Pandas学习笔记,axis的用法

本文通过一个股票历史数据的实例,展示了Python中Pandas库的mean()函数的使用方法,特别是如何通过设置axis参数来计算数据框中各列的平均值。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

axis=1表示列(1是竖着的),axis=0表示行

在mean()方法中有所不同,mean(axis=0)返回的是各列的平均值

d = ts.get_hist_data('600848', start='2015-01-05', end='2015-01-09')
data = pd.DataFrame(d)
print(data)
print(data.mean(axis=0))

运行结果是

             open   high  close    low    volume  price_change  p_change  \
date                                                                       
2015-01-09  11.68  11.71  11.23  11.19  44851.56         -0.44     -3.77   
2015-01-08  11.70  11.92  11.67  11.64  56845.71         -0.25     -2.10   
2015-01-07  11.58  11.99  11.92  11.48  86681.38          0.31      2.67   
2015-01-06  11.13  11.66  11.61  11.03  59199.93          0.35      3.11   
2015-01-05  11.16  11.39  11.26  10.89  46383.57          0.14      1.26   

               ma5    ma10    ma20     v_ma5    v_ma10     v_ma20  turnover  
date                                                                         
2015-01-09  11.538  11.363  11.682  58792.43  60665.93  107924.27      1.54  
2015-01-08  11.516  11.349  11.647  57268.99  61376.00  105823.50      1.95  
2015-01-07  11.366  11.251  11.543  55049.74  61628.07  103010.58      2.97  
2015-01-06  11.182  11.155  11.382  54854.38  63401.05   98686.98      2.03  
2015-01-05  11.156  11.212  11.370  58648.75  68429.87  100765.24      1.59  
open                11.4500
high                11.7340
close               11.5380
low                 11.2460
volume           58792.4300
price_change         0.0220
p_change             0.2340
ma5                 11.3516
ma10                11.2660
ma20                11.5248
v_ma5            56922.8580
v_ma10           63100.1840
v_ma20          103242.1140
turnover             2.0160
dtype: float64

可以理解为对各列的所有行做平均。

转载于:https://www.cnblogs.com/imageSet/p/7483776.html

<think>嗯,用户想要查找关于Pandas学习笔记或资料。首先,我需要回忆一下用户提供的引用内容,看看有没有相关的信息。引用里提到唐宇迪的学习笔记2是关于Pandas的,还有几个具体的例子,比如info()方法、set_option设置、求和计算以及缺失值处理。这些都是Pandas数据处理的基础知识点。 用户的问题是关于Pandas学习笔记,所以应该整理这些引用中的相关内容,分点说明。可能需要包括基本操作、数据处理函数、设置选项、缺失值处理等。另外,用户示例中的结构很清晰,有代码示例和相关问题,所以回答也应该类似,结构分明,有代码块和相关问题。 接下来,我需要检查引用中的具体内容。引用1提到df.info(),引用2是关于设置显示选项,引用3是sum()函数按求和,引用4是处理缺失值的sum和mean方法。这些都可以作为学习笔记的不同部分。 然后,按照用户的要求,回答需要结构清晰,分步骤讲解,并包含代码示例。同时,生成相关问题,比如如何查看数据基本信息、处理缺失值的方法、优化显示等。需要确保每个引用在适当的位置标注,比如在提到info()时加上[^1],设置选项时引用[^2],求和时引用[^3],缺失值处理引用[^4]。 需要注意的是,用户可能希望了解Pandas的基础操作和常用函数,所以应该涵盖数据读取、信息查看、数据计算、显示设置、缺失值处理这几个方面。同时,代码示例要正确,符合LaTeX格式的要求,内公式用$...$,独立公式用$$...$$,不过这次回答中可能数学公式较少,主要是代码块。 最后,生成的相关问题需要围绕Pandas的进一步学习,比如性能优化、高级功能、数据清洗、合并数据等。确保问题与内容相关,能引导用户深入学习。 总结步骤:分点介绍Pandas的基础内容,每个点包含引用中的示例代码和说明,添加引用标识,最后出相关问题。</think>### Pandas 学习笔记 PandasPython 中用于数据分析的核心库,提供高效的数据结构和操作工具。以下是关键知识点整理: --- #### 1. **数据基本信息查看** 使用 `info()` 方法可快速查看数据的维度、名、非空值数量及数据类型: ```python import pandas as pd df = pd.read_csv('nba.csv') print(df.info()) # 输出数据基本信息,如数、类型等 ``` --- #### 2. **数据计算与统计** - **按求和**:`sum()` 默认按计算: ```python df.sum() # 输出各求和结果,例如 one总和为9.25,two为-5.80 ``` - **按求和**:设置 `axis=1`: ```python df.sum(axis=1) # 计算每的总和 ``` --- #### 3. **显示格式优化** 通过 `pd.set_option` 调整输出格式,提升数据可读性: ```python pd.set_option('display.max_rows', 500) # 设置最大显示数 pd.set_option('display.float_format', '{:.2f}'.format) # 保留两位小数 ``` --- #### 4. **缺失值处理** Pandas 内置方法支持忽略缺失值,例如 `sum` 和 `mean`: ```python print(ebola.Cases_Guinea.sum(skipna=True)) # 忽略缺失值求和 ``` --- #### 5. **数据清洗与转换** 常用操作包括: - 删除重复值:`df.drop_duplicates()` - 填充缺失值:`df.fillna(0)` - 类型转换:`df['名'].astype(int)` ---
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