pandas的基本操作——常用函数

最新推荐文章于 2025-07-15 11:59:00 发布
原创 最新推荐文章于 2025-07-15 11:59:00 发布 · 350 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#python

这篇博客介绍了在numpy和pandas中计算最大值、最小值、求和、平均值、中位数的方法，以及describe()函数在数据分析中的应用。此外，还讨论了如何根据行索引和值进行排序，为数值分析和数据整理提供基础操作指南。

1.最大、最小值、求和、平均值、中位数
max min sum mean median
np中arrayname.sum()是对整个数组求和，pandas中arrayname.sum()是对每一列单独求和；
np中arrayname[0].sum()默认水平第0行，pandas中arrayname[0].sum()默认竖直方向第0列

在这里插入图片描述

1.2 describe()函数
可以展示数组的最大最小值，平均值中位数计数等信息

1.3排序输出
根据行索引sort_index
在这里插入图片描述

根据值 sort_values
在这里插入图片描述

使用Pandas的`sum()`函数可以方便地计算DataFrame的单个数据列的总和，或者对所有数据列进行求和
Meta_C的博客
09-04 1251
函数，我们可以轻松地计算DataFrame的单个数据列的总和，或者对所有数据列进行求和。函数可以方便地计算DataFrame的单个数据列的总和，或者对所有数据列进行求和。函数默认会沿着列方向进行求和操作，也就是按列求和。函数可以对数值型数据进行求和操作，并返回一个包含求和结果的Series。函数对单个数据列进行求和。如果我们希望对所有的数据列进行求和，可以直接调用。函数进行求和操作，并给出相应的源代码示例。，我们对所有的数据列进行了求和操作。参数来指定按行进行求和操作。函数对该列进行求和操作。
pandas 常用的数学统计方法 sum()
weixin_38477351的博客
02-27 7309
pandas 常用的数学统计方法 sum() 1、定义：值的总和。 2、示例： import pandas as pd student_info = pd.read_csv("F:/人工智能/科学计算库/files/student_info.csv") print(student_inf...
pandas对列进行绝对值求和
m0_72738497的博客
04-24 746
pandas对列进行绝对值求和，便于做对多列的数据进行对比时，配合isna().any(1)使用查找出不同的行
pandas对数据进行分组统计
qq_42931634的博客
08-31 6242
在数据处理的过程，有可能需要对一堆数据分组处理，例如对不同的列进行agg聚合操作（mean，min，max等等），以下将介绍pandas中进行数据分组处理的方法代码如下（示例）：自定义函数，配合agg进行分组统计# 通过自定义函数实现分组统计。......
Pandas中汇总统计、处理缺失值、层次化索引超详细介绍！（附实例）
别看我只是一只羊
02-22 8180
阅读提示 本文将提到Pandas汇总统计和计算方法、处理缺失值操作、层次化索引等内容 目录阅读提示一、pandas汇总统计和计算1、sum()和cumsum()方法2、idxmax() 方法3、unique() 方法4、value_counts() 方法5、isin() 方法二、pandas处理缺失数据1、过滤缺失数据对于Series对于Dataframe2、对缺失值进行填充三、pandas层次化...
pandas速学——常用函数
qiming666的博客
06-05 929
读取数据这块比较简单，读什么在read后面加上什么即可。可读文件类型：csv，Excel，SQL，json，html。
pandas基础——文件读取与写入、基本数据结构、常用基本函数、排序、总结练习
12-21
本文将详细介绍pandas的基础知识，包括文件的读取与写入、基本数据结构、常用函数以及排序。 一、文件读取与写入 1. CSV格式：pandas提供`read_csv()`函数读取CSV文件，如`df = pd.read_csv('work/table.csv')`。...
[黑马程序员Pandas教程]——Pandas数据结构
qq_56444564的博客
11-06 451
使用列表加元组创建df，并自定义索引columns=['日期', '温度', '湿度'],index=['row_1', 'row_2', 'row_3'] # 手动指定索引= 'row_2')理解类知识点dataframe和series对象是什么：可以认为df是有行有列有索引的二维数据表df和s是Pandas中最核心的数据结构df中每一列或者每一行都是s对象s对象也有索引每一个s对象都有各自的数据类型，表示构成这个s对象中的值的type；常用的数据类型有。
100天精通Python（数据分析篇）——第65天：Pandas聚合操作与案例
热门推荐
努力让自己发光，对的人才能迎着光而来
11-21 24万+
一、聚合 (aggregation) 1. 内置的聚合函数 2. 可自定义函数，传入agg方法中 3. 应用多个聚合函数 4. 对不同的列分别作用不同的聚合函数，使用dict 二、数据的分组运算 1. merge 2. transform 三、groupby.apply(func) 1. 产生层级索引：外层索引是分组名，内层索引是df_obj的行索引 2.
[黑马程序员Pandas教程]——Pandas常用计算函数
qq_56444564的博客
11-08 617
排序sort_values函数 按值排序rank函数 返回安置排序的序号聚合函数df.corr函数 相关性计算min函数 计算最小值max函数 计算最大值mean函数 计算平均值std函数 计算标准偏差quantile函数 计算分位数sum函数 计算所有数值的和count函数 计算非空数据的个数其他计算函数round(n)函数 改变浮点数的小数位数为nvalue_counts函数 计算不同的数据出现的次数。
python sum函数用法_Pandas DataFrame.sum()使用介绍
weixin_39986466的博客
11-24 7409
Pandas DataFrame.sum()函数用于返回用户所请求轴的值之和。如果输入值是索引轴, 则它将在列中添加所有值, 并且对所有列都相同。它返回一个序列, 其中包含每一列中所有值的总和。在计算DataFrame中的总和时, 它还能够跳过DataFrame中的缺失值。句法：DataFrame.sum(axis=None, skipna=None, level=None, numeric_on...
python pandas实现excel中的sum函数功能
weixin_45144170的博客
07-30 7604
sum函数是excel中经常用到的函数，那么在pandas中也存在这样的函数，下面详细了解一下这个函数： >>> import pandas as pd >>> import numpy as np >>> df=pd.read_excel(r'D:/myExcel/1.xlsx') >>> df A B C D 0 3 1.0 1.1 hello 1 3 NaN 2.2 hello 2
【Pandas】深入解析pandas中的统计汇总函数`sum()`
qq_38614074的博客
06-11 3397
sum()一、引言在数据处理和分析的世界里，求和（sum()）是一个基础且重要的操作。Pandas库作为Python数据分析的利器，提供了功能强大的sum()函数，用于计算DataFrame或Series对象中所有元素或指定轴上的和。本文将深入解析Pandas中的sum()函数，通过源代码和案例来展示其强大功能和应用场景。二、sum()函数的基本用法。
Pandas.Series.sum() 求和 详解 含代码 含测试数据集 随Pandas版本持续更新
数象限
01-23 2441
本文基于 pandas2.2.0 编写。随着pandas的stable版本更迭，本文持续更新，不断完善补充。
Pandas.DataFrame.sum() 求和 详解 含代码 含测试数据集 随Pandas版本持续更新
数象限
01-24 4958
本文基于 pandas2.2.0 编写。随着pandas的stable版本更迭，本文持续更新，不断完善补充。
pandas中sum() 函数的应用
2301_81245389的博客
03-25 1437
函数用于计算 DataFrame 或 Series 中数值型数据的总和。它可以对整个 DataFrame 或 Series 进行求和，也可以沿着指定的轴（行或列）进行求和。函数计算了整个 DataFrame 的总和、每列的总和以及每行的总和。在这个示例中，我们首先创建了一个 DataFrame，并使用。参数来沿着行或列进行求和，默认情况下是对列进行求和。下面是一个示例，说明如何使用。
pandas中的sum()和Python内置的sum()
最新发布
weixin_54646549的博客
07-15 389
在pandas里，sum()是Series和DataFrame的方法，用来对行/列求和。我的思路是将NaN->True(1) 然后就可以愉快的累加了，哈哈~默认是axis =0 ，是统计每列所有行的的累计值。这里有意思的点是，我今天碰到一个需求，是要我求一列中的空值个数。语法：sum(iterable, start)→ True 当 1，加起来就是空值个数。作用：把可迭代对象里所有元素依次相加。（除非你改参数，不建议改，会出问题）：只对数值列求和（防止报错）不要传这个参数，直接。
pandas之汇总和计算描述统计
TSzero的博客
04-01 4273
本文介绍pandas中几种常用的汇总和计算描述统计
pandas统计分析（下）——数据计算
m17635262186的博客
04-19 3483
本文主要介绍pandas常见的数据计算方法如求和、最大/小值，方差等
pandas基本函数
03-20
### Pandas基本函数及其用法 Pandas 是一种强大的数据分析工具库，广泛应用于数据处理和分析领域。以下是几个常用的基本函数以及它们的具体用法。 #### 1. `pandas-log` 的功能介绍 为了更好地理解 Pandas 中的操作行为，可以借助第三方扩展包 **pandas-log** 来提供操作反馈日志[^1]。该工具通过封装常见的 Pandas 函数，在执行过程中记录额外的日志信息，帮助开发者更清晰地追踪每一步的数据变化过程。 安装方式如下： ```bash pip install git+https://gitcode.com/gh_mirrors/pa/pandas-log.git ``` 使用示例： ```python import pandas as pd from pandas_log import log_dataframe_operations df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]}) log_df = log_dataframe_operations(df) # 执行任意 Pandas 操作时会自动打印日志 filtered_df = log_df[log_df['A'] > 1] print(filtered_df) ``` --- #### 2. 遍历 DataFrame 行的方法——`iterrows()` 和其他替代方案 Pandas 提供了多种方法用于遍历 DataFrame 数据中的行，其中最常见的是 `iterrows()` 方法[^2]。它能够逐行返回索引和对应的 Series 对象。然而需要注意的是，由于其性能较低，通常不推荐在大规模数据集上频繁调用此方法。 代码示例： ```python import pandas as pd data = {'Column_A': ['X', 'Y'], 'Column_B': [10, 20]} df = pd.DataFrame(data) for idx, row in df.iterrows(): print(f"Index: {idx}, Row Data: {row}") ``` 除了 `iterrows()` 外，还有更高效率的选择比如 `itertuples()` 或者基于向量化运算的 `apply()` 方法。这些方法更适合于需要高性能计算场景下的应用需求。 --- #### 3. 统计描述性信息——`describe()` 函数 对于初步探索数据分布情况而言，`describe()` 是非常实用的一个内置统计汇总命令[^3]。它可以快速生成数值型字段的关键指标（如均值、标准差等），同时也支持自定义参数调整输出范围。 实例演示： ```python sample_data = { 'Scores': [85, 90, None], 'Hours_Studied': [5, 7, 6] } frame = pd.DataFrame(sample_data) summary_stats = frame.describe() print(summary_stats) ``` 注意：如果目标是非数值类型的列，则需显式指定包含选项才能获取相应频率统计等内容。 --- #### 4. 修改列名大小写形式 有时我们可能希望统一表头命名风格以便后续加工处理更加方便一致化管理。下面展示如何利用列表推导表达式实现将现有所有列的名字转换成首字母大写的样式： 样例脚本： ```python raw_columns = ["first_name", "last_name"] cleaned_cols = [col.capitalize() for col in raw_columns] example_dataset = pd.DataFrame({ "first_name": ["John"], "last_name": ["Doe"] }) example_dataset.columns = cleaned_cols print(example_dataset.head()) ``` 上述逻辑同样适用于批量重命名复杂模式匹配条件下多级索引结构等情况。 --- #### 5. 布尔索引筛选特定条件子集 布尔掩码技术允许用户依据某些预设规则轻松提取满足要求的部分记录集合出来单独查看或者进一步深入挖掘潜在规律特性。具体做法就是先创建一个与原始表格形状相同的 True/False 数组作为过滤器作用到原对象之上即可完成整个流程自动化构建工作流简化步骤提升工作效率减少人为错误发生几率增加程序可读性和维护便利程度等方面都有显著优势体现价值所在之处值得推广普及开来让更多人受益匪浅！ 简单例子说明如下所示： ```python criteria_mask = (frame['Scores'] >= 88) & (~pd.isnull(frame['Hours_Studied'])) qualified_records = frame.loc[criteria_mask] print(qualified_records) ``` 这里特别强调一点即当涉及到多个并联关系组合查询语句编写时候记得合理运用括号分隔开各个部分优先顺序从而避免语法解析歧义现象产生影响最终结果准确性造成不必要的麻烦困扰等问题出现。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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