柚子快報(bào)邀請(qǐng)碼778899分享：Pandas教程（非常詳細(xì)）

http://yzkb.51969.com/

print(s)

輸出結(jié)果：

100 a 101 b 102 c 103 d dtype: object

3) dict創(chuàng)建Series對(duì)象

您可以把 dict 作為輸入數(shù)據(jù)。如果沒有傳入索引時(shí)會(huì)按照字典的鍵來構(gòu)造索引；反之，當(dāng)傳遞了索引時(shí)需要將索引標(biāo)簽與字典中的值一一對(duì)應(yīng)。

下面兩組示例分別對(duì)上述兩種情況做了演示。

示例1，沒有傳遞索引時(shí)：

import pandas as pd import numpy as np data = {‘a(chǎn)’ : 0., ‘b’ : 1., ‘c’ : 2.} s = pd.Series(data) print(s)

輸出結(jié)果：

a 0.0 b 1.0 c 2.0 dtype: float64

示例 2，為index參數(shù)傳遞索引時(shí)：

import pandas as pd import numpy as np data = {‘a(chǎn)’ : 0., ‘b’ : 1., ‘c’ : 2.} s = pd.Series(data,index=[‘b’,‘c’,‘d’,‘a(chǎn)’]) print(s)

輸出結(jié)果：

b 1.0 c 2.0 d NaN a 0.0 dtype: float64

當(dāng)傳遞的索引值無法找到與其對(duì)應(yīng)的值時(shí)，使用 NaN（非數(shù)字）填充。

4) 標(biāo)量創(chuàng)建Series對(duì)象

如果 data 是標(biāo)量值，則必須提供索引，示例如下：

import pandas as pd import numpy as np s = pd.Series(5, index=[0, 1, 2, 3]) print(s)

輸出如下：

0 5 1 5 2 5 3 5 dtype: int64

標(biāo)量值按照 index 的數(shù)量進(jìn)行重復(fù)，并與其一一對(duì)應(yīng)。

訪問Series數(shù)據(jù)

上述講解了創(chuàng)建 Series 對(duì)象的多種方式，那么我們應(yīng)該如何訪問 Series 序列中元素呢？分為兩種方式，一種是位置索引訪問；另一種是索引標(biāo)簽訪問。

1) 位置索引訪問

這種訪問方式與 ndarray 和 list 相同，使用元素自身的下標(biāo)進(jìn)行訪問。我們知道數(shù)組的索引計(jì)數(shù)從 0 開始，這表示第一個(gè)元素存儲(chǔ)在第 0 個(gè)索引位置上，以此類推，就可以獲得 Series 序列中的每個(gè)元素。下面看一組簡(jiǎn)單的示例：

import pandas as pd s = pd.Series([1,2,3,4,5],index = [‘a(chǎn)’,‘b’,‘c’,‘d’,‘e’]) print(s[0]) #位置下標(biāo) print(s[‘a(chǎn)’]) #標(biāo)簽下標(biāo)

輸出結(jié)果：

1 1

通過切片的方式訪問 Series 序列中的數(shù)據(jù)，示例如下：

import pandas as pd s = pd.Series([1,2,3,4,5],index = [‘a(chǎn)’,‘b’,‘c’,‘d’,‘e’]) print(s[:3])

輸出結(jié)果：

a 1 b 2 c 3 dtype: int64

如果想要獲取最后三個(gè)元素，也可以使用下面的方式：

import pandas as pd s = pd.Series([1,2,3,4,5],index = [‘a(chǎn)’,‘b’,‘c’,‘d’,‘e’]) print(s[-3:])

輸出結(jié)果：

c 3 d 4 e 5 dtype: int64

2) 索引標(biāo)簽訪問

Series 類似于固定大小的 dict，把 index 中的索引標(biāo)簽當(dāng)做 key，而把 Series 序列中的元素值當(dāng)做 value，然后通過 index 索引標(biāo)簽來訪問或者修改元素值。

示例1，使用索標(biāo)簽訪問單個(gè)元素值：

import pandas as pd s = pd.Series([6,7,8,9,10],index = [‘a(chǎn)’,‘b’,‘c’,‘d’,‘e’]) print(s[‘a(chǎn)’]）

輸出結(jié)果：

6

示例 2，使用索引標(biāo)簽訪問多個(gè)元素值

import pandas as pd s = pd.Series([6,7,8,9,10],index = [‘a(chǎn)’,‘b’,‘c’,‘d’,‘e’]) print(s[[‘a(chǎn)’,‘c’,‘d’]])

輸出結(jié)果：

a 6 c 8 d 9 dtype: int64

示例3，如果使用了 index 中不包含的標(biāo)簽，則會(huì)觸發(fā)異常：

import pandas as pd s = pd.Series([6,7,8,9,10],index = [‘a(chǎn)’,‘b’,‘c’,‘d’,‘e’]) #不包含f值 print(s[‘f’])

輸出結(jié)果：

… KeyError: ‘f’

Series常用屬性

下面我們介紹 Series 的常用屬性和方法。在下表列出了 Series 對(duì)象的常用屬性。

名稱屬性axes以列表的形式返回所有行索引標(biāo)簽。dtype返回對(duì)象的數(shù)據(jù)類型。empty返回一個(gè)空的 Series 對(duì)象。ndim返回輸入數(shù)據(jù)的維數(shù)。size返回輸入數(shù)據(jù)的元素?cái)?shù)量。values以 ndarray 的形式返回 Series 對(duì)象。index返回一個(gè)RangeIndex對(duì)象，用來描述索引的取值范圍。

現(xiàn)在創(chuàng)建一個(gè) Series 對(duì)象，并演示如何使用上述表格中的屬性。如下所示：

import pandas as pd import numpy as np s = pd.Series(np.random.randn(5)) print(s)

輸出結(jié)果：

0 0.898097 1 0.730210 2 2.307401 3 -1.723065 4 0.346728 dtype: float64

上述示例的行索引標(biāo)簽是 [0,1,2,3,4]。

1) axes

import pandas as pd import numpy as np s = pd.Series(np.random.randn(5)) print (“The axes are:”) print(s.axes)

輸出結(jié)果

The axes are: [RangeIndex(start=0, stop=5, step=1)]

2) dtype

import pandas as pd import numpy as np s = pd.Series(np.random.randn(5)) print (“The dtype is:”) print(s.dtype)

輸出結(jié)果：

The dtype is: float64

3) empty

返回一個(gè)布爾值，用于判斷數(shù)據(jù)對(duì)象是否為空。示例如下：

import pandas as pd import numpy as np s = pd.Series(np.random.randn(5)) print(“是否為空對(duì)象?”) print (s.empty)

輸出結(jié)果：

是否為空對(duì)象? False

4) ndim

查看序列的維數(shù)。根據(jù)定義，Series 是一維數(shù)據(jù)結(jié)構(gòu)，因此它始終返回 1。

import pandas as pd import numpy as np s = pd.Series(np.random.randn(5)) print (s) print (s.ndim)

輸出結(jié)果：

0 0.311485 1 1.748860 2 -0.022721 3 -0.129223 4 -0.489824 dtype: float64 1

5) size

返回 Series 對(duì)象的大小(長(zhǎng)度)。

import pandas as pd import numpy as np s = pd.Series(np.random.randn(3)) print (s) #series的長(zhǎng)度大小 print(s.size)

輸出結(jié)果：

0 -1.866261 1 -0.636726 2 0.586037 dtype: float64 3

6) values

以數(shù)組的形式返回 Series 對(duì)象中的數(shù)據(jù)。

import pandas as pd import numpy as np s = pd.Series(np.random.randn(6)) print(s) print(“輸出series中數(shù)據(jù)”) print(s.values)

輸出結(jié)果：

0 -0.502100 1 0.696194 2 -0.982063 3 0.416430 4 -1.384514 5 0.444303 dtype: float64 輸出series中數(shù)據(jù) [-0.50210028 0.69619407 -0.98206327 0.41642976 -1.38451433 0.44430257]

7) index

該屬性用來查看 Series 中索引的取值范圍。示例如下：

#顯示索引 import pandas as pd s=pd.Series([1,2,5,8],index=[‘a(chǎn)’,‘b’,‘c’,‘d’]) print(s.index) #隱式索引 s1=pd.Series([1,2,5,8]) print(s1.index)

輸出結(jié)果：

隱式索引： Index([‘a(chǎn)’, ‘b’, ‘c’, ‘d’], dtype=‘object’) 顯示索引： RangeIndex(start=0, stop=4, step=1)

Series常用方法

1) head()&tail()查看數(shù)據(jù)

如果想要查看 Series 的某一部分?jǐn)?shù)據(jù)，可以使用 head() 或者 tail() 方法。其中 head() 返回前 n 行數(shù)據(jù)，默認(rèn)顯示前 5 行數(shù)據(jù)。示例如下：

import pandas as pd import numpy as np s = pd.Series(np.random.randn(5)) print (“The original series is:”) print (s) #返回前三行數(shù)據(jù) print (s.head(3))

輸出結(jié)果：

原系列輸出結(jié)果: 0 1.249679 1 0.636487 2 -0.987621 3 0.999613 4 1.607751 head(3)輸出： dtype: float64 0 1.249679 1 0.636487 2 -0.987621 dtype: float64

tail() 返回的是后 n 行數(shù)據(jù)，默認(rèn)為后 5 行。示例如下：

import pandas as pd import numpy as np s = pd.Series(np.random.randn(4)) #原series print(s) #輸出后兩行數(shù)據(jù) print (s.tail(2))

輸出結(jié)果：

原Series輸出： 0 0.053340 1 2.165836 2 -0.719175 3 -0.035178 輸出后兩行數(shù)據(jù)： dtype: float64 2 -0.719175 3 -0.035178 dtype: float64

2) isnull()&nonull()檢測(cè)缺失值

isnull() 和 nonull() 用于檢測(cè) Series 中的缺失值。所謂缺失值，顧名思義就是值不存在、丟失、缺少。

isnull()：如果為值不存在或者缺失，則返回 True。notnull()：如果值不存在或者缺失，則返回 False。

其實(shí)不難理解，在實(shí)際的數(shù)據(jù)分析任物中，數(shù)據(jù)的收集往往要經(jīng)歷一個(gè)繁瑣的過程。在這個(gè)過程中難免會(huì)因?yàn)橐恍┎豢煽沽?，或者人為因素?dǎo)致數(shù)據(jù)丟失的現(xiàn)象。這時(shí)，我們可以使用相應(yīng)的方法對(duì)缺失值進(jìn)行處理，比如均值插值、數(shù)據(jù)補(bǔ)齊等方法。上述兩個(gè)方法就是幫助我們檢測(cè)是否存在缺失值。示例如下：

import pandas as pd #None代表缺失數(shù)據(jù) s=pd.Series([1,2,5,None]) print(pd.isnull(s)) #是空值返回True print(pd.notnull(s)) #空值返回False

輸出結(jié)果：

0 False 1 False 2 False 3 True dtype: bool

notnull(): 0 True 1 True 2 True 3 False dtype: bool

Pandas DataFrame入門教程（圖解版）

DataFrame 是 Pandas 的重要數(shù)據(jù)結(jié)構(gòu)之一，也是在使用 Pandas 進(jìn)行數(shù)據(jù)分析過程中最常用的結(jié)構(gòu)之一，可以這么說，掌握了 DataFrame 的用法，你就擁有了學(xué)習(xí)數(shù)據(jù)分析的基本能力。

認(rèn)識(shí)DataFrame結(jié)構(gòu)

DataFrame 一個(gè)表格型的數(shù)據(jù)結(jié)構(gòu)，既有行標(biāo)簽（index），又有列標(biāo)簽（columns），它也被稱異構(gòu)數(shù)據(jù)表，所謂異構(gòu)，指的是表格中每列的數(shù)據(jù)類型可以不同，比如可以是字符串、整型或者浮點(diǎn)型等。其結(jié)構(gòu)圖示意圖，如下所示：

表格中展示了某個(gè)銷售團(tuán)隊(duì)個(gè)人信息和績(jī)效評(píng)級(jí)（rating）的相關(guān)數(shù)據(jù)。數(shù)據(jù)以行和列形式來表示，其中每一列表示一個(gè)屬性，而每一行表示一個(gè)條目的信息。

下表展示了上述表格中每一列標(biāo)簽所描述數(shù)據(jù)的數(shù)據(jù)類型，如下所示：

ColumnTypenameStringageintegergenderStringratingFloat

DataFrame 的每一行數(shù)據(jù)都可以看成一個(gè) Series 結(jié)構(gòu)，只不過，DataFrame 為這些行中每個(gè)數(shù)據(jù)值增加了一個(gè)列標(biāo)簽。因此 DataFrame 其實(shí)是從 Series 的基礎(chǔ)上演變而來。在數(shù)據(jù)分析任務(wù)中 DataFrame 的應(yīng)用非常廣泛，因?yàn)樗枋鰯?shù)據(jù)的更為清晰、直觀。

通過示例對(duì) DataFrame 結(jié)構(gòu)做進(jìn)一步講解。 下面展示了一張學(xué)生成績(jī)表，如下所示：

DataFrame 結(jié)構(gòu)類似于 Execl 的表格型，表格中列標(biāo)簽的含義如下所示：

Regd.No：表示登記的序列號(hào)Name：學(xué)生姓名Marks：學(xué)生分?jǐn)?shù)

同 Series 一樣，DataFrame 自帶行標(biāo)簽索引，默認(rèn)為“隱式索引”即從 0 開始依次遞增，行標(biāo)簽與 DataFrame 中的數(shù)據(jù)項(xiàng)一一對(duì)應(yīng)。上述表格的行標(biāo)簽從 0 到 5，共記錄了 5 條數(shù)據(jù)（圖中將行標(biāo)簽省略）。當(dāng)然你也可以用“顯式索引”的方式來設(shè)置行標(biāo)簽。

下面對(duì) DataFrame 數(shù)據(jù)結(jié)構(gòu)的特點(diǎn)做簡(jiǎn)單地總結(jié)，如下所示：

DataFrame 每一列的標(biāo)簽值允許使用不同的數(shù)據(jù)類型；DataFrame 是表格型的數(shù)據(jù)結(jié)構(gòu)，具有行和列；DataFrame 中的每個(gè)數(shù)據(jù)值都可以被修改。DataFrame 結(jié)構(gòu)的行數(shù)、列數(shù)允許增加或者刪除；DataFrame 有兩個(gè)方向的標(biāo)簽軸，分別是行標(biāo)簽和列標(biāo)簽；DataFrame 可以對(duì)行和列執(zhí)行算術(shù)運(yùn)算。

創(chuàng)建DataFrame對(duì)象

創(chuàng)建 DataFrame 對(duì)象的語(yǔ)法格式如下：

import pandas as pd pd.DataFrame( data, index, columns, dtype, copy)

參數(shù)說明：

參數(shù)名稱說明data輸入的數(shù)據(jù)，可以是 ndarray，series，list，dict，標(biāo)量以及一個(gè) DataFrame。index行標(biāo)簽，如果沒有傳遞 index 值，則默認(rèn)行標(biāo)簽是 np.arange(n)，n 代表 data 的元素個(gè)數(shù)。columns列標(biāo)簽，如果沒有傳遞 columns 值，則默認(rèn)列標(biāo)簽是 np.arange(n)。dtypedtype表示每一列的數(shù)據(jù)類型。copy默認(rèn)為 False，表示復(fù)制數(shù)據(jù) data。

Pandas 提供了多種創(chuàng)建 DataFrame 對(duì)象的方式，主要包含以下五種，分別進(jìn)行介紹。

1) 創(chuàng)建空的DataFrame對(duì)象

使用下列方式創(chuàng)建一個(gè)空的 DataFrame，這是 DataFrame 最基本的創(chuàng)建方法。

import pandas as pd df = pd.DataFrame() print(df)

輸出結(jié)果如下：

Empty DataFrame Columns: [] Index: []

2) 列表創(chuàng)建DataFame對(duì)象

可以使用單一列表或嵌套列表來創(chuàng)建一個(gè) DataFrame。

示例 1，單一列表創(chuàng)建 DataFrame：

import pandas as pd data = [1,2,3,4,5] df = pd.DataFrame(data) print(df)

輸出如下：

0 0 1 1 2 2 3 3 4 4 5

示例 2，使用嵌套列表創(chuàng)建 DataFrame 對(duì)象：

import pandas as pd data = [[‘Alex’,10],[‘Bob’,12],[‘Clarke’,13]] df = pd.DataFrame(data,columns=[‘Name’,‘Age’]) print(df)

輸出結(jié)果：

Name Age 0 Alex 10 1 Bob 12 2 Clarke 13

示例 3，指定數(shù)值元素的數(shù)據(jù)類型為 float：

import pandas as pd data = [[‘Alex’,10],[‘Bob’,12],[‘Clarke’,13]] df = pd.DataFrame(data,columns=[‘Name’,‘Age’],dtype=float) print(df)

輸出結(jié)果：

Name Age 0 Alex 10.0 1 Bob 12.0 2 Clarke 13.0

3) 字典嵌套列表創(chuàng)建

data 字典中，鍵對(duì)應(yīng)的值的元素長(zhǎng)度必須相同（也就是列表長(zhǎng)度相同）。如果傳遞了索引，那么索引的長(zhǎng)度應(yīng)該等于數(shù)組的長(zhǎng)度；如果沒有傳遞索引，那么默認(rèn)情況下，索引將是 range(n)，其中 n 代表數(shù)組長(zhǎng)度。

示例 4：

import pandas as pd data = {‘Name’:[‘Tom’, ‘Jack’, ‘Steve’, ‘Ricky’],‘Age’:[28,34,29,42]} df = pd.DataFrame(data) print(df)

輸出結(jié)果：

Age Name 0 28 Tom 1 34 Jack 2 29 Steve 3 42 Ricky

注意：這里使用了默認(rèn)行標(biāo)簽，也就是 range(n)。它生成了 0,1,2,3，并分別對(duì)應(yīng)了列表中的每個(gè)元素值。

示例 5，現(xiàn)在給上述示例 4 添加自定義的行標(biāo)簽：

import pandas as pd data = {‘Name’:[‘Tom’, ‘Jack’, ‘Steve’, ‘Ricky’],‘Age’:[28,34,29,42]} df = pd.DataFrame(data, index=[‘rank1’,‘rank2’,‘rank3’,‘rank4’]) print(df)

輸出結(jié)果如下：

Age Name rank1 28 Tom rank2 34 Jack rank3 29 Steve rank4 42 Ricky

注意：index 參數(shù)為每行分配了一個(gè)索引。

4) 列表嵌套字典創(chuàng)建DataFrame對(duì)象

列表嵌套字典可以作為輸入數(shù)據(jù)傳遞給 DataFrame 構(gòu)造函數(shù)。默認(rèn)情況下，字典的鍵被用作列名。

示例 6 如下：

import pandas as pd data = [{‘a(chǎn)’: 1, ‘b’: 2},{‘a(chǎn)’: 5, ‘b’: 10, ‘c’: 20}] df = pd.DataFrame(data) print(df)

輸出結(jié)果：

a b c 0 1 2 NaN 1 5 10 20.0

注意：如果其中某個(gè)元素值缺失，也就是字典的 key 無法找到對(duì)應(yīng)的 value，將使用 NaN 代替。

示例 7，給上述示例 6 添加行標(biāo)簽索引：

import pandas as pd data = [{‘a(chǎn)’: 1, ‘b’: 2},{‘a(chǎn)’: 5, ‘b’: 10, ‘c’: 20}] df = pd.DataFrame(data, index=[‘first’, ‘second’]) print(df)

輸出結(jié)果：

a b c first 1 2 NaN second 5 10 20.0

示例 8，如何使用字典嵌套列表以及行、列索引表創(chuàng)建一個(gè) DataFrame 對(duì)象。

import pandas as pd data = [{‘a(chǎn)’: 1, ‘b’: 2},{‘a(chǎn)’: 5, ‘b’: 10, ‘c’: 20}] df1 = pd.DataFrame(data, index=[‘first’, ‘second’], columns=[‘a(chǎn)’, ‘b’]) df2 = pd.DataFrame(data, index=[‘first’, ‘second’], columns=[‘a(chǎn)’, ‘b1’]) print(df1) print(df2)

輸出結(jié)果：

#df2輸出 a b first 1 2 second 5 10

#df1輸出 a b1 first 1 NaN second 5 NaN

注意：因?yàn)?b1 在字典鍵中不存在，所以對(duì)應(yīng)值為 NaN。

5) Series創(chuàng)建DataFrame對(duì)象

您也可以傳遞一個(gè)字典形式的 Series，從而創(chuàng)建一個(gè) DataFrame 對(duì)象，其輸出結(jié)果的行索引是所有 index 的合集。 示例如下：

import pandas as pd d = {‘one’ : pd.Series([1, 2, 3], index=[‘a(chǎn)’, ‘b’, ‘c’]), ‘two’ : pd.Series([1, 2, 3, 4], index=[‘a(chǎn)’, ‘b’, ‘c’, ‘d’])} df = pd.DataFrame(d) print(df)

輸出結(jié)果如下：

one two a 1.0 1 b 2.0 2 c 3.0 3 d NaN 4

注意：對(duì)于 one 列而言，此處雖然顯示了行索引 ‘d’，但由于沒有與其對(duì)應(yīng)的值，所以它的值為 NaN。

列索引操作DataFrame

DataFrame 可以使用列索（columns index）引來完成數(shù)據(jù)的選取、添加和刪除操作。下面依次對(duì)這些操作進(jìn)行介紹。

1) 列索引選取數(shù)據(jù)列

您可以使用列索引，輕松實(shí)現(xiàn)數(shù)據(jù)選取，示例如下：

import pandas as pd d = {‘one’ : pd.Series([1, 2, 3], index=[‘a(chǎn)’, ‘b’, ‘c’]), ‘two’ : pd.Series([1, 2, 3, 4], index=[‘a(chǎn)’, ‘b’, ‘c’, ‘d’])} df = pd.DataFrame(d) print(df [‘one’])

輸出結(jié)果：

a 1.0 b 2.0 c 3.0 d NaN Name: one, dtype: float64

2) 列索引添加數(shù)據(jù)列

使用 columns 列索引表標(biāo)簽可以實(shí)現(xiàn)添加新的數(shù)據(jù)列，示例如下：

import pandas as pd d = {‘one’ : pd.Series([1, 2, 3], index=[‘a(chǎn)’, ‘b’, ‘c’]), ‘two’ : pd.Series([1, 2, 3, 4], index=[‘a(chǎn)’, ‘b’, ‘c’, ‘d’])} df = pd.DataFrame(d) #使用df[‘列’]=值，插入新的數(shù)據(jù)列 df[‘three’]=pd.Series([10,20,30],index=[‘a(chǎn)’,‘b’,‘c’]) print(df) #將已經(jīng)存在的數(shù)據(jù)列做相加運(yùn)算 df[‘four’]=df[‘one’]+df[‘three’] print(df)

輸出結(jié)果：

使用列索引創(chuàng)建新數(shù)據(jù)列: one two three a 1.0 1 10.0 b 2.0 2 20.0 c 3.0 3 30.0 d NaN 4 NaN

已存在的數(shù)據(jù)列做算術(shù)運(yùn)算： one two three four a 1.0 1 10.0 11.0 b 2.0 2 20.0 22.0 c 3.0 3 30.0 33.0 d NaN 4 NaN NaN

上述示例，我們初次使用了 DataFrame 的算術(shù)運(yùn)算，這和 NumPy 非常相似。除了使用df[]=value的方式外，您還可以使用 insert() 方法插入新的列，示例如下：

import pandas as pd info=[[‘Jack’,18],[‘Helen’,19],[‘John’,17]] df=pd.DataFrame(info,columns=[‘name’,‘a(chǎn)ge’]) print(df) #注意是column參數(shù) #數(shù)值1代表插入到columns列表的索引位置 df.insert(1,column=‘score’,value=[91,90,75]) print(df)

輸出結(jié)果：

添加前： name age 0 Jack 18 1 Helen 19 2 John 17

添加后： name score age 0 Jack 91 18 1 Helen 90 19 2 John 75 17

3) 列索引刪除數(shù)據(jù)列

通過 del 和 pop() 都能夠刪除 DataFrame 中的數(shù)據(jù)列。示例如下：

import pandas as pd d = {‘one’ : pd.Series([1, 2, 3], index=[‘a(chǎn)’, ‘b’, ‘c’]), ‘two’ : pd.Series([1, 2, 3, 4], index=[‘a(chǎn)’, ‘b’, ‘c’, ‘d’]), ‘three’ : pd.Series([10,20,30], index=[‘a(chǎn)’,‘b’,‘c’])} df = pd.DataFrame(d) print (“Our dataframe is:”) print(df) #使用del刪除 del df[‘one’] print(df) #使用pop方法刪除 df.pop(‘two’) print (df)

輸出結(jié)果：

原DataFrame: one three two a 1.0 10.0 1 b 2.0 20.0 2 c 3.0 30.0 3 d NaN NaN 4

使用del刪除 first: three two a 10.0 1 b 20.0 2 c 30.0 3 d NaN 4

使用 pop()刪除: three a 10.0 b 20.0 c 30.0 d NaN

行索引操作DataFrame

理解了上述的列索引操作后，行索引操作就變的簡(jiǎn)單。下面看一下，如何使用行索引來選取 DataFrame 中的數(shù)據(jù)。

1) 標(biāo)簽索引選取

可以將行標(biāo)簽傳遞給 loc 函數(shù)，來選取數(shù)據(jù)。示例如下：

import pandas as pd d = {‘one’ : pd.Series([1, 2, 3], index=[‘a(chǎn)’, ‘b’, ‘c’]), ‘two’ : pd.Series([1, 2, 3, 4], index=[‘a(chǎn)’, ‘b’, ‘c’, ‘d’])} df = pd.DataFrame(d) print(df.loc[‘b’])

輸出結(jié)果：

one 2.0two 2.0Name: b, dtype: float64

注意：loc 允許接兩個(gè)參數(shù)分別是行和列，參數(shù)之間需要使用“逗號(hào)”隔開，但該函數(shù)只能接收標(biāo)簽索引。

2) 整數(shù)索引選取

通過將數(shù)據(jù)行所在的索引位置傳遞給 iloc 函數(shù)，也可以實(shí)現(xiàn)數(shù)據(jù)行選取。示例如下：

import pandas as pd d = {‘one’ : pd.Series([1, 2, 3], index=[‘a(chǎn)’, ‘b’, ‘c’]), ‘two’ : pd.Series([1, 2, 3, 4], index=[‘a(chǎn)’, ‘b’, ‘c’, ‘d’])} df = pd.DataFrame(d) print (df.iloc[2]）

輸出結(jié)果：

one 3.0 two 3.0 Name: c, dtype: float64

注意：iloc 允許接受兩個(gè)參數(shù)分別是行和列，參數(shù)之間使用“逗號(hào)”隔開，但該函數(shù)只能接收整數(shù)索引。

3) 切片操作多行選取

您也可以使用切片的方式同時(shí)選取多行。示例如下：

import pandas as pd d = {‘one’ : pd.Series([1, 2, 3], index=[‘a(chǎn)’, ‘b’, ‘c’]), ‘two’ : pd.Series([1, 2, 3, 4], index=[‘a(chǎn)’, ‘b’, ‘c’, ‘d’])} df = pd.DataFrame(d) #左閉右開 print(df[2:4])

輸出結(jié)果：

one two c 3.0 3 d NaN 4

4) 添加數(shù)據(jù)行

使用 append() 函數(shù)，可以將新的數(shù)據(jù)行添加到 DataFrame 中，該函數(shù)會(huì)在行末追加數(shù)據(jù)行。示例如下：

import pandas as pd df = pd.DataFrame([[1, 2], [3, 4]], columns = [‘a(chǎn)’,‘b’]) df2 = pd.DataFrame([[5, 6], [7, 8]], columns = [‘a(chǎn)’,‘b’]) #在行末追加新數(shù)據(jù)行 df = df.append(df2) print(df)

輸出結(jié)果：

a b 0 1 2 1 3 4 0 5 6 1 7 8

5) 刪除數(shù)據(jù)行

您可以使用行索引標(biāo)簽，從 DataFrame 中刪除某一行數(shù)據(jù)。如果索引標(biāo)簽存在重復(fù)，那么它們將被一起刪除。示例如下：

import pandas as pd df = pd.DataFrame([[1, 2], [3, 4]], columns = [‘a(chǎn)’,‘b’]) df2 = pd.DataFrame([[5, 6], [7, 8]], columns = [‘a(chǎn)’,‘b’]) df = df.append(df2) print(df) #注意此處調(diào)用了drop()方法 df = df.drop(0) print (df)

輸出結(jié)果：

執(zhí)行drop(0)前： a b 0 1 2 1 3 4 0 5 6 1 7 8

執(zhí)行drop(0)后： a b 1 3 4 1 7 8

在上述的示例中，默認(rèn)使用 range(2) 生成了行索引，并通過 drop(0) 同時(shí)刪除了兩行數(shù)據(jù)。

常用屬性和方法匯總

DataFrame 的屬性和方法，與 Series 相差無幾，如下所示：

名稱屬性&方法描述T行和列轉(zhuǎn)置。axes返回一個(gè)僅以行軸標(biāo)簽和列軸標(biāo)簽為成員的列表。dtypes返回每列數(shù)據(jù)的數(shù)據(jù)類型。emptyDataFrame中沒有數(shù)據(jù)或者任意坐標(biāo)軸的長(zhǎng)度為0，則返回True。ndim軸的數(shù)量，也指數(shù)組的維數(shù)。shape返回一個(gè)元組，表示了 DataFrame 維度。sizeDataFrame中的元素?cái)?shù)量。values使用 numpy 數(shù)組表示 DataFrame 中的元素值。head()返回前 n 行數(shù)據(jù)。tail()返回后 n 行數(shù)據(jù)。shift()將行或列移動(dòng)指定的步幅長(zhǎng)度

下面對(duì) DataFrame 常用屬性進(jìn)行演示，首先我們創(chuàng)建一個(gè) DataFrame 對(duì)象，示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #輸出series print(df)

輸出結(jié)果：

輸出 series 數(shù)據(jù): Name years Rating 0 c語(yǔ)言中文網(wǎng) 5 4.23 1 編程幫 6 3.24 2 百度 15 3.98 3 360搜索 28 2.56 4 谷歌 3 3.20 5 微學(xué)苑 19 4.60 6 Bing搜索 23 3.80

1) T（Transpose）轉(zhuǎn)置

返回 DataFrame 的轉(zhuǎn)置，也就是把行和列進(jìn)行交換。

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #輸出DataFrame的轉(zhuǎn)置 print(df.T)

輸出結(jié)果：

Our data series is: 0 1 2 3 4 5 6 Name c語(yǔ)言中文網(wǎng) 編程幫 百度 360搜索 谷歌 微學(xué)苑 Bing搜索 years 5 6 15 28 3 19 23 Rating 4.23 3.24 3.98 2.56 3.2 4.6 3.8

2) axes

返回一個(gè)行標(biāo)簽、列標(biāo)簽組成的列表。

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #輸出行、列標(biāo)簽 print(df.axes)

輸出結(jié)果：

[RangeIndex(start=0, stop=7, step=1), Index([‘Name’, ‘years’, ‘Rating’], dtype=‘object’)]

3) dtypes

返回每一列的數(shù)據(jù)類型。示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #輸出行、列標(biāo)簽 print(df.dtypes)

輸出結(jié)果：

Name object years int64 Rating float64 dtype: object

4) empty

返回一個(gè)布爾值，判斷輸出的數(shù)據(jù)對(duì)象是否為空，若為 True 表示對(duì)象為空。

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #判斷輸入數(shù)據(jù)是否為空 print(df.empty)

輸出結(jié)果：

判斷輸入對(duì)象是否為空： False

5) ndim

返回?cái)?shù)據(jù)對(duì)象的維數(shù)。DataFrame 是一個(gè)二維數(shù)據(jù)結(jié)構(gòu)。

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #DataFrame的維度 print(df.ndim)

輸出結(jié)果：

2

6) shape

返回一個(gè)代表 DataFrame 維度的元組。返回值元組 (a,b)，其中 a 表示行數(shù)，b 表示列數(shù)。

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #DataFrame的形狀 print(df.shape) 輸出結(jié)果：

(7, 3)

7) size

返回 DataFrame 中的元素?cái)?shù)量。示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #DataFrame的中元素個(gè)數(shù) print(df.size)

輸出結(jié)果：

21

8) values

以 ndarray 數(shù)組的形式返回 DataFrame 中的數(shù)據(jù)。

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #DataFrame的數(shù)據(jù) print(df.values)

輸出結(jié)果：

[[‘c語(yǔ)言中文網(wǎng)’ 5 4.23] [‘編程幫’ 6 3.24] [‘百度’ 15 3.98] [‘360搜索’ 28 2.56] [‘谷歌’ 3 3.2] [‘微學(xué)苑’ 19 4.6] [‘Bing搜索’ 23 3.8]]

9) head()&tail()查看數(shù)據(jù)

如果想要查看 DataFrame 的一部分?jǐn)?shù)據(jù)，可以使用 head() 或者 tail() 方法。其中 head() 返回前 n 行數(shù)據(jù)，默認(rèn)顯示前 5 行數(shù)據(jù)。示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #獲取前3行數(shù)據(jù) print(df.head(3))

輸出結(jié)果：

Name years Rating 0 c語(yǔ)言中文網(wǎng) 5 4.23 1 編程幫 6 3.24 2 百度 15 3.98

tail() 返回后 n 行數(shù)據(jù)，示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘c語(yǔ)言中文網(wǎng)’,‘編程幫’,“百度”,‘360搜索’,‘谷歌’,‘微學(xué)苑’,‘Bing搜索’]), ‘years’:pd.Series([5,6,15,28,3,19,23]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])} #構(gòu)建DataFrame df = pd.DataFrame(d) #獲取后2行數(shù)據(jù) print(df.tail(2))

輸出結(jié)果：

Name years Rating 5 微學(xué)苑 19 4.6 6 Bing搜索 23 3.8

10) shift()移動(dòng)行或列

如果您想要移動(dòng) DataFrame 中的某一行/列，可以使用 shift() 函數(shù)實(shí)現(xiàn)。它提供了一個(gè)periods參數(shù)，該參數(shù)表示在特定的軸上移動(dòng)指定的步幅。

shif() 函數(shù)的語(yǔ)法格式如下：

DataFrame.shift(periods=1, freq=None, axis=0)

參數(shù)說明如下：

參數(shù)名稱說明peroids類型為int，表示移動(dòng)的幅度，可以是正數(shù)，也可以是負(fù)數(shù)，默認(rèn)值為1。freq日期偏移量，默認(rèn)值為None，適用于時(shí)間序。取值為符合時(shí)間規(guī)則的字符串。axis如果是 0 或者 “index” 表示上下移動(dòng)，如果是 1 或者 “columns” 則會(huì)左右移動(dòng)。fill_value該參數(shù)用來填充缺失值。

該函數(shù)的返回值是移動(dòng)后的 DataFrame 副本。下面看一組簡(jiǎn)單的實(shí)例：

import pandas as pd info= pd.DataFrame({‘a(chǎn)_data’: [40, 28, 39, 32, 18], ‘b_data’: [20, 37, 41, 35, 45], ‘c_data’: [22, 17, 11, 25, 15]}) #移動(dòng)幅度為3 info.shift(periods=3)

輸出結(jié)果：

a_data b_data c_data 0 NaN NaN NaN 1 NaN NaN NaN 2 NaN NaN NaN 3 40.0 20.0 22.0 4 28.0 37.0 17.0

下面使用 fill_value 參數(shù)填充 DataFrame 中的缺失值，如下所示：

import pandas as pd info= pd.DataFrame({‘a(chǎn)_data’: [40, 28, 39, 32, 18], ‘b_data’: [20, 37, 41, 35, 45], ‘c_data’: [22, 17, 11, 25, 15]}) #移動(dòng)幅度為3 print(info.shift(periods=3)) #將缺失值和原數(shù)值替換為52 info.shift(periods=3,axis=1,fill_value= 52)

輸出結(jié)果：

原輸出結(jié)果： a_data b_data c_data 0 NaN NaN NaN 1 NaN NaN NaN 2 NaN NaN NaN 3 40.0 20.0 22.0 4 28.0 37.0 17.0

替換后輸出： a_data b_data c_data 0 52 52 52 1 52 52 52 2 52 52 52 3 52 52 52 4 52 52 52

注意：fill_value 參數(shù)不僅可以填充缺失值，還也可以對(duì)原數(shù)據(jù)進(jìn)行替換。

Pandas Panel三維數(shù)據(jù)結(jié)構(gòu)

Panel 結(jié)構(gòu)也稱“面板結(jié)構(gòu)”，它源自于 Panel Data 一詞，翻譯為“面板數(shù)據(jù)”。如果您使用的是 Pandas 0.25 以前的版本，那么您需要掌握本節(jié)內(nèi)容，否則，作為了解內(nèi)容即可。

自 Pandas 0.25 版本后， Panel 結(jié)構(gòu)已經(jīng)被廢棄。

Panel 是一個(gè)用來承載數(shù)據(jù)的三維數(shù)據(jù)結(jié)構(gòu)，它有三個(gè)軸，分別是 items（0 軸），major_axis（1 軸），而 minor_axis（2 軸）。這三個(gè)軸為描述、操作 Panel 提供了支持，其作用介紹如下：

items：axis =0，Panel 中的每個(gè) items 都對(duì)應(yīng)一個(gè) DataFrame。major_axis：axis=1，用來描述每個(gè) DataFrame 的行索引。minor_axis：axis=2，用來描述每個(gè) DataFrame 的列索引。

pandas.Panel()

您可以使用下列構(gòu)造函數(shù)創(chuàng)建一個(gè) Panel，如下所示：

pandas.Panel(data, items, major_axis, minor_axis, dtype, copy)

參數(shù)說明如下：

參數(shù)名稱描述說明data輸入數(shù)據(jù)，可以是 ndarray，Series，列表，字典，或者 DataFrame。itemsaxis=0major_axisaxis=1minor_axisaxis=2dtype每一列的數(shù)據(jù)類型。copy默認(rèn)為 False，表示是否復(fù)制數(shù)據(jù)。

創(chuàng)建Panel 對(duì)象

下面介紹創(chuàng)建 Panel 對(duì)象的兩種方式：一種是使用 nadarry 數(shù)組創(chuàng)建，另一種使用 DataFrame 對(duì)象創(chuàng)建。首先，我們學(xué)習(xí)如何創(chuàng)建一個(gè)空的 Panel 對(duì)象。

1) 創(chuàng)建一個(gè)空Panel

使用 Panel 的構(gòu)造函數(shù)創(chuàng)建，如下所示：

import pandas as pd p = pd.Panel() print§

輸出結(jié)果：

Dimensions: 0 (items) x 0 (major_axis) x 0 (minor_axis) Items axis: None Major_axis axis: None Minor_axis axis: None

2) ndarray三維數(shù)組創(chuàng)建

import pandas as pd import numpy as np #返回均勻分布的隨機(jī)樣本值位于[0,1）之間 data = np.random.rand(2,4,5) p = pd.Panel(data) print §

輸出結(jié)果：

Dimensions: 2 (items) x 4 (major_axis) x 5 (minor_axis) Items axis: 0 to 1 Major_axis axis: 0 to 3 Minor_axis axis: 0 to 4

請(qǐng)注意與上述示例的空 Panel 進(jìn)行對(duì)比。

3) DataFrame創(chuàng)建

下面使用 DataFrame 創(chuàng)建一個(gè) Panel，示例如下：

import pandas as pd import numpy as np data = {‘Item1’ : pd.DataFrame(np.random.randn(4, 3)), ‘Item2’ : pd.DataFrame(np.random.randn(4, 2))} p = pd.Panel(data) print§

輸出結(jié)果：

Dimensions: 2 (items) x 4 (major_axis) x 3 (minor_axis) Items axis: Item1 to Item2 Major_axis axis: 0 to 3 Minor_axis axis: 0 to 2

Panel中選取數(shù)據(jù)

如果想要從 Panel 對(duì)象中選取數(shù)據(jù)，可以使用 Panel 的三個(gè)軸來實(shí)現(xiàn)，也就是items，major_axis，minor_axis。下面介紹其中一種，大家體驗(yàn)一下即可。

1) 使用 items選取數(shù)據(jù)

示例如下：

import pandas as pd import numpy as np data = {‘Item1’:pd.DataFrame(np.random.randn(4, 3)), ‘Item2’:pd.DataFrame(np.random.randn(4, 2))} p = pd.Panel(data) print(p[‘Item1’])

輸出結(jié)果：

0 1 2 0 0.488224 -0.128637 0.930817 1 0.417497 0.896681 0.576657 2 -2.775266 0.571668 0.290082 3 -0.400538 -0.144234 1.110535

上述示例中 data，包含了兩個(gè)數(shù)據(jù)項(xiàng)，我們選擇了 item1，輸出結(jié)果是 4 行 3 列的 DataFrame，其行、列索引分別對(duì)應(yīng) major_axis 和 minor_axis。

Python Pandas描述性統(tǒng)計(jì)

描述統(tǒng)計(jì)學(xué)（descriptive statistics）是一門統(tǒng)計(jì)學(xué)領(lǐng)域的學(xué)科，主要研究如何取得反映客觀現(xiàn)象的數(shù)據(jù)，并以圖表形式對(duì)所搜集的數(shù)據(jù)進(jìn)行處理和顯示，最終對(duì)數(shù)據(jù)的規(guī)律、特征做出綜合性的描述分析。Pandas 庫(kù)正是對(duì)描述統(tǒng)計(jì)學(xué)知識(shí)完美應(yīng)用的體現(xiàn)，可以說如果沒有“描述統(tǒng)計(jì)學(xué)”作為理論基奠，那么 Pandas 是否存在猶未可知。下列表格對(duì) Pandas 常用的統(tǒng)計(jì)學(xué)函數(shù)做了簡(jiǎn)單的總結(jié)：

函數(shù)名稱描述說明count()統(tǒng)計(jì)某個(gè)非空值的數(shù)量。sum()求和mean()求均值median()求中位數(shù)mode()求眾數(shù)std()求標(biāo)準(zhǔn)差min()求最小值max()求最大值abs()求絕對(duì)值prod()求所有數(shù)值的乘積。cumsum()計(jì)算累計(jì)和，axis=0，按照行累加；axis=1，按照列累加。cumprod()計(jì)算累計(jì)積，axis=0，按照行累積；axis=1，按照列累積。corr()計(jì)算數(shù)列或變量之間的相關(guān)系數(shù)，取值-1到1，值越大表示關(guān)聯(lián)性越強(qiáng)。

從描述統(tǒng)計(jì)學(xué)角度出發(fā)，我們可以對(duì) DataFrame 結(jié)構(gòu)執(zhí)行聚合計(jì)算等其他操作，比如 sum() 求和、mean()求均值等方法。

在 DataFrame 中，使用聚合類方法時(shí)需要指定軸(axis)參數(shù)。下面介紹兩種傳參方式：

對(duì)行操作，默認(rèn)使用 axis=0 或者使用 “index”；對(duì)列操作，默認(rèn)使用 axis=1 或者使用 “columns”。

圖1：axis軸示意圖

從圖 1 可以看出，axis=0 表示按垂直方向進(jìn)行計(jì)算，而 axis=1 則表示按水平方向。下面讓我們創(chuàng)建一個(gè) DataFrame，使用它對(duì)本節(jié)的內(nèi)容進(jìn)行演示。

創(chuàng)建一個(gè) DataFrame 結(jié)構(gòu)，如下所示：

import pandas as pd import numpy as np #創(chuàng)建字典型series結(jié)構(gòu) d = {‘Name’:pd.Series([‘小明’,‘小亮’,‘小紅’,‘小華’,‘老趙’,‘小曹’,‘小陳’, ‘老李’,‘老王’,‘小馮’,‘小何’,‘老張’]), ‘Age’:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65]) } df = pd.DataFrame(d) print(df)

輸出結(jié)果：

Name Age Rating 0 小明 25 4.23 1 小亮 26 3.24 2 小紅 25 3.98 3 小華 23 2.56 4 老趙 30 3.20 5 小曹 29 4.60 6 小陳 23 3.80 7 老李 34 3.78 8 老王 40 2.98 9 小馮 30 4.80 10 小何 51 4.10 11 老張 46 3.65

sum()求和

在默認(rèn)情況下，返回 axis=0 的所有值的和。示例如下：

import pandas as pd import numpy as np #創(chuàng)建字典型series結(jié)構(gòu) d = {‘Name’:pd.Series([‘小明’,‘小亮’,‘小紅’,‘小華’,‘老趙’,‘小曹’,‘小陳’, ‘老李’,‘老王’,‘小馮’,‘小何’,‘老張’]), ‘Age’:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65]) } df = pd.DataFrame(d) #默認(rèn)axis=0或者使用sum(“index”) print(df.sum())

輸出結(jié)果：

Name 小明小亮小紅小華老趙小曹小陳老李老王小馮小何老張 Age 382 Rating 44.92 dtype: object

注意：sum() 和 cumsum() 函數(shù)可以同時(shí)處理數(shù)字和字符串?dāng)?shù)據(jù)。雖然字符聚合通常不被使用，但使用這兩個(gè)函數(shù)并不會(huì)拋出異常；而對(duì)于 abs()、cumprod() 函數(shù)則會(huì)拋出異常，因?yàn)樗鼈儫o法操作字符串?dāng)?shù)據(jù)。

下面再看一下 axis=1 的情況，如下所示：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘小明’,‘小亮’,‘小紅’,‘小華’,‘老趙’,‘小曹’,‘小陳’, ‘老李’,‘老王’,‘小馮’,‘小何’,‘老張’]), ‘Age’:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65]) } df = pd.DataFrame(d) #也可使用sum(“columns”)或sum(1) print(df.sum(axis=1))

輸出結(jié)果：

0 29.23 1 29.24 2 28.98 3 25.56 4 33.20 5 33.60 6 26.80 7 37.78 8 42.98 9 34.80 10 55.10 11 49.65 dtype: float64

mean()求均值

示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘小明’,‘小亮’,‘小紅’,‘小華’,‘老趙’,‘小曹’,‘小陳’, ‘老李’,‘老王’,‘小馮’,‘小何’,‘老張’]), ‘Age’:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65]) } df = pd.DataFrame(d) print(df.mean())

輸出結(jié)果：

Age 31.833333 Rating 3.743333 dtype: float64

std()求標(biāo)準(zhǔn)差

返回?cái)?shù)值列的標(biāo)準(zhǔn)差，示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘小明’,‘小亮’,‘小紅’,‘小華’,‘老趙’,‘小曹’,‘小陳’, ‘老李’,‘老王’,‘小馮’,‘小何’,‘老張’]), ‘Age’:pd.Series([25,26,25,23,59,19,23,44,40,30,51,54]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65]) } df = pd.DataFrame(d) print(df.std())

輸出結(jié)果：

Age 13.976983 Rating 0.661628 dtype: float64

標(biāo)準(zhǔn)差是方差的算術(shù)平方根，它能反映一個(gè)數(shù)據(jù)集的離散程度。注意，平均數(shù)相同的兩組數(shù)據(jù)，標(biāo)準(zhǔn)差未必相同。

數(shù)據(jù)匯總描述

describe() 函數(shù)顯示與 DataFrame 數(shù)據(jù)列相關(guān)的統(tǒng)計(jì)信息摘要。示例如下：

自我介紹一下，小編13年上海交大畢業(yè)，曾經(jīng)在小公司待過，也去過華為、OPPO等大廠，18年進(jìn)入阿里一直到現(xiàn)在。

深知大多數(shù)Go語(yǔ)言工程師，想要提升技能，往往是自己摸索成長(zhǎng)或者是報(bào)班學(xué)習(xí)，但對(duì)于培訓(xùn)機(jī)構(gòu)動(dòng)則幾千的學(xué)費(fèi)，著實(shí)壓力不小。自己不成體系的自學(xué)效果低效又漫長(zhǎng)，而且極易碰到天花板技術(shù)停滯不前！

因此收集整理了一份《2024年Go語(yǔ)言全套學(xué)習(xí)資料》，初衷也很簡(jiǎn)單，就是希望能夠幫助到想自學(xué)提升又不知道該從何學(xué)起的朋友，同時(shí)減輕大家的負(fù)擔(dān)。

既有適合小白學(xué)習(xí)的零基礎(chǔ)資料，也有適合3年以上經(jīng)驗(yàn)的小伙伴深入學(xué)習(xí)提升的進(jìn)階課程，基本涵蓋了95%以上Golang知識(shí)點(diǎn)，真正體系化！

由于文件比較大，這里只是將部分目錄大綱截圖出來，每個(gè)節(jié)點(diǎn)里面都包含大廠面經(jīng)、學(xué)習(xí)筆記、源碼講義、實(shí)戰(zhàn)項(xiàng)目、講解視頻，并且后續(xù)會(huì)持續(xù)更新

如果你覺得這些內(nèi)容對(duì)你有幫助，可以添加V獲?。簐ip1024b （備注Go）

一個(gè)人可以走的很快，但一群人才能走的更遠(yuǎn)。不論你是正從事IT行業(yè)的老鳥或是對(duì)IT行業(yè)感興趣的新人，都?xì)g迎掃碼加入我們的的圈子（技術(shù)交流、學(xué)習(xí)資源、職場(chǎng)吐槽、大廠內(nèi)推、面試輔導(dǎo)），讓我們一起學(xué)習(xí)成長(zhǎng)！

s([25,26,25,23,30,29,23,34,40,30,51,46]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65]) } df = pd.DataFrame(d) #也可使用sum(“columns”)或sum(1) print(df.sum(axis=1))

輸出結(jié)果：

0 29.23 1 29.24 2 28.98 3 25.56 4 33.20 5 33.60 6 26.80 7 37.78 8 42.98 9 34.80 10 55.10 11 49.65 dtype: float64

mean()求均值

示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘小明’,‘小亮’,‘小紅’,‘小華’,‘老趙’,‘小曹’,‘小陳’, ‘老李’,‘老王’,‘小馮’,‘小何’,‘老張’]), ‘Age’:pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65]) } df = pd.DataFrame(d) print(df.mean())

輸出結(jié)果：

Age 31.833333 Rating 3.743333 dtype: float64

std()求標(biāo)準(zhǔn)差

返回?cái)?shù)值列的標(biāo)準(zhǔn)差，示例如下：

import pandas as pd import numpy as np d = {‘Name’:pd.Series([‘小明’,‘小亮’,‘小紅’,‘小華’,‘老趙’,‘小曹’,‘小陳’, ‘老李’,‘老王’,‘小馮’,‘小何’,‘老張’]), ‘Age’:pd.Series([25,26,25,23,59,19,23,44,40,30,51,54]), ‘Rating’:pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65]) } df = pd.DataFrame(d) print(df.std())

輸出結(jié)果：

Age 13.976983 Rating 0.661628 dtype: float64

標(biāo)準(zhǔn)差是方差的算術(shù)平方根，它能反映一個(gè)數(shù)據(jù)集的離散程度。注意，平均數(shù)相同的兩組數(shù)據(jù)，標(biāo)準(zhǔn)差未必相同。

數(shù)據(jù)匯總描述

describe() 函數(shù)顯示與 DataFrame 數(shù)據(jù)列相關(guān)的統(tǒng)計(jì)信息摘要。示例如下：

自我介紹一下，小編13年上海交大畢業(yè)，曾經(jīng)在小公司待過，也去過華為、OPPO等大廠，18年進(jìn)入阿里一直到現(xiàn)在。

深知大多數(shù)Go語(yǔ)言工程師，想要提升技能，往往是自己摸索成長(zhǎng)或者是報(bào)班學(xué)習(xí)，但對(duì)于培訓(xùn)機(jī)構(gòu)動(dòng)則幾千的學(xué)費(fèi)，著實(shí)壓力不小。自己不成體系的自學(xué)效果低效又漫長(zhǎng)，而且極易碰到天花板技術(shù)停滯不前！

因此收集整理了一份《2024年Go語(yǔ)言全套學(xué)習(xí)資料》，初衷也很簡(jiǎn)單，就是希望能夠幫助到想自學(xué)提升又不知道該從何學(xué)起的朋友，同時(shí)減輕大家的負(fù)擔(dān)。 [外鏈圖片轉(zhuǎn)存中…(img-w37ZLIlO-1712980024109)] [外鏈圖片轉(zhuǎn)存中…(img-e7zfOMmm-1712980024110)] [外鏈圖片轉(zhuǎn)存中…(img-l6znK22j-1712980024111)] [外鏈圖片轉(zhuǎn)存中…(img-kACfZbqU-1712980024111)] [外鏈圖片轉(zhuǎn)存中…(img-08sMwyvR-1712980024112)]

既有適合小白學(xué)習(xí)的零基礎(chǔ)資料，也有適合3年以上經(jīng)驗(yàn)的小伙伴深入學(xué)習(xí)提升的進(jìn)階課程，基本涵蓋了95%以上Golang知識(shí)點(diǎn)，真正體系化！

由于文件比較大，這里只是將部分目錄大綱截圖出來，每個(gè)節(jié)點(diǎn)里面都包含大廠面經(jīng)、學(xué)習(xí)筆記、源碼講義、實(shí)戰(zhàn)項(xiàng)目、講解視頻，并且后續(xù)會(huì)持續(xù)更新

如果你覺得這些內(nèi)容對(duì)你有幫助，可以添加V獲取：vip1024b （備注Go） [外鏈圖片轉(zhuǎn)存中…(img-gP12JjfX-1712980024112)]

一個(gè)人可以走的很快，但一群人才能走的更遠(yuǎn)。不論你是正從事IT行業(yè)的老鳥或是對(duì)IT行業(yè)感興趣的新人，都?xì)g迎掃碼加入我們的的圈子（技術(shù)交流、學(xué)習(xí)資源、職場(chǎng)吐槽、大廠內(nèi)推、面試輔導(dǎo)），讓我們一起學(xué)習(xí)成長(zhǎng)！

柚子快報(bào)邀請(qǐng)碼778899分享：Pandas教程（非常詳細(xì)）

http://yzkb.51969.com/

好文鏈接