds 3、Galaxy Watch 6、Galaxy Tab S9、Galaxy
OPPO K11评测：旗舰级IMX890加持 2000元档最强影像手机

【Techweb评测】中端机型用户群体巨大，占了中国目前手机市场的大头，一直以来都是各手机品牌的“必争之地”，其中OPPO K系列机型一直以来都以高品质、