Pandas中DataFrame数据的常用操作（创建、转置、查询、排序、缺失、运算、合并、追加、修改、分组、压缩等）1. 导包2. 创建DataFrame对象3. 数据转置4. 排序5. 数据查询操作6. 修改数据7. 缺失数据8. 数据运算df1.apply()9. 数据合并10. 追加数据df1.append()（行尾追加一行数据）11. 分组操作12. 数据压缩“compress”

87 阅读 0 评论 58 点赞

我是靠谱客的博主淡定往事，最近开发中收集的这篇文章主要介绍Pandas中DataFrame数据的常用操作（创建、转置、查询、排序、缺失、运算、合并、追加、修改、分组、压缩等）1. 导包2. 创建DataFrame对象3. 数据转置4. 排序5. 数据查询操作6. 修改数据7. 缺失数据8. 数据运算df1.apply()9. 数据合并10. 追加数据df1.append()（行尾追加一行数据）11. 分组操作12. 数据压缩“compress”，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

Pandas有两个最主要也是最重要的数据结构： Series 和 DataFrame

1. 导包

In [1]: import numpy as np
In [2]: import pandas as pd

2. 创建DataFrame对象

2.1 通过`numpy`数组(array)创建, 以`datetime`为索引，并设置列标签

In [4]: dates = pd.date_range('20190601',periods = 4)
In [5]: dates
Out[5]:
DatetimeIndex(['2019-06-01', '2019-06-02', '2019-06-03', '2019-06-04'], dtype='datetime64[ns]', freq='D')
In [10]: np.random.seed(1)
# 设置随机数种子，确保随机得到的df1是相同的（参数 1 可以是任意一个整数）

In [11]: df1 = pd.DataFrame(np.random.randint(-10,20,size=(4,5)), index=dates, columns=list('ABCDE'))
In [12]: df1
Out[12]:
A
B
C
D
E
2019-06-01 -5
1
2
-2
-1
2019-06-02
1
-5
5 -10
6
2019-06-03 -9
2 -3
3
18
2019-06-04 -4
15
8
10
-5

2.2 通过可以转换为Series的字典创建

In [13]: df2 = pd.DataFrame({ 'A' : 3.,
...:
'B' : pd.Timestamp('20190601'),
...:
'C' : pd.Series(1,index=list(range(4)),dtype='float32'),
...:
'D' : np.array([3] * 4,dtype='int32'),
...:
'E' : pd.Categorical(["tiger","pig","duck","cat"]),
...:
'F' : 'str' })
In [14]: df2
Out[14]:
A
B
C
D
E
F
0
3.0 2019-06-01
1.0
3
tiger
str
1
3.0 2019-06-01
1.0
3
pig
str
2
3.0 2019-06-01
1.0
3
duck
str
3
3.0 2019-06-01
1.0
3
cat
str

In [96]: df3 = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar','foo', 'bar', 'foo', 'foo'],
...:
'B' : ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
...:
'C' : np.random.randn(8),
...:
'D' : np.random.randn(8)})
In [97]: df3
Out[97]:
A
B
C
D
0
foo
one -0.528172
1.462108
1
bar
one -1.072969 -2.060141
2
foo
two
0.865408 -0.322417
3
bar
three -2.301539 -0.384054
4
foo
two
1.744812
1.133769
5
bar
two -0.761207 -1.099891
6
foo
one
0.319039 -0.172428
7
foo
three -0.249370 -0.877858

3. 数据转置

In [53]: df1.T
Out[53]:
2019-06-01
2019-06-02
2019-06-03
2019-06-04
A
-2
7
17
4
B
3
14
7
4
C
8
2
8
18
D
2
-9
-1
4
E
19
17
1
4

4. 排序

按axis=0轴的索引降序排序（升序去掉ascending=False）

In [57]: df1.sort_index(axis=0, ascending=False)
Out[57]:
A
B
C
D
E
2019-06-04
4
4
18
4
4
2019-06-03
17
7
8 -1
1
2019-06-02
7
14
2 -9
17
2019-06-01
-2
3
8
2
19

按axis=1轴的列标签降序排序（升序去掉ascending=False）

In [54]: df1.sort_index(axis=1, ascending=False)
Out[54]:
E
D
C
B
A
2019-06-01
19
2
8
3
-2
2019-06-02
17 -9
2
14
7
2019-06-03
1 -1
8
7
17
2019-06-04
4
4
18
4
4

按 列标签 'B'升序排序（降序加上ascending=False）

In [59]: df1.sort_values(by='B')
Out[59]:
A
B
C
D
E
2019-06-01
-2
3
8
2
19
2019-06-04
4
4
18
4
4
2019-06-03
17
7
8 -1
1
2019-06-02
7
14
2 -9
17

5. 数据查询操作

5.1 查询前n行:`DataFrame.head()`;查看后n行:`DataFrame.tail()`

In [15]: df1.head(2)
Out[15]:
A
B
C
D
E
2019-06-01 -5
1
2
-2 -1
2019-06-02
1 -5
5 -10
6
In [16]: df1.tail(3)
Out[16]:
A
B
C
D
E
2019-06-02
1
-5
5 -10
6
2019-06-03 -9
2 -3
3
18
2019-06-04 -4
15
8
10
-5

5.2 查询数据索引`index`、列标签`columns`和数据`values`

In [17]: df1.index
Out[17]: DatetimeIndex(['2019-06-01', '2019-06-02', '2019-06-03', '2019-06-04'], dtype='datetime64[ns]', freq='D')
In [18]: df1.columns
Out[18]: Index(['A', 'B', 'C', 'D', 'E'], dtype='object')
In [19]: df1.values
Out[19]:
array([[ -5,
1,
2,
-2,
-1],
[
1,
-5,
5, -10,
6],
[ -9,
2,
-3,
3,
18],
[ -4,
15,
8,
10,
-5]])

5.3 查询数据基本信息描述

说明：count: 行数，mean: 列平均值，std: 列标准差，min: 列最小值，max: 列最大值

In [52]: df1.describe()
Out[52]:
A
B
C
D
E
count
4.000000
4.000000
4.000000
4.000000
4.000000
mean
-4.250000
3.250000
3.000000
0.250000
4.500000
std
4.112988
8.421203
4.690416
8.421203
10.082989
min
-9.000000
-5.000000 -3.000000 -10.000000
-5.000000
25%
-6.000000
-0.500000
0.750000
-4.000000
-2.000000
50%
-4.500000
1.500000
3.500000
0.500000
2.500000
75%
-2.750000
5.250000
5.750000
4.750000
9.000000
max
1.000000
15.000000
8.000000
10.000000
18.000000

5.4 查询数据<`DataFrame[]`>

a. 获取单独一列（发生降维）, df['A']<=>df.A

In [61]: df1['A']
#　返回的对象，发生降维

Out[61]:
2019-06-01
-5
2019-06-02
1
2019-06-03
-9
2019-06-04
-4
Freq: D, Name: A, dtype: int64
In [62]: type(df1['A'])
Out[62]: pandas.core.series.Series

b. 切片（行）

In [31]: df1[0:3]
# 索引：包括起始，不包括结束

Out[31]:
A
B
C
D
E
2019-06-01 -5
1
2
-2
-1
2019-06-02
1 -5
5 -10
6
2019-06-03 -9
2 -3
3
18
In [33]: df1['2019-06-01':'2019-06-03']
# 行标签：包括起始，也包括结束

Out[33]:
A
B
C
D
E
2019-06-01 -5
1
2
-2
-1
2019-06-02
1 -5
5 -10
6
2019-06-03 -9
2 -3
3
18

5.5 查询数据<`DataFrame.loc[]`>

a. 获取单独一行（发生降维）

In [35]: df1.loc[dates[0]]
#　返回的对象，发生降维

Out[35]:
A
-5
B
1
C
2
D
-2
E
-1
Name: 2019-06-01 00:00:00, dtype: int64
In [36]: type(df1.loc[dates[0]])
Out[36]: pandas.core.series.Series

b. 通过行切片 + 列位置获取对应数据

In [37]: df1.loc[:,['A','B']]
Out[37]:
A
B
2019-06-01 -5
1
2019-06-02
1
-5
2019-06-03 -9
2
2019-06-04 -4
15

In [40]: df1.loc['2019-06-02':'2019-06-03',['A','B']]
Out[40]:
A
B
2019-06-02
1 -5
2019-06-03 -9
2

In [41]: df1.loc['2019-06-02':'2019-06-03']
Out[41]:
A
B
C
D
E
2019-06-02
1 -5
5 -10
6
2019-06-03 -9
2 -3
3
18

c. 通过行标签 + 列位置获取对应数据（发生降维）

In [42]: df1.loc['2019-06-02',['A','B']]
Out[42]:
A
1
B
-5
Name: 2019-06-02 00:00:00, dtype: int64

d. 获取指定行和列数据（标量）

In [44]: df1.loc[dates[1],'A']
Out[44]: 1
In [45]: df1.at[dates[1],'A']
# 快速获取一个标量值

Out[45]: 1

5.6 查询数据<`DataFrame.iloc[]`>

a. 获取单独一行（发生降维）

In [46]: df1.iloc[3]
Out[46]:
A
-4
B
15
C
8
D
10
E
-5
Name: 2019-06-04 00:00:00, dtype: int64

b. 切片

In [51]: df1.iloc[2:,0:3]
Out[51]:
A
B
C
2019-06-03 -9
2 -3
2019-06-04 -4
15
8

In [54]: df1.iloc[:,1:3]
# 查询第二列-->第三列的所有数据

Out[54]:
B
C
2019-06-01
1
2
2019-06-02
-5
5
2019-06-03
2 -3
2019-06-04
15
8

In [55]: df1.iloc[2:4,:]
# 查询第三行-->第四行的所有数据

Out[55]:
A
B
C
D
E
2019-06-03 -9
2 -3
3
18
2019-06-04 -4
15
8
10
-5

c. 获取对应位置数据

In [52]: df1.iloc[[0,2],[1,2,4]]
Out[52]:
B
C
E
2019-06-01
1
2
-1
2019-06-03
2 -3
18

d. 获取指定行和列数据（标量）DataFrame.iat[1,1]

In [57]: df1.iat[1,1]
# 查询第二行，第二列的数据

Out[57]: -5

5.7 查询数据（`boolean条件`）

In [39]: df1[df1.B > 0]
Out[39]:
A
B
C
D
E
2019-06-01 -5
1
2
-2
-1
2019-06-03 -9
2 -3
3
18
2019-06-04 -4
15
8
10
-5

In [40]: df1[df1 > 0]
Out[40]:
A
B
C
D
E
2019-06-01
NaN
1.0
2.0
NaN
NaN
# pandas用np.nan表示缺失数据
2019-06-02
1.0
NaN
5.0
NaN
6.0
2019-06-03
NaN
2.0
NaN
3.0
18.0
2019-06-04
NaN
15.0
8.0
10.0
NaN

5.8 查询数据（`isin()方法`）

In [46]: df2[df2['E'].isin(['cat','tiger'])]
# 查询'E'列中指定数据('cat','tiger')“所在行的所有数据”

Out[46]:
A
B
C
D
E
F
0
3.0 2019-06-01
1.0
3
tiger
str
3
3.0 2019-06-01
1.0
3
cat
str

6. 修改数据

In [48]: df1.loc[dates[0]:dates[1],'B'] = 999
# 修改'B'列，第一、二行的两个数据

In [49]: df1
Out[49]:
A
B
C
D
E
2019-06-01 -5
999
2
-2
-1
2019-06-02
1
999
5 -10
6
2019-06-03 -9
2 -3
3
18
2019-06-04 -4
15
8
10
-5

In [50]: df1.loc[dates[2]:dates[3],'G'] = 888
# 增加'B'列

In [51]: df1
Out[51]:
A
B
C
D
E
G
2019-06-01 -5
999
2
-2
-1
NaN
2019-06-02
1
999
5 -10
6
NaN
2019-06-03 -9
2 -3
3
18
888.0
2019-06-04 -4
15
8
10
-5
888.0

7. 缺失数据

7.1 删除所有包含缺失数据的行

In [52]: df1.dropna(how='any')
Out[52]:
A
B
C
D
E
G
2019-06-03 -9
2 -3
3
18
888.0
2019-06-04 -4
15
8
10
-5
888.0

7.2 填充缺失数据

In [54]: df1.fillna(value=666)
Out[54]:
A
B
C
D
E
G
2019-06-01 -5
999
2
-2
-1
666.0
2019-06-02
1
999
5 -10
6
666.0
2019-06-03 -9
2 -3
3
18
888.0
2019-06-04 -4
15
8
10
-5
888.0

7.3 获取缺失数据掩码（缺失数据被填充后，依然能被查询到）

In [55]: pd.isnull(df1)
Out[55]:
A
B
C
D
E
G
2019-06-01
False
False
False
False
False
True
2019-06-02
False
False
False
False
False
True
2019-06-03
False
False
False
False
False
False
2019-06-04
False
False
False
False
False
False

8. 数据运算`df1.apply()`

In [60]: df1.apply(np.cumsum)
# cumsum：矩阵元素累计和

Out[60]:
A
B
C
D
E
G
2019-06-01
-5
999
2
-2
-1
NaN
2019-06-02
-4
1998
7 -12
5
NaN
2019-06-03 -13
2000
4
-9
23
888.0
2019-06-04 -17
2015
12
1
18
1776.0
In [61]: df1.apply(lambda x: x.max() - x.min())
# 自定义lambda函数，对df1各列进行同样的遍历计算

Out[61]:
A
10.0
B
997.0
C
11.0
D
20.0
E
23.0
G
0.0
dtype: float64

9. 数据合并

9.1 `pd.concat()`实现pandas对象的拼接

In [72]: pieces = [df1[0:2], df1[2:], df1[:1]]
# pieces：3个pandas对象组成的列表

In [73]: pd.concat(pieces)
Out[73]:
A
B
C
D
E
G
2019-06-01 -5
999
2
-2
-1
NaN
2019-06-02
1
999
5 -10
6
NaN
2019-06-03 -9
2 -3
3
18
888.0
2019-06-04 -4
15
8
10
-5
888.0
2019-06-01 -5
999
2
-2
-1
NaN

9.2 `pd.merge()`实现pandas对象的合并（注意区别）

In [77]: left = pd.DataFrame({'key': ['foo', 'foo'], 'lval': [1, 2]})
In [78]: right = pd.DataFrame({'key': ['foo', 'foo'], 'rval': [4, 5]})
In [79]: left
Out[79]:
key
lval
0
foo
1
1
foo
2
In [80]: right
Out[80]:
key
rval
0
foo
4
1
foo
5
In [81]: pd.merge(left, right, on='key')
Out[81]:
key
lval
rval
0
foo
1
4
1
foo
1
5
2
foo
2
4
3
foo
2
5

In [84]: left = pd.DataFrame({'key': ['foo', 'bar'], 'lval': [1, 2]})
In [85]: right = pd.DataFrame({'key': ['foo', 'bar'], 'rval': [4, 5]})
In [86]: left
Out[86]:
key
lval
0
foo
1
1
bar
2
In [87]: right
Out[87]:
key
rval
0
foo
4
1
bar
5
In [88]: pd.merge(left, right, on='key')
Out[88]:
key
lval
rval
0
foo
1
4
1
bar
2
5

10. 追加数据`df1.append()`（行尾追加一行数据）

In [91]: s = df1.iloc[3]
In [92]: s
Out[92]:
A
-4.0
B
15.0
C
8.0
D
10.0
E
-5.0
G
888.0
Name: 2019-06-04 00:00:00, dtype: float64
In [93]: df1.append(s, ignore_index=True)
# 返回一个新的DataFrame对象，注意数据的变化

Out[93]:
A
B
C
D
E
G
0 -5.0
999.0
2.0
-2.0
-1.0
NaN
1
1.0
999.0
5.0 -10.0
6.0
NaN
2 -9.0
2.0 -3.0
3.0
18.0
888.0
3 -4.0
15.0
8.0
10.0
-5.0
888.0
4 -4.0
15.0
8.0
10.0
-5.0
888.0
In [94]: df1
Out[94]:
A
B
C
D
E
G
2019-06-01 -5
999
2
-2
-1
NaN
2019-06-02
1
999
5 -10
6
NaN
2019-06-03 -9
2 -3
3
18
888.0
2019-06-04 -4
15
8
10
-5
888.0
In [95]: df1.append(s)
Out[95]:
A
B
C
D
E
G
2019-06-01 -5.0
999.0
2.0
-2.0
-1.0
NaN
2019-06-02
1.0
999.0
5.0 -10.0
6.0
NaN
2019-06-03 -9.0
2.0 -3.0
3.0
18.0
888.0
2019-06-04 -4.0
15.0
8.0
10.0
-5.0
888.0
2019-06-04 -4.0
15.0
8.0
10.0
-5.0
888.0

11. 分组操作

In [98]: df1
Out[98]:
A
B
C
D
E
G
2019-06-01 -5
999
2
-2
-1
NaN
2019-06-02
1
999
5 -10
6
NaN
2019-06-03 -9
2 -3
3
18
888.0
2019-06-04 -4
15
8
10
-5
888.0
In [101]: df1.groupby('B').sum()
# 对一列分组，然后对结果组应用和函数

Out[101]:
A
C
D
E
G
B
2
-9 -3
3
18
888.0
15
-4
8
10
-5
888.0
999 -4
7 -12
5
0.0

In [97]: df3
Out[97]:
A
B
C
D
0
foo
one -0.528172
1.462108
1
bar
one -1.072969 -2.060141
2
foo
two
0.865408 -0.322417
3
bar
three -2.301539 -0.384054
4
foo
two
1.744812
1.133769
5
bar
two -0.761207 -1.099891
6
foo
one
0.319039 -0.172428
7
foo
three -0.249370 -0.877858
In [103]: df3.groupby('A').sum()
# 对一列分组，然后对结果组应用和函数

Out[103]:
C
D
A
bar -4.135714 -3.544086
foo
2.151716
1.223174

In [104]: df3.groupby(['A','B']).sum()
# 对两列分组，然后对结果组应用和函数

Out[104]:
C
D
A
B
bar one
-1.072969 -2.060141
three -2.301539 -0.384054
two
-0.761207 -1.099891
foo one
-0.209133
1.289680
three -0.249370 -0.877858
two
2.610219
0.811352

12. 数据压缩“compress”

12.1 准备工作

In [105]: tuples = list(zip(*[['bar', 'bar', 'baz', 'baz','foo', 'foo', 'qux', 'qux'],
...:
['one', 'two', 'one', 'two','one', 'two', 'one', 'two']]))
In [106]: tuples
Out[106]:
[('bar', 'one'),
('bar', 'two'),
('baz', 'one'),
('baz', 'two'),
('foo', 'one'),
('foo', 'two'),
('qux', 'one'),
('qux', 'two')]
In [108]: index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])
In [109]: index
Out[109]:
MultiIndex(levels=[['bar', 'baz', 'foo', 'qux'], ['one', 'two']],
codes=[[0, 0, 1, 1, 2, 2, 3, 3], [0, 1, 0, 1, 0, 1, 0, 1]],
names=['first', 'second'])
In [118]: type(index)
Out[118]: pandas.core.indexes.multi.MultiIndex
In [110]: df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=['A', 'B'])
In [111]: df
Out[111]:
A
B
first second
bar
one
0.042214
0.582815
two
-1.100619
1.144724
baz
one
0.901591
0.502494
two
0.900856 -0.683728
foo
one
-0.122890 -0.935769
two
-0.267888
0.530355
qux
one
-0.691661 -0.396754
two
-0.687173 -0.845206
In [119]: df4 = df[:4]
In [120]: df4
Out[120]:
A
B
first second
bar
one
0.042214
0.582815
two
-1.100619
1.144724
baz
one
0.901591
0.502494
two
0.900856 -0.683728

12.2 DataFrame数据`stack()`压缩到同一列

In [121]: stacked = df4.stack()
In [122]: stacked
Out[122]:
first
second
bar
one
A
0.042214
B
0.582815
two
A
-1.100619
B
1.144724
baz
one
A
0.901591
B
0.502494
two
A
0.900856
B
-0.683728
dtype: float64

12.3 DataFrame数据`unstack()`解压缩, stack的逆操作

In [123]: stacked.unstack()
Out[123]:
A
B
first second
bar
one
0.042214
0.582815
two
-1.100619
1.144724
baz
one
0.901591
0.502494
two
0.900856 -0.683728

最后

以上就是淡定往事为你收集整理的Pandas中DataFrame数据的常用操作（创建、转置、查询、排序、缺失、运算、合并、追加、修改、分组、压缩等）1. 导包2. 创建DataFrame对象3. 数据转置4. 排序5. 数据查询操作6. 修改数据7. 缺失数据8. 数据运算df1.apply()9. 数据合并10. 追加数据df1.append()（行尾追加一行数据）11. 分组操作12. 数据压缩“compress”的全部内容，希望文章能够帮你解决Pandas中DataFrame数据的常用操作（创建、转置、查询、排序、缺失、运算、合并、追加、修改、分组、压缩等）1. 导包2. 创建DataFrame对象3. 数据转置4. 排序5. 数据查询操作6. 修改数据7. 缺失数据8. 数据运算df1.apply()9. 数据合并10. 追加数据df1.append()（行尾追加一行数据）11. 分组操作12. 数据压缩“compress”所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。

本文分类：Python
浏览次数：87 次浏览
发布日期：2023-12-21 07:40:09
本文链接：https://www.kaopuke.com/article/k-p-k_13_u_23_o_2_f2_14__23__22_1.html

数据面试题：正态分布、偏态分布及峰态分布

应用统计学与R语言实现学习笔记（三）——描述性统计Chapter 3 Descriptive Statistics

统计学基础：数据描述性统计统计学基础（1）数据描述性统计python实现

Lasso降维代码lasso降维

Pandas中DataFrame数据的常用操作（创建、转置、查询、排序、缺失、运算、合并、追加、修改、分组、压缩等）1. 导包2. 创建DataFrame对象3. 数据转置4. 排序5. 数据查询操作6. 修改数据7. 缺失数据8. 数据运算df1.apply()9. 数据合并10. 追加数据df1.append()（行尾追加一行数据）11. 分组操作12. 数据压缩“compress”

概述

1. 导包

2. 创建DataFrame对象

2.1 通过`numpy`数组(array)创建, 以`datetime`为索引，并设置列标签

2.2 通过可以转换为Series的字典创建

3. 数据转置

4. 排序

5. 数据查询操作

5.1 查询前n行:`DataFrame.head()`;查看后n行:`DataFrame.tail()`

5.2 查询数据索引`index`、列标签`columns`和数据`values`

5.3 查询数据基本信息描述

5.4 查询数据<`DataFrame[]`>

5.5 查询数据<`DataFrame.loc[]`>

5.6 查询数据<`DataFrame.iloc[]`>

5.7 查询数据（`boolean条件`）

5.8 查询数据（`isin()方法`）

6. 修改数据

7. 缺失数据

7.1 删除所有包含缺失数据的行

7.2 填充缺失数据

7.3 获取缺失数据掩码（缺失数据被填充后，依然能被查询到）

8. 数据运算`df1.apply()`

9. 数据合并

9.1 `pd.concat()`实现pandas对象的拼接

9.2 `pd.merge()`实现pandas对象的合并（注意区别）

10. 追加数据`df1.append()`（行尾追加一行数据）

11. 分组操作

12. 数据压缩“compress”

12.1 准备工作

12.2 DataFrame数据`stack()`压缩到同一列

12.3 DataFrame数据`unstack()`解压缩, stack的逆操作

最后

评论列表共有 0 条评论

发表评论取消回复

概述

1. 导包

2. 创建DataFrame对象

2.1 通过numpy数组(array)创建, 以datetime为索引，并设置列标签

2.2 通过可以转换为Series的字典创建

3. 数据转置

4. 排序

5. 数据查询操作

5.1 查询前n行:DataFrame.head();查看后n行:DataFrame.tail()

5.2 查询数据索引index、列标签columns和数据values

5.3 查询数据基本信息描述

5.4 查询数据<DataFrame[]>

5.5 查询数据<DataFrame.loc[]>

5.6 查询数据<DataFrame.iloc[]>

5.7 查询数据（boolean条件）

5.8 查询数据（isin()方法）

6. 修改数据

7. 缺失数据

7.1 删除所有包含缺失数据的行

7.2 填充缺失数据

7.3 获取缺失数据掩码（缺失数据被填充后，依然能被查询到）

8. 数据运算df1.apply()

9. 数据合并

9.1 pd.concat()实现pandas对象的拼接

9.2 pd.merge()实现pandas对象的合并（注意区别）

10. 追加数据df1.append()（行尾追加一行数据）

11. 分组操作

12. 数据压缩“compress”

12.1 准备工作

12.2 DataFrame数据stack()压缩到同一列

12.3 DataFrame数据unstack()解压缩, stack的逆操作

最后

相关文章

评论列表共有 0 条评论

发表评论 取消回复

2.1 通过`numpy`数组(array)创建, 以`datetime`为索引，并设置列标签

5.1 查询前n行:`DataFrame.head()`;查看后n行:`DataFrame.tail()`

5.2 查询数据索引`index`、列标签`columns`和数据`values`

5.4 查询数据<`DataFrame[]`>

5.5 查询数据<`DataFrame.loc[]`>

5.6 查询数据<`DataFrame.iloc[]`>

5.7 查询数据（`boolean条件`）

5.8 查询数据（`isin()方法`）

8. 数据运算`df1.apply()`

9.1 `pd.concat()`实现pandas对象的拼接

9.2 `pd.merge()`实现pandas对象的合并（注意区别）

10. 追加数据`df1.append()`（行尾追加一行数据）

12.2 DataFrame数据`stack()`压缩到同一列

12.3 DataFrame数据`unstack()`解压缩, stack的逆操作

发表评论取消回复