Python库：pandas

已于 2025-03-26 20:04:08 修改
阅读量229 收藏
点赞数 4
CC 4.0 BY-SA版权
文章标签： python pandas
于 2025-03-26 20:03:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/SCPBright/article/details/146539721

series操作：

import pandas as pd
import numpy as np

# series：带标签的一维数组
# 创建空对象
s = pd.Series()
print(s)
# 通过列表创建
# index：设置series的标签，默认是从0开始的递增整数
s = pd.Series([1, 2, 3, 4], index=["a", "b", "c", "d"])
print(s)
# 通过ndarray创建
a = np.array([1, 2, 3, 4, 5, 6])
s = pd.Series(a)
print(s)
# 通过字典创建，把字典中的key作为标签
dic = {"a": 1, "b": 2, "c": 3}
s = pd.Series(dic)
print(s)
# 访问Series中的元素，通过标签名获取元素
item = s["b"]
print(item)
# 遍历
# items()：返回元素的标签和值
dic = {"a": 1, "b": 2, "c": 3}
s = pd.Series(dic)
for idx, value in s.items():
    print(idx, value)
# index遍历
for idx in s.index:
    print(idx, s[idx])
# values遍历，直接获取Series的值
for value in s.values:
    print(value)

dataframe创建：

import pandas as pd

# DataFrame创建
# 创建空对象
df = pd.DataFrame()
print(df)
# 通过列表嵌套字典方式创建
# 列表的字典中字段个数不一致，则按照最多的字段创建
data = [{"name": "zhangsan", "age": 20, "address": "四川省"}, {"name": "lisi", "age": 30, "sex": 0}]
df = pd.DataFrame(data)
print(df)
# 通过字典嵌套列表方式创建
data = {"name": ["zhangsan", "lisi", "wangwu"], "age": [20, 30, 19]}
df = pd.DataFrame(data)
print(df)
# 指定index和columns
# 在创建dataframe时，不能直接修改columns，可以在创建完成后修改
df = pd.DataFrame(data, index=["a", "b", "c"])
df.columns = ["name1", "age1"]
print(df)
# 通过Series创建
data = {"one": pd.Series([1, 2, 3], index=["a", "b", "c"]),
        "two": pd.Series([1, 2, 3, 4], index=["a", "b", "c", "d"])}
result = pd.DataFrame(data=data)
print(result)

dataframe列操作：

import numpy as np
import pandas as pd

# 访问某一列数据
data = {"one": pd.Series([1, 2, 3], index=["a", "b", "c"]),
        "two": pd.Series([1, 2, 3, 4], index=["a", "b", "c", "d"])}
result = pd.DataFrame(data=data)
d = data["one"]
print(d)
# 添加一列数据，添加一个新列名，直接赋值即可
# 新添加的数据长度要和原dataframe的行长度一致，否则报错
result["three"] = [1, 2, 3, 4]
print(result)
# assign：添加新列
# assign方法可以使用链式调用实现
# assign方法的参数是一个赋值语句
# 等号左边是要添加的列名，右边是要添加的数据
data = {"one": pd.Series([1, 2, 3], index=["a", "b", "c"]),
        "two": pd.Series([1, 2, 3, 4], index=["a", "b", "c", "d"])}
df = pd.DataFrame(data)
df = df.assign(three=[1, 2, 3, 4]).assign(four=[5, 6, 7, 8])
print(df)
# insert插入一列
# 参数：loc——要插入的索引位置
# column——要插入的列名
# value——要插入的数据
df.insert(1, "five", [10, 20, 30, 40])
print(df)
# 修改数据
# 获取已存在的列，直接赋值即可修改
data = {"one": pd.Series([1, 2, 3], index=["a", "b", "c"]),
        "two": pd.Series([1, 2, 3, 4], index=["a", "b", "c", "d"])}
df = pd.DataFrame(data)
# df["two"] = pd.Series([10, 20, 30, 40], index=["a", "b", "c", "d"])
df["two"] = [10, 20, 30, 40]
print(df)
# 修改列名
# rename：参数columns数据格式是一个字典，字典的key是原列名，value是新列名
# rename修改列名返回一个新的DataFrame，原来的不受影响
# 通过df.columns属性修改列名，是在原DataFrame上直接修改
data = {"one": pd.Series([1, 2, 3], index=["a", "b", "c"]),
        "two": pd.Series([1, 2, 3, 4], index=["a", "b", "c", "d"])}
df = pd.DataFrame(data)
df1 = df.rename(columns={"one": "A", "two": "B"})
print(df1)
print(df)
# astype：修改数据类型，修改的是某一列数据的类型
df1["B"] = df1["B"].astype(np.float32)
print(df1)
# dtypes：返回dataframe的数据类型
print(df1.dtypes)
# 删除
# drop()：
# 参数：labels——要删除的行或列的标签名
# axis——指定要删除的轴，0代表按行删除，1代表按列删除
# inplace——如果值为True表示原地删除（在原DataFrame删除）
# 如果值为False表示删除返回一个新DataFrame，默认值为False
# 按列删除示例：
data = {"one": pd.Series([1, 2, 3], index=["a", "b", "c"]),
        "two": pd.Series([1, 2, 3, 4], index=["a", "b", "c", "d"])}
df = pd.DataFrame(data)
df1 = df.drop(["one"], axis=1)
print(df1)
# 按行删除示例：
data = {"one": pd.Series([1, 2, 3], index=["a", "b", "c"]),
        "two": pd.Series([1, 2, 3, 4], index=["a", "b", "c", "d"])}
df = pd.DataFrame(data)
df1 = df.drop(["c", "d"], axis=0)
print(df1)
# 原地删除
df.drop(["one"], axis=1, inplace=True)
print(df)

dataframe行操作：

import pandas as pd

# import numpy as np

# 访问行元素
# loc：通过标签名获取数据
data = {
    "A": [1, 2, 3, 4], "B": [5, 6, 7, 8], "C": [9, 10, 11, 12]
}
df = pd.DataFrame(data, index=["a", "b", "c", "d"])
# 获取a行数据
print(df.loc["a"])
# 获取a行到c行的数据，loc中切片的终止值是被包含的
print(df.loc["a":"c"])
# 获取a行B列的值
print(df.loc["a", "B"])
# 通过行和列使用切片获取数据
print(df.loc["a":"c", "A":"B"])
# 通过行和列指定标签列表获取数据
print(df.loc[["a", "c"], ["A", "C"]])
# iloc：通过下标获取数据
data = {
    "A": [1, 2, 3, 4], "B": [5, 6, 7, 8], "C": [9, 10, 11, 12]
}
df = pd.DataFrame(data, index=["a", "b", "c", "d"])
# 获取第一行数据
print(df.iloc[0])
# 获取第一行到第三行的数据
# 使用iloc下标做切片，不包含终止值
print(df.iloc[0:3])
# 行和列使用切片获取数据
print(df.iloc[0:2, 0:2])
# 添加数据行
# loc方法添加新行
data = {
    "A": [1, 2, 3, 4], "B": [5, 6, 7, 8], "C": [9, 10, 11, 12]
}
df = pd.DataFrame(data, index=["a", "b", "c", "d"])
df.loc["e"] = [13, 14, 15]
print(df)
# concat：连接DataFrame
# 按行连接
df1 = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [4, 5, 6]
})
df2 = pd.DataFrame({
    "A": [7, 8, 9],
    "B": [10, 11, 12],
    "c": [13, 14, 15]
})
df3 = pd.concat([df1, df2], axis=0, ignore_index=True)
print(df3)
# 按列连接，join=inner，则按行取交集
df1 = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [4, 5, 6]
})
df2 = pd.DataFrame({
    "C": [7, 8, 9],
    "D": [10, 11, 12]
})
df3 = pd.concat([df1, df2], axis=1)
print(df3)
# join：默认为outer（并集），可改为inner（交集）
df1 = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [4, 5, 6]
}, index=[0, 1, 2])
df2 = pd.DataFrame({
    "A": [7, 8, 9],
    "B": [10, 11, 12]
}, index=[1, 2, 3])
df3 = pd.concat([df1, df2], axis=1, join="inner")
print(df3)
# 按行连接，join=inner，则按列取交集
df1 = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [4, 5, 6]
}, index=[0, 1, 2])
df2 = pd.DataFrame({
    "A": [7, 8, 9],
    "B": [10, 11, 12],
    "C": [11, 12, 13]
}, index=[1, 2, 3])
df3 = pd.concat([df1, df2], axis=0, join="inner")
print(df3)
# 统计函数
# var：样本方差
# pandas默认使用样本方差，numpy默认使用总体方差
data = {
    "A": [1, 2, 3, 4, 5],
    "B": [10, 20, 30, 40, 50],
    "C": [100, 200, 300, 400, 500]
}
df = pd.DataFrame(data)
print(df.var(axis=1))

dataframe函数：

import pandas as pd

# 重置行索引
# 如果要重置的索引中有新的行索引，则该行索引对应的数据默认填充NaN
# 要重置的行索引可以调整顺序
data = {
    "A": [1, 2, 3],
    "B": [4, 5, 6],
    "C": [7, 8, 9]
}
df = pd.DataFrame(data, index=["a", "b", "c"])
new_index = ["b", "a", "c", "d"]
df1 = df.reindex(new_index)
print(df1)
# 重置列索引
# 如果要重置的索引中有新的列索引，则该列索引对应的数据默认填充NaN
# 要重置的列索引可以调整顺序
data = {
    "A": [1, 2, 3],
    "B": [4, 5, 6],
    "C": [7, 8, 9]
}
df = pd.DataFrame(data, index=["a", "b", "c"])
idx = ["A", "B", "C", "D"]
df1 = df.reindex(columns=idx)
print(df1)
# 重置索引
# method：做数据填充
# ffill——前向填充，bfill——后向填充
data = {
    "A": [1, 2, 3],
    "B": [4, 5, 6],
    "C": [7, 8, 9]
}
df = pd.DataFrame(data, index=["a", "b", "c"])
idx = ["A", "B", "C", "D"]
df1 = df.reindex(columns=idx, method="ffill")
print(df1)
# fill_value：当行或列的数据为NaN，fill_value可以使用指定值进行填充
data = {
    "A": [1, 2, 3],
    "B": [4, 5, 6],
    "C": [7, 8, 9]
}
df = pd.DataFrame(data, index=["a", "b", "c"])
idx = ["A", "B", "C", "D"]
df1 = df.reindex(columns=idx, fill_value=0)
print(df1)
# DataFrame遍历
data = {
    "A": [1, 2, 3],
    "B": [4, 5, 6],
    "C": [7, 8, 9]
}
df = pd.DataFrame(data)
# 直接遍历dataframe，默认返回的是列名
for i in df:
    print(i)
# itertuples()：遍历行，返回的是带标签的数据元组
data = {
    "A": [1, 2, 3],
    "B": [4, 5, 6]
}
df = pd.DataFrame(data)
for row in df.itertuples():
    print(row)
# index=False：在返回的行元组中去掉索引项，只保留数据
for row in df.itertuples(index=False):
    print(row)
# items()：遍历列，返回的是列名和列数据
data = {
    "A": [1, 2, 3],
    "B": [4, 5, 6]
}
df = pd.DataFrame(data)
for col_index, col_value in df.items():
    print(f"index:{col_index}, value:{col_value}")
# 使用index和columns属性遍历
data = {
    "A": [1, 2, 3],
    "B": [4, 5, 6]
}
df = pd.DataFrame(data)
for idx in df.index:
    for col in df.columns:
        print(df.loc[idx, col])
# 排序
# sort_values()：对数据进行排序
data = {
    "A": [2, 3, 1],
    "B": [5, 6, 4],
    "C": [9, 8, 7]
}
df = pd.DataFrame(data, index=["b", "c", "a"])
# 按单列进行排序
df1 = df.sort_values(["A"])
print(df1)
# 按多列进行排序
df2 = df.sort_values(["A", "B"])
print(df2)
# ascending：设置升序还是降序排列
# True——升序（默认），False——降序
df2 = df.sort_values(["A", "B"], ascending=False)
print(df2)
df = pd.DataFrame({
    "Name": ["Alice", "Bob", "Charlie", "David", "Eve"],
    "Age": [25, 30, 25, 35, 30],
    "Score": [85, 90, 80, 95, 88]
})
# 先按照年龄降序排序，如果年龄相同，则按照分数进行升序排序
df1 = df.sort_values(["Age", "Score"], ascending=[False, True])
print(df1)

SCPBright
关注
Pandas常用函数（df、series、索引）
qq_43115961的博客
09-16 1555
Pandas常用函数（df、series、索引）
Python数据分析库：Pandas与NumPy实战
最新发布
shejizuopin的博客
04-03 945
在数据分析领域，Python凭借其强大的生态系统和丰富的库资源，成为了众多数据科学家和分析师的首选语言。其中，Pandas和NumPy是两个最为核心且广泛使用的数据分析库。Pandas提供了高效的数据结构和数据处理工具，而NumPy则专注于数值计算，为Pandas提供了底层支持。本文将结合优快云网站上的相关讨论，提取最实用的解决技巧，通过代码示例和表格分析，深入探讨Pandas与NumPy在数据分析中的实战应用。
pandas之Dataframe 菜鸟教程
林中有神君
12-10 2054
import numpy as np import pandas as pd print("=============Dataframe：基本概念及创建=====================") ''' Pandas数据结构Dataframe：基本概念及创建 "二维数组"Dataframe：是一个表格型的数据结构，包含一组有序的列，其列的值类型可以是数值、字符串、布尔值等。 Dataframe中的数据以一个或多个二维块存放，不是列表、字典或一维数组结构。 ''' # Dataframe 数据结构 # D
pandas中df的用法
大黄的博客
04-29 4159
pandas.DataFrame.shape 返回数据帧的形状 用法 df为Dataframe格式数据 df.shape 返回df形状(2,3) 2行3列 df.shape[0] 返回行数 de.shape[1] 返回列数 。
pandas之df使用指南
weixin_43925027的博客
03-18 2339
pandas使用指南 读写、创建dataframe、基础信息获取 读写 import pandas as pd #读取 day_type = pd.read_excel("./DataFile/2019工作日.xlsx"，sheet_name=0, header=0, names=None, index_col=None, usecols=None) #写入 day_type.to_excel("...
pandas数据选取：df[] df.loc[] df.iloc[] df.ix[] df.at[] df.iat[]
09-17
主要介绍了pandas数据选取：df[] df.loc[] df.iloc[] df.ix[] df.at[] df.iat[]，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python数据分析库：Pandas视频教程
06-09
Pandas视频培训课程，本教程会讲解Python数据分析库Pandas的所有核心API，这些API很多都是依赖其他的库，如NumPy、Matplotlib等,Pandas只是在表层做了一个封装。本课程内容包含Pandas的数据操作，还涉及Numpy，...
python数据分析：Pandas库教程
07-14
### Python 数据分析：Pandas库教程 #### 一、Pandas库简介 Pandas 是一个为 Python 编程语言提供高性能、易于使用的数据结构及数据分析工具的开源库。该库由 Wes McKinney 在 2008 年创建，自那时起已成为 Python...
Python实战：Pandas数据筛选的高效方法
csdn1561168266的博客
11-09 1178
大家好，在数据分析过程中，数据筛选是非常重要的一步，尤其是在处理大规模数据时，筛选出符合特定条件的数据有助于专注于需要分析的部分。Pandas作为一个强大的数据处理库，提供了多种数据筛选的方法和工具，能够帮助我们轻松实现多条件的数据筛选。通过筛选特定的行或列，减少数据集的维度，提升计算效率。筛选有利于聚焦特定条件，有时我们只对满足某些条件的数据感兴趣，筛选可以帮助我们专注于这些数据，同时可以去除不必要的数据噪声，提升分析的准确性。
大数据Python数据分析处理库-pandas实战:Pandas代码
05-02
大数据Python数据分析处理库-pandas实战:Pandas代码 新的 da ta Pandas练习题.ipynb 17-apply操作.ipynb 16-大 数据处理技巧.ipynb 16-大数据处理.ipynb 15-Pandas绘图. ipynb 14-索引2.ipynb 13-字符串操作.ipynb ...
Pandas-数据结构-DataFrame（二）：DF的属性【形状/shape、行索引/index、列索引/columns、查看值/values、转置/T、head.()、tail.()】
u013250861的博客
04-05 7610
2.DataFrame DataFrame是一个类似于二维数组或表格(如excel)的对象，既有行索引，又有列索引 行索引，表明不同行，横向索引，叫index，0轴，axis=0 列索引，表名不同列，纵向索引，叫columns，1轴，axis=1 2.1 DataFrame的创建 # 导入pandas import pandas as pd pd.DataFrame(data=None, index=None, columns=None) 参数： index：行标签。如果没有传入索引参数，则
pandas处理df函数及plt绘图函数（作业总结笔记待补充...）
ArrogantT的博客
03-20 3504
1.读取csv文件 data=pd.read_csv('data.csv',encoding = "utf-8",header = 0,names = range(0,50),index_col=0) header = 0是默认情况（即不标明，默认就是header = 0），表示以数据的第一行为列索引。 encoding = "utf-8"表明以utf-8为编码规则。 names = range(0,50))表示以[0…49]为列索引的名字 index_col=0表示以原有数据的第一列(索引为0)当作行索
Pandas中df常用方法介绍
weixin_43597208的博客
09-20 2153
该属性返回一个新的 DataFrame，新的 DataFrame 中的行标签（行索引）变为原 DataFrame 的列标签（列名），列标签（列名）变为原 DataFrame 的行标签（行索引）。df.values 是 Pandas 中 DataFrame 对象的一个属性，用于获取 DataFrame 中的数据部分，即 DataFrame 的值。df.index 是 Pandas 中 DataFrame 对象的一个属性，用于获取 DataFrame 的行标签（行索引）。
学习笔记——pandas和df进行数据处理使用笔记（入门篇）
weixin_51130521的博客
07-30 5300
pandas作为数据处理必备工具包，记录一下学习的坑 pandas默认的处理对象是DataFrame，安装之后加载 一代码示例意义解读 import pandas as pd #整个数据集不能装入一台计算机的内存中，因此我们选择前100,000个记录， # 并使用外存学习算法（Out-of-core learning algorithm）来有效地获取和处理数据。 df= pd.read_csv('D:\120.python\Scripts\数据集\第一次数据集\ner_dataset.csv',en
python-pandas的df的一些用法
热门推荐
鱼七
03-20 2万+
python-pandas的df的一些用法
数据处理相关知识
weixin_52707424的博客
04-07 2098
数据处理 ： 算子 map filter groupby apply 数据切片 pandas ： 1.官网 https://pandas.pydata.org/ 2.概述： pandas is a fast, powerful, flexible and easy to use open source data analysis and manipulation tool, 【pandas就是一个数据分析的工具】 3...
pandas
夏革
07-29 2188
pandas 文件读写 文件读取 存入文件 预处理 创建dataframe 简单处理 分组及排序 全组排序组内排序及标号 筛选 简单操作 lambda函数筛选 where筛选 query筛选 重复值处理 切片 切片方法 loc iloc at iat 索引 设置索引 布尔索引 多重索引 pandas 文件读写 文件读取 # !/us
pandas_索引_df删除 行/列_切片(Series/df)
火锅午餐肉的博客
07-01 5270
索引 pandas的索引对象可以包含重复的标签 DataFrame对象也可以有重复的columns或者index 但是请尽量不要这么做！ 索引可以再创建的时候设置，但是不可以创建好后更改为别的值 更改索引，也是在原有索引范围内更改，多出的索引值自动填充 NaN 或者指定填充值 缺失值指定填充方式method参数，比如ffill表示向前填充，bfill表示向后填充 import pandas a...
Pandas数据选取中df[]、df.loc[]、df.iloc[]、df.at[]、df.iat[]的区别及用法
金戈鐡馬
03-26 1万+
　　Pandas是作为Python数据分析著名的工具包，提供了多种数据选取的方法，方便实用。本文主要介绍Pandas的几种数据选取的方法。 　　Pandas中，数据主要保存为Dataframe和Series是数据结构，这两种数据结构数据选取的方式基本一致，本文主要以Dataframe为例进行介绍。 　　在Dataframe中选取数据大抵包括3中情况： 　　1）行（列）选取（单维度选取）：df[]。这种情况一次只能选取行或者列，即一次选取中，只能为行或者列设置筛选条件
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值