pandas基本操作

学习更多,欢迎关注微信公众号:Excel办公小技巧  
#-*-coding:utf-8-*-
import pandas as pd
p=pd.DataFrame([[2,3,4,5,6],[2,3,5,6,7],[2,5,6,7,8],range(11,111,20),range(9,23,3)],columns=['a','b','c','d','e'],index=['one','two','three','four','four'])
print p
# 为索引命名列
index=pd.Index(data=p.index,name='aaa')
p =pd.DataFrame(p,index=index)
# 对某行分组,按索引降序
print p.groupby('aaa',axis=0).sum()[['a','b']].sort_index(ascending=False)
# 插入某个索引名为2的行数据
p.loc[2]=range(5)
print 'loc',p
# 在某个位置替换掉该行数据
p.iloc[2]=range(5)
print 'iloc',p
pandas是一个Python库,用于数据分析和数据处理的工具。它提供了高效的数据结构和数据操作功能,特别适用于处理结构化数据。 以下是一些常见的pandas基础操作: 1. 导入pandas库:使用`import pandas as pd`导入pandas库。 2. 创建DataFrame:DataFrame是pandas中最重要的数据结构,类似于一张表格。可以通过多种方式创建DataFrame,例如从CSV文件、Excel文件、Python字典、NumPy数组等。 3. 查看数据:使用`df.head()`方法可以查看DataFrame的前几行,默认显示前5行。还可以使用`df.tail()`方法查看DataFrame的后几行。 4. 数据选择:可以使用列名称或列索引选择特定的列或多列数据。例如,使用`df['列名']`或`df.loc[:, '列名']`选择单列数据,使用`df[['列名1', '列名2']]`或`df.loc[:, ['列名1', '列名2']]`选择多列数据。 5. 数据过滤:可以使用条件语句过滤DataFrame中的数据。例如,使用`df[df['列名'] > 值]`可以选择满足条件的行。 6. 数据排序:可以使用`df.sort_values(by='列名')`对DataFrame按照指定的列进行排序。 7. 数据聚合:可以使用`df.groupby('列名').函数()`对数据进行分组并进行各种聚合操作,如求和、平均值、计数等。 8. 缺失值处理:可以使用`df.dropna()`删除包含缺失值的行或列,使用`df.fillna(value)`将缺失值填充为指定的值。 9. 数据统计:可以使用`df.describe()`获取DataFrame中数值列的统计信息,如均值、标准差、最小值、最大值等。 这些只是pandas基础操作的一部分,还有很多其他功能和方法可以用于数据处理和分析。你可以查阅pandas官方文档或参考相关教程来深入学习和掌握pandas
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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