江阴网站建设培训,炒股网站怎么做,怎么写软文,视频网站做电商Pandas是Python中用于数据分析的一个强大的库#xff0c;它提供了许多功能丰富的函数。本文介绍其中高频使用的30个函数。
read_csv(): 从CSV文件中读取数据并创建DataFrame对象。
import pandas as pd
df pd.read_csv(data.csv) read_excel(): 从Excel文件中读取数据…Pandas是Python中用于数据分析的一个强大的库它提供了许多功能丰富的函数。本文介绍其中高频使用的30个函数。
read_csv(): 从CSV文件中读取数据并创建DataFrame对象。
import pandas as pd
df pd.read_csv(data.csv) read_excel(): 从Excel文件中读取数据并创建DataFrame对象。
df pd.read_excel(data.xlsx) to_excel(): 输出数据并保存在新的excel文件中。
df.to_excel(data_output.xlsx) head(): 返回前n行数据默认为5。
print(df.head(5)) tail(): 返回最后n行数据默认为5。
print(df.tail(5)) shape: 返回DataFrame的形状行数和列数。
rows, cols df.shape
print(fRows: {rows}, Columns: {cols}) columns: 返回DataFrame的列名列表。
column_names df.columns
print(column_names) index: 返回DataFrame的索引列表。
index_list df.index
print(index_list) describe(): 生成描述性统计信息包括计数、平均值、标准差等。
statistics df.describe()
print(statistics) info(): 返回DataFrame的信息摘要包括索引、列、非空值数量和内存信息。
print(df.info()) dtypes: 返回每列的数据类型。
data_types df.dtypes
print(data_types) drop(): 删除指定行或列。
df df.drop(column_name, axis1) sort_values(): 根据指定列的值对DataFrame进行排序。
df_sorted df.sort_values(column_name) loc[]: 通过标签选择数据。
dfpd.DataFrame({Column1: [1,0,0,0,0,0,2,2], Column2: [1,1,0,0,0,0,2,2], Column3: [0,0,0,1,0,0,2,2], Column4: [1,0,0,1,0,0,2,2]})
df.loc[:,Column2] iloc[]: 通过整数位置选择数据。
cell_data df.iloc[1, 2] at[]: 选择单个元素。
element_value df.at[1, Column4] iat[]: 选择单个元素。
element_value df.iat[1, 2] isnull(): 检查缺失值。
missing_values df.isnull() notnull(): 检查非缺失值。
non_missing_values df.notnull() fillna(): 填充缺失值。
df_filled df.fillna(0) replace(): 替换值。
df_replaced df.replace(old_value, new_value) rename(): 重命名列名。
df_renamed df.rename(columns{old_name: new_name}) set_index(): 设置索引列。
df_indexed df.set_index(column_name) reset_index(): 重置索引。
df_reset df.reset_index() groupby(): 根据指定列对数据进行分组。
grouped df.groupby(column_name) agg(): 对分组后的数据应用聚合函数。
aggregated grouped.agg({column_name: [sum, mean]}) unique(): 查找该列唯一值。
dfpd.DataFrame({Column1: [1,0,0,0,0,0,2,2], Column2: [1,1,0,0,0,0,2,2], Column3: [0,0,0,1,0,0,2,2], Column4: [1,0,0,1,0,0,2,2]})
list(df[Column1].unique())#唯一值是012 concat(): 连接两个或多个DataFrame。
df_concatenated pd.concat([df1, df2]) merge(): 合并两个DataFrame根据一个或多个键进行连接。
merged_df pd.merge(df1, df2, onkey) apply(): 应用函数至指定行或列。
df[new_column] df[column_name].apply(lambda x: x * 2) # 对列应用函数 以上这些函数覆盖了从数据加载、预处理、转换到分析的各个阶段。Pandas的强大之处在于其函数的灵活性和易用性使得数据分析工作变得简单高效。
关于Python技术提升
由于文章篇幅有限文档资料内容较多需要这些文档的朋友可以加小助手微信免费获取【保证100%免费】中国人不骗中国人。 **扫码立即免费领取**全套Python学习资料分享
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理形成各个领域的知识点汇总它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。 二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了还有环境配置的教程给大家节省了很多时间。 三、全套PDF电子书
书籍的好处就在于权威和体系健全刚开始学习的时候你可以只看视频或者听某个人讲课但等你学完之后你觉得你掌握了这时候建议还是得去看一下书籍看权威技术书籍也是每个程序员必经之路。 四、入门学习视频全套
我们在看视频学习的时候不能光动眼动脑不动手比较科学的学习方法是在理解之后运用它们这时候练手项目就很适合了。 五、实战案例
光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。 如有侵权请联系删除。
