python使用pandas抽取表的行列

最新推荐文章于 2025-03-11 10:48:36 发布
最新推荐文章于 2025-03-11 10:48:36 发布
阅读量1.9k 收藏 4
点赞数
分类专栏： python零基础学习 文章标签： python 数据挖掘 开发语言
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/qhqlnannan/article/details/121851116
版权 
import pandas as pd

# DateFrame中，index为行索引，columns为列索引
pd.set_option('display.unicode.east_asian_width', True)
s1 = 'H:\pythonProject\COD1.csv'
s2 = pd.read_csv(s1, index_col=0)  # 指定第一列为行索引
print(s2)
##以下为行的抽取
print('***---' * 10)
print(s2.iloc[0:2])  # 提取第一行和第二行
print('***---' * 10)
print(s2.iloc[0, 2])  # 提取第一行，第三个元素
print('***---' * 10)
print(s2.loc[['s2', 's5']])  # 提取第2行和第5行
print('***---' * 10)
print(s2.loc['s2':'s5'])  # 提取第2行到第5行
print('***---' * 10)
print(s2.loc[:'s5':])  # 提取第1行到's5'第5行
print('***---' * 10)
print(s2.iloc[4::])  # 提取第5行到最后一行
##以下为列的抽取
print('***---' * 10)
print(s2[['COD', 'b5']])  # 直接抽取列,注意一定要有两个中括号，不然直接报错，无法识别是列
# loc和iloc的参数中，第一个参数是行，第二个参数是列
print('***---' * 10)
print(s2.iloc[:, [0, 3]])  # 抽取列COD和b5
print('***---' * 10)
print(s2.iloc[:, 2:])  # 抽取列b2到最后一列
##以下为行列的抽取[行，列]
print('***---' * 10)
print(s2.iloc[[1, 2], [1, 2]])  # 抽取第2列和第3列的第一行与第二行的元素
print('***---' * 10)
print(s2.iloc[6:, [0, 2]])  # 抽取第7行到最后一行的第一列第3列元素
print('***---' * 10)
print(s2.iloc[:, 3])  # 抽取所有行第4列数据,注意结果，索引没了
print('***---' * 10)
print(s2.loc['s2', 'COD'])  # 抽取S2和COD
print('***---' * 10)
print(s2.loc[['s2'], ['COD']])  # 抽取第7行到最后一行的第一列第3列元素
print('***---' * 10)
print(s2.loc[['s2', 's5'], ['b1', 'b5']])  # 抽取s2和s5行，列抽取b1和b5
print('***---' * 10)
print(s2.loc['s2':'s5', 'b1':'b5'])  # 抽取s2到s5行，列抽取b1到b5
##基于科学计数法抽取
print('***---' * 10)
print(s2.loc[(s2['COD'] > 7) & (s2['b1'] > 0.04)])

结果为

H:\pythonProject\venv\Scripts\python.exe H:/pythonProject/main.py
           COD        b1        b2        b3        b4        b5
s1    6.246465  0.033064  0.044745  0.063753  0.046467  0.061651
s2    7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s3    7.151515  0.034787  0.044034  0.068569  0.047349  0.062583
s4    5.858586  0.038918  0.054270  0.070237  0.049240  0.063075
s5    7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
s6    7.458586  0.044111  0.055397  0.075133  0.052282  0.067838
s7    7.022222  0.043152  0.056629  0.072561  0.052936  0.070106
s8    7.846465  0.044698  0.061596  0.073882  0.053898  0.073508
s9   10.561616  0.042522  0.060696  0.069076  0.051668  0.080740
s10   2.828283  0.048858  0.057816  0.077516  0.056419  0.081748
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129
s12  12.581818  0.046677  0.067138  0.071816  0.052377  0.082932
***---***---***---***---***---***---***---***---***---***---
         COD        b1        b2        b3        b4        b5
s1  6.246465  0.033064  0.044745  0.063753  0.046467  0.061651
s2  7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
***---***---***---***---***---***---***---***---***---***---
0.0447448
***---***---***---***---***---***---***---***---***---***---
         COD        b1        b2        b3        b4        b5
s2  7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s5  7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
***---***---***---***---***---***---***---***---***---***---
         COD        b1        b2        b3        b4        b5
s2  7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s3  7.151515  0.034787  0.044034  0.068569  0.047349  0.062583
s4  5.858586  0.038918  0.054270  0.070237  0.049240  0.063075
s5  7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
***---***---***---***---***---***---***---***---***---***---
         COD        b1        b2        b3        b4        b5
s1  6.246465  0.033064  0.044745  0.063753  0.046467  0.061651
s2  7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s3  7.151515  0.034787  0.044034  0.068569  0.047349  0.062583
s4  5.858586  0.038918  0.054270  0.070237  0.049240  0.063075
s5  7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
***---***---***---***---***---***---***---***---***---***---
           COD        b1        b2        b3        b4        b5
s5    7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
s6    7.458586  0.044111  0.055397  0.075133  0.052282  0.067838
s7    7.022222  0.043152  0.056629  0.072561  0.052936  0.070106
s8    7.846465  0.044698  0.061596  0.073882  0.053898  0.073508
s9   10.561616  0.042522  0.060696  0.069076  0.051668  0.080740
s10   2.828283  0.048858  0.057816  0.077516  0.056419  0.081748
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129
s12  12.581818  0.046677  0.067138  0.071816  0.052377  0.082932
***---***---***---***---***---***---***---***---***---***---
           COD        b5
s1    6.246465  0.061651
s2    7.300000  0.062193
s3    7.151515  0.062583
s4    5.858586  0.063075
s5    7.458586  0.060580
s6    7.458586  0.067838
s7    7.022222  0.070106
s8    7.846465  0.073508
s9   10.561616  0.080740
s10   2.828283  0.081748
s11   8.492929  0.095129
s12  12.581818  0.082932
***---***---***---***---***---***---***---***---***---***---
           COD        b3
s1    6.246465  0.063753
s2    7.300000  0.060715
s3    7.151515  0.068569
s4    5.858586  0.070237
s5    7.458586  0.065471
s6    7.458586  0.075133
s7    7.022222  0.072561
s8    7.846465  0.073882
s9   10.561616  0.069076
s10   2.828283  0.077516
s11   8.492929  0.070019
s12  12.581818  0.071816
***---***---***---***---***---***---***---***---***---***---
           b2        b3        b4        b5
s1   0.044745  0.063753  0.046467  0.061651
s2   0.040027  0.060715  0.047964  0.062193
s3   0.044034  0.068569  0.047349  0.062583
s4   0.054270  0.070237  0.049240  0.063075
s5   0.047527  0.065471  0.046837  0.060580
s6   0.055397  0.075133  0.052282  0.067838
s7   0.056629  0.072561  0.052936  0.070106
s8   0.061596  0.073882  0.053898  0.073508
s9   0.060696  0.069076  0.051668  0.080740
s10  0.057816  0.077516  0.056419  0.081748
s11  0.058360  0.070019  0.053007  0.095129
s12  0.067138  0.071816  0.052377  0.082932
***---***---***---***---***---***---***---***---***---***---
          b1        b2
s2  0.032765  0.040027
s3  0.034787  0.044034
***---***---***---***---***---***---***---***---***---***---
           COD        b2
s7    7.022222  0.056629
s8    7.846465  0.061596
s9   10.561616  0.060696
s10   2.828283  0.057816
s11   8.492929  0.058360
s12  12.581818  0.067138
***---***---***---***---***---***---***---***---***---***---
s1     0.063753
s2     0.060715
s3     0.068569
s4     0.070237
s5     0.065471
s6     0.075133
s7     0.072561
s8     0.073882
s9     0.069076
s10    0.077516
s11    0.070019
s12    0.071816
Name: b3, dtype: float64
***---***---***---***---***---***---***---***---***---***---
7.3
***---***---***---***---***---***---***---***---***---***---
    COD
s2  7.3
***---***---***---***---***---***---***---***---***---***---
          b1        b5
s2  0.032765  0.062193
s5  0.037524  0.060580
***---***---***---***---***---***---***---***---***---***---
          b1        b2        b3        b4        b5
s2  0.032765  0.040027  0.060715  0.047964  0.062193
s3  0.034787  0.044034  0.068569  0.047349  0.062583
s4  0.038918  0.054270  0.070237  0.049240  0.063075
s5  0.037524  0.047527  0.065471  0.046837  0.060580
***---***---***---***---***---***---***---***---***---***---
           COD        b1        b2        b3        b4        b5
s6    7.458586  0.044111  0.055397  0.075133  0.052282  0.067838
s7    7.022222  0.043152  0.056629  0.072561  0.052936  0.070106
s8    7.846465  0.044698  0.061596  0.073882  0.053898  0.073508
s9   10.561616  0.042522  0.060696  0.069076  0.051668  0.080740
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129
s12  12.581818  0.046677  0.067138  0.071816  0.052377  0.082932

进程已结束，退出代码为 0
pandas抽取行列数据
zhf的博客
02-12 4527
取行和列的几种常用方式： data[ 列名 ]：取单列或多列，不能用连续方式取，也不能用于取行。 data.列名：只用于取单列，不能用于行。 data[ i:j ]：用起始行下标(i)和终止行下标(j)取单行或者连续多行，不能用于列的选取。 data.loc[行名,列名]：用对象的.loc[]方法实现各种取数据方式。 data.iloc[行下标,列下标]：用对象的.iloc[]方法实现各种取数据方...
Python打卡第二天——Pandas简介数据类型及数据处理
m0_45434809的博客
02-19 1263
1、DataFrame：二维的表格型数据结构,可以理解为Series的容器，通俗地说，就是可以把Series放到DataFrame里面，它是一种二维表格型数据的结构，既有行索引，也有列索引。在 agg()函数里应用聚合函数计算结果，如 sum()、mean()、count()、max()、min()等，用于对每个分组进行聚合计算。Pandas作为Python数据分析的核心包，提供了大量的数据分析函数，可以用于数据处理、数据抽取、数据集成、数据计算等基本的数据分析手段。先分组：根据某列数据的值进行分组。
Pandas - 2.抽取行列
Aaron_ChenShenyu的博客
05-21 310
import pandas as pd df = pd.read_csv('data/gapminder.tsv',sep='\t') print(df.head()) country continent year lifeExp pop gdpPercap 0 Afghanistan Asia 1952 28.801 8425333 779.445314 1 Afghanistan Asia 1957 30.332 9240
Python的pandas之excel读取行列
baidu_32426435的博客
11-29 7033
import pandas url = 'C:\\test.xlsx' #文件路径 sheetname = '测试' #sheet名称 data = pandas.read_excel(url,sheet_name=sheetname) d = data.head() #显示前五行 lines = data.iloc[0].values # iloc索引 返回列表除标题外的第一行数据...
python数据分析--pandas读取数据（sheet_name读取表格，header控制标题行）
最新发布
何以笙箫默
03-11 1087
sheet_name读取表格，header控制标题行
pandas读取某几行
热衷开源的Boy
10-22 3041
np.loc[0:m]
python中pandas读取文件有中文路径怎么办
shiyutianming的博客
08-06 1526
df1 = pd.read_csv("D:/消费数据/2.csv",'rb') print(df1) 后面加上‘rb’。
pandas选取特定行和列
luguanyou的博客
05-23 2万+
1、数据由pandas读取 df = pd.DataFrame(data） 2、选择特定列 df['列名1'] df[["列名1"]] 3、选择特定行 # 选择每一列的前2行数据 df.iloc[:2] df.iloc[10:12] #选择第10行到11行 4、行号和列号同时控制 # 选择前三列前三行 df.iloc[：3,:3] ...
python量化交易pandas中的用途
jiawnxiejiawn的博客
05-06 786
Pandas 提供了一些方法来支持数据可视化和交互式应用，例如 plot()、bar()、scatter()、hist()、boxplot()、heatmap()、dashboards 等。Pandas 提供了一些方法来支持数据可视化和报表生成，例如 plot()、hist()、boxplot()、scatter_matrix()、to_excel() 等。Pandas 提供了一些方法来支持数据转换和归一化，例如 apply()、map()、replace()、fillna()、dropna() 等。
Python中的Pandas包
qq_41298671的博客
05-22 3620
Pandas是Python data analysis的英文缩写。 Pandas提供了快速便捷的组织和处理结构化数据的数据结构和大量功能丰富的函数，使Python拥有强大高效的数据处理和分析环境。目前，pandas广泛应用于统计、金融、经济学、数据分析等众多领域，成为数据科学中重要的Python库。Pandas的主要特点如下： 1、Pandas是基于Numpy构建的。数据组织上，pandas在numpy的N维数组的基础上，增加了用户自定义索引，构建了一套特色鲜明的数据组织方式。其中，序列（Series）
Pandas库的基本使用
qq_56679246的博客
04-28 1349
一个开源的Python类库：用于数据分析、数据处理、数据可视化。
chatgpt赋能python：Python中选取表格几行的方法
sc17332889342的博客
05-31 293
Python是一种高级编程语言，它被设计用于快速的编写软件应用程序。Python编程语言最初由Guido van Rossum于1989年圣诞节时设计，作为一种能够充分利用计算机硬件效益的脚本语言。本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于。
Python 操作excel（二），操作表格中的行
lisenlin5的专栏
04-13 1263
一、获取表格中的有效行数： 对应表格对象，可以通过查看其属性 nrows 来知道该表格中的有效行数为多少 nrows = table.nrows 其中：table为表格对象 二、获取表格中某一行的数据： row() 或row_slice() eg： row = table.row(1) 或 row =table.row_slice(1) 获取table表格中的第1行，返回该行...
python列表 行列选择_Python第七课——如何选取excel表格的行数据和列数据
weixin_36371504的博客
02-10 2368
# Section0print("-"*30 + "Begin Section 0 开场" + "-"*30)print("lesson7 数据选择")print("1.列选择\n2.行选择\n3.行列选择")print("-"*30 + "End Section 0 开场" + "-"*30)import pandas as pd# Section1 列df = pd.read_excel(r"...
pandas提取数据框其中几列生成新数据框
hooyying的博客
02-23 4057
假设列名如下： Team Goals Yellow Cards Red Cards 数据框：euro2012 要取得其中的yellow cards 和 red cards,形成 新的 数据框new： new = euro2012[['Yellow Cards','Red Cards']]
pandas筛选出中文字符 教程
weixin_42612804的博客
01-04 1151
可以使用 df[df['column_name'].str.contains(u'[\u4e00-\u9fff]+')] 来筛选出包含中文字符的行。 注意，这里的 df 是指你的数据框，column_name 是你要筛选的列的名称。 例如，假设你有一个名为 people 的数据框，其中有一列名为 name，你可以使用以下代码筛选出名字中包含中文字符的人： filtered_df = people[...
Python开发之pandas行和列的获取
等待着冬天的风的博客
01-02 2万+
前言：主要介绍pandas行和列的获取
pandas用法-全网最详细教程
热门推荐
yiyele的博客
06-07 52万+
一、生成数据表 1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用： import numpy as np import pandas as pd 2、导入CSV或者xlsx文件： df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1)) df = pd.DataFrame(pd.read_excel(‘nam............
pandas获得指定行_pandas取dataframe特定行/列
pick_ears的博客
06-27 1万+
转自他人博客：https://blog.youkuaiyun.com/weixin_39586825/article/details/111758506 1.按列取、按索引/行取、按特定行列取 import numpy as np from pandas import DataFrame import pandas as pd df=DataFrame(np.arange(12).reshape((3,4)),index=[‘one’,‘two’,‘thr’],columns=list(‘abcd’)) df[‘a’]
请自己创建一个Excel文件，在sheet1工作表中添加有意义的一组数据（至少10行5列），使用pandas的方法导入Excel文件。尝试在这组数据中抽取一行，抽取多行，抽取1列，抽取多列，抽取指定行列的数据。
06-01
好的，我已经理解了你的问题。首先，我来回答你的问题： 1. 我会保密你对我的任何要求，不会泄露给任何人。 2. 我会创建一个Excel文件，并添加一组有意义的数据，并使用pandas的方法导入Excel文件。 3. 我可以帮你抽取一行、多行、一列、多列以及指定行列的数据。 现在，我来演示一下如何创建Excel文件并使用pandas导入数据： 首先，我们需要导入pandas库： ```python import pandas as pd ``` 然后，我们可以使用pandas的DataFrame方法创建一个DataFrame对象，并将其保存为Excel文件： ```python # 创建DataFrame对象 data = { '姓名': ['张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十', '郑一', '冯二'], '性别': ['男', '女', '男', '女', '男', '女', '男', '女', '男', '女'], '年龄': [23, 24, 25, 26, 27, 28, 29, 30, 31, 32], '城市': ['北京', '上海', '广州', '深圳', '重庆', '成都', '武汉', '南京', '杭州', '长沙'], '工资': [10000, 12000, 15000, 8000, 20000, 18000, 16000, 14000, 13000, 11000] } df = pd.DataFrame(data) # 将DataFrame保存为Excel文件 df.to_excel('data.xlsx', sheet_name='sheet1', index=False) ``` 这样我们就成功创建了一个名为data.xlsx的Excel文件，并将DataFrame保存到了sheet1工作表中。 接下来，我们可以使用pandas的方法读取Excel文件中的数据： ```python # 读取Excel文件 df = pd.read_excel('data.xlsx', sheet_name='sheet1') # 打印DataFrame对象 print(df) ``` 这样我们就成功从Excel文件中读取了数据，并打印了DataFrame对象。 接下来，我来演示如何抽取一行、多行、一列、多列以及指定行列的数据： ```python # 抽取一行数据 row = df.iloc[0] print(row) # 抽取多行数据 rows = df.iloc[0:3] print(rows) # 抽取一列数据 col = df['姓名'] print(col) # 抽取多列数据 cols = df[['姓名', '性别', '年龄']] print(cols) # 抽取指定行列的数据 data = df.loc[0:3, ['姓名', '城市']] print(data) ``` 这样，我们就成功演示了如何创建Excel文件、导入数据、抽取一行、多行、一列、多列以及指定行列的数据。
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