网站离线浏览器 怎么做,网站开发做表格示例,杭州高端网页设计,湖南省住房和城乡建设厅官方网站目录
一、用法精讲
55、pandas.lreshape函数
55-1、语法
55-2、参数
55-3、功能
55-4、返回值
55-5、说明
55-6、用法
55-6-1、数据准备
55-6-2、代码示例
55-6-3、结果输出
56、pandas.wide_to_long函数
56-1、语法
56-2、参数
56-3、功能
56-4、返回值
56-5…目录
一、用法精讲
55、pandas.lreshape函数
55-1、语法
55-2、参数
55-3、功能
55-4、返回值
55-5、说明
55-6、用法
55-6-1、数据准备
55-6-2、代码示例
55-6-3、结果输出
56、pandas.wide_to_long函数
56-1、语法
56-2、参数
56-3、功能
56-4、返回值
56-5、说明
56-6、用法
56-6-1、数据准备
56-6-2、代码示例
56-6-3、结果输出
57、pandas.isna函数
57-1、语法
57-2、参数
57-3、功能
57-4、返回值
57-5、说明
57-6、用法
57-6-1、数据准备
57-6-2、代码示例
57-6-3、结果输出
二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页 一、用法精讲
55、pandas.lreshape函数
55-1、语法
# 55、pandas.lreshape函数
pandas.lreshape(data, groups, dropnaTrue)
Reshape wide-format data to long. Generalized inverse of DataFrame.pivot.Accepts a dictionary, groups, in which each key is a new column name and each value is a list of old column names that will be “melted” under the new column name as part of the reshape.Parameters:
data
DataFrame
The wide-format DataFrame.groups
dict
{new_name : list_of_columns}.dropna
bool, default True
Do not include columns whose entries are all NaN.Returns:
DataFrame
Reshaped DataFrame.
55-2、参数
55-2-1、data(必须)要进行重塑的Pandas数据框。
55-2-2、groups(必须)一个字典用于指定要重塑的列组字典的键是新列的名称值是要重塑的列列表例如{A: [A1, A2], B: [B1, B2]}。
55-2-3、dropna(可选默认值为True)指定是否在重塑过程中丢弃包含NaN的行如果设置为True则会丢弃包含NaN的行如果设置为False则保留NaN。
55-3、功能 根据指定的列组对数据框进行重塑将宽格式的数据转换为长格式。
55-4、返回值 返回一个重塑后的Pandas数据框其中包含从宽格式转换为长格式的数据。
55-5、说明 Pandas.Ireshape是一个强大的工具可以根据指定的列组对数据框进行宽转长的重塑它具有三个参数
55-5-1、data要重塑的DataFrame。
55-5-2、groups一个字典定义新的列组。
55-5-3、dropna指定是否丢弃包含NaN的行。 通过理解和正确使用这些参数可以灵活地重塑数据框从而更好地组织和分析数据。
55-6、用法
55-6-1、数据准备
无
55-6-2、代码示例
# 55、pandas.lreshape函数
import pandas as pd
# 创建示例数据框
data pd.DataFrame({A1: [1, 2, 3],A2: [4, 5, 6],B1: [a, b, c],B2: [d, e, f]
})
# 定义列组
groups {A: [A1, A2],B: [B1, B2]
}
# 使用pandas.lreshape进行重塑
reshaped pd.lreshape(data, groups)
print(reshaped)
55-6-3、结果输出
# 55、pandas.lreshape函数
# A B
# 0 1 a
# 1 2 b
# 2 3 c
# 3 4 d
# 4 5 e
# 5 6 f
56、pandas.wide_to_long函数
56-1、语法
# 56、pandas.wide_to_long函数
pandas.wide_to_long(df, stubnames, i, j, sep, suffix\\d)
Unpivot a DataFrame from wide to long format.Less flexible but more user-friendly than melt.With stubnames [‘A’, ‘B’], this function expects to find one or more group of columns with format A-suffix1, A-suffix2,…, B-suffix1, B-suffix2,… You specify what you want to call this suffix in the resulting long format with j (for example j’year’)Each row of these wide variables are assumed to be uniquely identified by i (can be a single column name or a list of column names)All remaining variables in the data frame are left intact.Parameters:
df
DataFrame
The wide-format DataFrame.stubnames
str or list-like
The stub name(s). The wide format variables are assumed to start with the stub names.i
str or list-like
Column(s) to use as id variable(s).j
str
The name of the sub-observation variable. What you wish to name your suffix in the long format.sep
str, default “”
A character indicating the separation of the variable names in the wide format, to be stripped from the names in the long format. For example, if your column names are A-suffix1, A-suffix2, you can strip the hyphen by specifying sep’-’.suffix
str, default ‘\d’
A regular expression capturing the wanted suffixes. ‘\d’ captures numeric suffixes. Suffixes with no numbers could be specified with the negated character class ‘\D’. You can also further disambiguate suffixes, for example, if your wide variables are of the form A-one, B-two,.., and you have an unrelated column A-rating, you can ignore the last one by specifying suffix’(!?one|two)’. When all suffixes are numeric, they are cast to int64/float64.Returns:
DataFrame
A DataFrame that contains each stub name as a variable, with new index (i, j).
56-2、参数
56-2-1、df(必须)要进行重塑的Pandas数据框。
56-2-2、stubnames(必须)列名前缀的列表这些列将被转换为长格式。比如如果列名是A1970, A1980, B1970, B1980那么stubnames应该是[A, B]。
56-2-3、i(必须)表示唯一标识每一行的列名或列名列表重塑后的每一行将保留这些列。
56-2-4、j(必须)新列的名称这列将包含从宽格式中提取的时间或编号信息。例如year可以作为j。
56-2-5、sep(可选默认值为)列名中stubnames和j部分之间的分隔符。例如如果列名是A-1970那么sep应该是-。
56-2-6、suffix(可选默认值为\\d)stubnames后缀的正则表达式模式用于匹配列名中的时间或编号部分默认情况下匹配一个或多个数字。
56-3、功能 用于将数据从宽格式(wide format)转换为长格式(long format)这个函数特别适用于处理时间序列数据或面板数据。
56-4、返回值 返回一个重塑后的Pandas数据框其中包含从宽格式转换为长格式的数据。
56-5、说明 Pandas.wide_to_long是一个强大的工具可以通过指定列名前缀、标识列、时间或编号列来将宽格式的数据转换为长格式。它具有以下参数
56-5-1、df要重塑的DataFrame。
56-5-2、stubnames列名前缀列表。
56-5-3、i唯一标识每一行的列名或列名列表。
56-5-4、j新列的名称用于包含时间或编号信息。
56-5-5、sep列名中前缀和时间/编号部分之间的分隔符。
56-5-6、suffix匹配时间或编号部分的正则表达式模式。 理解并正确使用这些参数可以灵活地重塑数据框以便更好地进行数据分析和处理。
56-6、用法
56-6-1、数据准备
无
56-6-2、代码示例
# 56、pandas.wide_to_long函数
import pandas as pd
# 创建示例数据框
df pd.DataFrame({id: [1, 2, 3],A1970: [2.5, 1.5, 3.0],A1980: [2.0, 1.0, 3.5],B1970: [3.0, 2.0, 4.0],B1980: [3.5, 2.5, 4.5]
})
# 使用pandas.wide_to_long进行重塑
df_long pd.wide_to_long(df, stubnames[A, B], iid, jyear, sep, suffix\\d)
print(df_long)
56-6-3、结果输出
# 56、pandas.wide_to_long函数
# A B
# id year
# 1 1970 2.5 3.0
# 2 1970 1.5 2.0
# 3 1970 3.0 4.0
# 1 1980 2.0 3.5
# 2 1980 1.0 2.5
# 3 1980 3.5 4.5
57、pandas.isna函数
57-1、语法
# 57、pandas.isna函数
pandas.isna(obj)
Detect missing values for an array-like object.This function takes a scalar or array-like object and indicates whether values are missing (NaN in numeric arrays, None or NaN in object arrays, NaT in datetimelike).Parameters:
obj
scalar or array-like
Object to check for null or missing values.Returns:
bool or array-like of bool
For scalar input, returns a scalar boolean. For array input, returns an array of boolean indicating whether each corresponding element is missing.
57-2、参数
57-2-1、obj(必须)要检查缺失值的对象可以是单个标量值、数组、Series、DataFrame或其他类似的pandas对象。
57-3、功能 用于检测缺失值NA值在Pandas中表示缺失或无效的数据。
57-4、返回值 返回一个布尔型对象与输入obj具有相同的形状布尔型对象中的True表示对应位置的值为缺失值False表示不是缺失值。
57-5、说明 pandas.isna(obj)是一个非常实用的函数用于检测任何pandas对象中的缺失值它适用于单个值、数组、Series和DataFrame等多种类型的数据结构返回的布尔型对象可以用于进一步的数据清洗和处理操作。
57-6、用法
57-6-1、数据准备
无
57-6-2、代码示例
# 57、pandas.isna函数
# 57-1、检查单个标量值
import pandas as pd
import numpy as np
print(pd.isna(np.nan))
print(pd.isna(3.14))
print(pd.isna(None), end\n\n)# 57-2、检查Series
import pandas as pd
# 创建一个Series
s pd.Series([1, 2, np.nan, 4, None])
# 检查Series中的缺失值
print(pd.isna(s), end\n\n)# 57-3、检查DataFrame
import pandas as pd
# 创建一个DataFrame
df pd.DataFrame({A: [1, 2, np.nan],B: [np.nan, 4, 5],C: [1, np.nan, np.nan]
})
# 检查DataFrame中的缺失值
print(pd.isna(df))
57-6-3、结果输出
# 57、pandas.isna函数
# 57-1、检查单个标量值
# True
# False
# True# 57-2、检查Series
# 0 False
# 1 False
# 2 True
# 3 False
# 4 True
# dtype: bool# 57-3、检查DataFrame
# A B C
# 0 False True False
# 1 False False True
# 2 True False True
二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
