pandas常用操作

1. 数据读取与存取

读取数据到dataframe中
pd.DataFrame.from_csv('csv_file') # 将csv文件读取,放入df中
pd.read_csv('csv_file') # 将csv文件读取,放入df中。同样有‘'read_excel'等方法
将dataframe写入csv等格式文件
df.to_csv('file.csv', sep=',', index=False) #将数据写入file.csv文件,同样,也有'to_excel'等方法


2. 数据类型转换

df.to_dict() #将df类型转成dict类型
df.to_json() #将df类型转成json类型
df.to_numpy() #将df类型转成numpy类型,与'.values'方法结果一致
pd.to_datetime() # 将表示时间的str转变成Timestamp
pd.Timestamp() # 将表示时间的str转变成Timestamp


3. 数据集信息

df.info() #数据集基本信息
df.describe() #数据集基本统计信息
统计信息包括:均值、标准差、四分位数,可以在此基础上计算出其他统计量


4. df类型和ds类型基本属性

df.index # 返回pandas.core.indexes类型
df.index.to_list() # 将index中每个元素放入list中
pandas.Series 同样有上述属性
df.columns # 返回pandas.core.indexes类型
df.columns.to_list() # 将columns中每个元素放入list中
tips: df.indexdf.index.to_list()返回的结果都可以用'[0]'的方式索引,结果一样。
df_new = pd.DataFrame(df.values, index=df.index, columns=df.colunns)
df_new = pd.DataFrame(df.values, index=df.index.to_list(), columns=df.colunns.to_list())
pandas.Series类型没有columns属性,但是有name属性
ds = pd.Series(np.random.randn(100,), index=df.index, name='随机数')


5. 基本数据操作

检查Nan值 df.isnull() 检查缺失值,即数值数组中的 NaN 和目标数组中的 None/NaN
删除缺失值df.dropna(axis=0, how='any') 表示删除含有Nan值的行
替换缺失值df.replace(to_replace=None, value=None) 表示用value值替换to_replace值
删除特征df.drop('feature_variable_name', axis=1) axis默认0
取前 [n] 行df.head(n) 默认前5行


6. DataFrame基本操作

改变index df.index=df['time'] 表示将df中‘time’列作为新的索引
改变columns df.columns=['a', 'b'] 表示将原来的列名更换成‘a’和‘b’,注意个数要一样
重命名列 df.rename(columns = {df.columns[2]:'size'}, inplace=True) 表示将原先的第3列名称换成‘size’
重新索引df.reindex([]) []表示新的索引顺序,原来['a','b','c'], 可以变成['b','a','c']
根据索引排序 df.sort_index()
根据元素值排序df.sort_values()
df合并 pd.concat(axis=0)
数据查询:
df.iloc[] 用索引值
df.loc[]用index和columns实际名称
df['size']根据columns中某一名称
df.szie取df中‘size’这一列
分组功能 df.groupby()
分割区间pd.cut()
apply方法pd.apply()

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,658评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,482评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,213评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,395评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,487评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,523评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,525评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,300评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,753评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,048评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,223评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,905评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,541评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,168评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,417评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,094评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,088评论 2 352

推荐阅读更多精彩内容