Pyhton科学计算 - pandas库之数据查看、选择

最新推荐文章于 2025-06-22 22:54:52 发布
转载 最新推荐文章于 2025-06-22 22:54:52 发布 · 813 阅读 · 2
文章标签：

#pandas #python #数据

本文详细介绍了Pandas库中的核心数据结构Series、DataFrame和Panel，展示了如何使用这些工具进行数据查看、选择和处理，适用于初学者和有经验的开发者。

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

 

pandas 是基于 Numpy 构建的，让以 Numpy 为中心的应用变得更加简单。

平台获取的数据主要是 DataFrame 的形式，它便是 pandas 中的。

除此之外，pandas 还包括 一位数组series 以及三维的Panel。

下面将进行详细介绍：

  • Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。

  • DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。以下的内容主要以DataFrame为主。

  • Panel ：三维的数组，可以理解为DataFrame的容器。

Pandas官网，更多功能请参考http://pandas-docs.github.io/pandas-docs-travis/index.html

本节主要讲解 DataFrame 的数据查看与选择

In [84]:

# 首先导入库
import pandas as pd

1. Series

由一组数据（各种Numpy数据类型），以及一组与之相关的标签数据（即索引）组成。仅由一组数据即可产生最简单的Series，可以通过传递一个list对象来创建一个Series，pandas会默认创建整型索引,更多series内容请参考官网 http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.html

创建一个Series：

In [3]:

s = pd.Series([1,3,5,np.nan,6,8])
s

Out[3]:

0     1
1     3
2     5
3   NaN
4     6
5     8
dtype: float64

获取 Series 的索引:

In [4]:

s.index

Out[4]:

Int64Index([0, 1, 2, 3, 4, 5], dtype='int64')

由于 Series 的用法在后续的 DataFrame 讲解及涉及，所以这了不做过多介绍，精彩内容请往下看。

2. DataFrame

DataFrame是一个表格型的数据结构，它含有一组有序的列，每一列的数据结构都是相同的，而不同的列之间则可以是不同的数据结构（数值、字符、布尔值等）。或者以数据库进行类比，DataFrame中的每一行是一个记录，名称为Index的一个元素，而每一列则为一个字段，是这个记录的一个属性。DataFrame既有行索引也有列索引，可以被看做由Series组成的字典（共用同一个索引）。

更多内容请参考：http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.html

2.1 创建一个DataFrame，包括一个numpy array, 时间索引和列名字：

In [6]:

dates = pd.date_range('20130101',periods=6)
dates

Out[6]:

DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D', tz=None)

In [7]:

df = pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('ABCD'))
df

Out[7]:

 ABCD
2013-01-010.9706001.034030-1.195059-1.202971
2013-01-020.5142101.4387180.983266-0.561351
2013-01-030.374372-0.9957140.4574190.801048
2013-01-04-1.806843-1.3076370.162970-1.051681
2013-01-05-0.056926-1.308821-1.128257-0.532996
2013-01-06-0.6068220.213184-1.159009-1.218311

In [13]:

df.<TAB>

  File "<ipython-input-13-8b5fccb86f33>", line 1
    df.<TAB>
       ^
SyntaxError: invalid syntax

2.2 查看数据 

我们以平台获取的数据为例进行讲解：

In [77]:

# 获取平安银行近几个工作日的开盘价、最高价、最低价、收盘价。
df = get_price('000001.XSHE',start_date='2016-07-01', end_date='2016-07-20', frequency='daily', fields=['open','high','low','close'])
df

Out[77]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-078.798.808.748.78
2016-07-088.798.798.738.74
2016-07-118.758.798.748.75
2016-07-128.758.898.748.88
2016-07-138.889.058.868.99
2016-07-148.979.008.918.94
2016-07-158.959.008.918.99
2016-07-188.999.088.979.04
2016-07-199.049.058.958.97
2016-07-208.968.998.958.96

查看前几条数据：

In [20]:

df.head()

Out[20]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-078.798.808.748.78

查看后几条数据：

In [21]:

df.tail()

Out[21]:

 openhighlowclose
2016-07-148.979.008.918.94
2016-07-158.959.008.918.99
2016-07-188.999.088.979.04
2016-07-199.049.058.958.97
2016-07-208.968.998.958.96

查看 DataFrame 的索引

In [22]:

df.index

Out[22]:

DatetimeIndex(['2016-07-01', '2016-07-04', '2016-07-05', '2016-07-06',
               '2016-07-07', '2016-07-08', '2016-07-11', '2016-07-12',
               '2016-07-13', '2016-07-14', '2016-07-15', '2016-07-18',
               '2016-07-19', '2016-07-20'],
              dtype='datetime64[ns]', freq=None, tz=None)

查看 DataFrame 的列名

In [23]:

df.columns

Out[23]:

Index([u'open', u'high', u'low', u'close'], dtype='object')

查看 DataFrame 的值

In [24]:

df.values

Out[24]:

array([[ 8.69,  8.73,  8.68,  8.71],
       [ 8.69,  8.86,  8.67,  8.81],
       [ 8.8 ,  8.83,  8.77,  8.81],
       [ 8.8 ,  8.82,  8.76,  8.79],
       [ 8.79,  8.8 ,  8.74,  8.78],
       [ 8.79,  8.79,  8.73,  8.74],
       [ 8.75,  8.79,  8.74,  8.75],
       [ 8.75,  8.89,  8.74,  8.88],
       [ 8.88,  9.05,  8.86,  8.99],
       [ 8.97,  9.  ,  8.91,  8.94],
       [ 8.95,  9.  ,  8.91,  8.99],
       [ 8.99,  9.08,  8.97,  9.04],
       [ 9.04,  9.05,  8.95,  8.97],
       [ 8.96,  8.99,  8.95,  8.96]])

使用 describe() 函数对于数据的快速统计汇总：

In [25]:

df.describe()

Out[25]:

 openhighlowclose
count14.00000014.00000014.00000014.000000
mean8.8464298.9057148.8128578.868571
std0.1164610.1180430.1070180.110722
min8.6900008.7300008.6700008.710000
25%8.7600008.8050008.7400008.782500
50%8.8000008.8750008.7650008.845000
75%8.9575009.0000008.9100008.967500
max9.0400009.0800008.9700009.040000

对数据的转置：

In [26]:

df.T

Out[26]:

 2016-07-01 00:00:002016-07-04 00:00:002016-07-05 00:00:002016-07-06 00:00:002016-07-07 00:00:002016-07-08 00:00:002016-07-11 00:00:002016-07-12 00:00:002016-07-13 00:00:002016-07-14 00:00:002016-07-15 00:00:002016-07-18 00:00:002016-07-19 00:00:002016-07-20 00:00:00
open8.698.698.808.808.798.798.758.758.888.978.958.999.048.96
high8.738.868.838.828.808.798.798.899.059.009.009.089.058.99
low8.688.678.778.768.748.738.748.748.868.918.918.978.958.95
close8.718.818.818.798.788.748.758.888.998.948.999.048.978.96

按列对 DataFrame 进行排序

In [28]:

df.sort(columns='open')

Out[28]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-118.758.798.748.75
2016-07-128.758.898.748.88
2016-07-078.798.808.748.78
2016-07-088.798.798.738.74
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-138.889.058.868.99
2016-07-158.959.008.918.99
2016-07-208.968.998.958.96
2016-07-148.979.008.918.94
2016-07-188.999.088.979.04
2016-07-199.049.058.958.97

2.3 选择数据

2.3.1 通过下标选取数据:

df['open']，df.open

以上两个语句是等效的，都是返回 df 名称为 open 列的数据，返回的为一个 Series。

df[0:3], df['2016-07-05':'2016-07-08']

下标索引选取的是 DataFrame 的记录，与 List 相同 DataFrame 的下标也是从0开始，区间索引的话，为一个左闭右开的区间，即[0：3]选取的为0-2三条记录。

与此等价，还可以用起始的索引名称和结束索引名称选取数据,如：df['a':'b']。有一点需要注意的是使用起始索引名称和结束索引名称时，也会包含结束索引的数据。具体看下方示例：

以上两种方式返回的都是DataFrame。

选择一列数据：

In [37]:

df['open']

Out[37]:

2016-07-01    8.69
2016-07-04    8.69
2016-07-05    8.80
2016-07-06    8.80
2016-07-07    8.79
2016-07-08    8.79
2016-07-11    8.75
2016-07-12    8.75
2016-07-13    8.88
2016-07-14    8.97
2016-07-15    8.95
2016-07-18    8.99
2016-07-19    9.04
2016-07-20    8.96
Name: open, dtype: float64

选择多列数据：

In [31]:

df[['open','close']]

Out[31]:

 openclose
2016-07-018.698.71
2016-07-048.698.81
2016-07-058.808.81
2016-07-068.808.79
2016-07-078.798.78
2016-07-088.798.74
2016-07-118.758.75
2016-07-128.758.88
2016-07-138.888.99
2016-07-148.978.94
2016-07-158.958.99
2016-07-188.999.04
2016-07-199.048.97
2016-07-208.968.96

选择多行：

In [32]:

df[0:3]

Out[32]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-058.808.838.778.81

或者按 index 选取:

In [42]:

df['2016-07-05':'2016-07-08']

Out[42]:

 openhighlowclose
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-078.798.808.748.78
2016-07-088.798.798.738.74

2.3.2 使用标签选取数据：

df.loc[行标签,列标签]

df.loc['a':'b'] #选取 ab 两行数据

df.loc[:,'open'] #选取 open 列的数据

df.loc 的第一个参数是行标签，第二个参数为列标签（可选参数，默认为所有列标签），两个参数既可以是列表也可以是单个字符，如果两个参数都为列表则返回的是 DataFrame，否则，则为 Series。

PS：loc为location的缩写。

In [44]:

df.loc['2016-07-05','open']

Out[44]:

8.8000000000000007

In [46]:

df.loc['2016-07-05':'2016-07-08']

Out[46]:

 openhighlowclose
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-078.798.808.748.78
2016-07-088.798.798.738.74

In [47]:

df.loc[:, 'open']

Out[47]:

2016-07-01    8.69
2016-07-04    8.69
2016-07-05    8.80
2016-07-06    8.80
2016-07-07    8.79
2016-07-08    8.79
2016-07-11    8.75
2016-07-12    8.75
2016-07-13    8.88
2016-07-14    8.97
2016-07-15    8.95
2016-07-18    8.99
2016-07-19    9.04
2016-07-20    8.96
Name: open, dtype: float64

In [48]:

df.loc['2016-07-05':'2016-07-08','open']

Out[48]:

2016-07-05    8.80
2016-07-06    8.80
2016-07-07    8.79
2016-07-08    8.79
Name: open, dtype: float64

2.3.3. 使用位置选取数据：

df.iloc[行位置,列位置]

df.iloc[1,1] #选取第二行，第二列的值，返回的为单个值

df.iloc[[0,2],:] #选取第一行及第三行的数据

df.iloc[0:2,:] #选取第一行到第三行（不包含）的数据

df.iloc[:,1] #选取所有记录的第二列的值，返回的为一个Series

df.iloc[1,:] #选取第一行数据，返回的为一个Series

PS：iloc 则为 integer & location 的缩写

In [64]:

df

Out[64]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-078.798.808.748.78
2016-07-088.798.798.738.74
2016-07-118.758.798.748.75
2016-07-128.758.898.748.88
2016-07-138.889.058.868.99
2016-07-148.979.008.918.94
2016-07-158.959.008.918.99
2016-07-188.999.088.979.04
2016-07-199.049.058.958.97
2016-07-208.968.998.958.96

In [58]:

df.iloc[1,1] # 选取第二行，第二列的值，返回的为单个值

Out[58]:

8.8599999999999994

In [59]:

df.iloc[[0,2],:] # 选取第一行及第三行的数据

Out[59]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-058.808.838.778.81

In [60]:

df.iloc[0:2,:] # 选取第一行到第三行（不包含）的数据

Out[60]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81

In [61]:

df.iloc[:,1] # 选取所有记录的第一列的值，返回的为一个Series

Out[61]:

2016-07-01    8.73
2016-07-04    8.86
2016-07-05    8.83
2016-07-06    8.82
2016-07-07    8.80
2016-07-08    8.79
2016-07-11    8.79
2016-07-12    8.89
2016-07-13    9.05
2016-07-14    9.00
2016-07-15    9.00
2016-07-18    9.08
2016-07-19    9.05
2016-07-20    8.99
Name: high, dtype: float64

In [57]:

df.iloc[1,:] # 选取第一行数据，返回的为一个Series

Out[57]:

open     8.69
high     8.86
low      8.67
close    8.81
Name: 2016-07-04 00:00:00, dtype: float64

2.3.4. 更广义的切片方式是使用.ix，它自动根据给到的索引类型判断是使用位置还是标签进行切片

df.ix[1,1]

df.ix['a':'b']

In [63]:

df

Out[63]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-078.798.808.748.78
2016-07-088.798.798.738.74
2016-07-118.758.798.748.75
2016-07-128.758.898.748.88
2016-07-138.889.058.868.99
2016-07-148.979.008.918.94
2016-07-158.959.008.918.99
2016-07-188.999.088.979.04
2016-07-199.049.058.958.97
2016-07-208.968.998.958.96

In [62]:

df.ix[1,1]

Out[62]:

8.8599999999999994

In [66]:

df.ix['2016-07-01':'2016-07-05']

Out[66]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-058.808.838.778.81

In [67]:

df.ix['2016-07-05','open']

Out[67]:

8.8000000000000007

In [68]:

df.ix[1,'open']

Out[68]:

8.6899999999999995

In [70]:

df.ix['2016-07-01',0]

Out[70]:

8.6899999999999995

2.3.5 通过逻辑指针进行数据切片：

df[逻辑条件]

df[df.one >= 2] #单个逻辑条件

df[(df.one >=1 ) & (df.one < 3) ] #多个逻辑条件组合

In [71]:

df

Out[71]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-078.798.808.748.78
2016-07-088.798.798.738.74
2016-07-118.758.798.748.75
2016-07-128.758.898.748.88
2016-07-138.889.058.868.99
2016-07-148.979.008.918.94
2016-07-158.959.008.918.99
2016-07-188.999.088.979.04
2016-07-199.049.058.958.97
2016-07-208.968.998.958.96

In [72]:

# 筛选出 open 大于 8.8 的数据
df[df.open > 8.8]

Out[72]:

 openhighlowclose
2016-07-138.889.058.868.99
2016-07-148.979.008.918.94
2016-07-158.959.008.918.99
2016-07-188.999.088.979.04
2016-07-199.049.058.958.97
2016-07-208.968.998.958.96

In [73]:

# 筛选出 open 大于 8.8 的数据，并且 close 小于 9.0 的数据
df[(df.open > 8.8) & (df.close < 9.0)]

Out[73]:

 openhighlowclose
2016-07-138.889.058.868.99
2016-07-148.979.008.918.94
2016-07-158.959.008.918.99
2016-07-199.049.058.958.97
2016-07-208.968.998.958.96

使用 条件过来更改数据。

In [79]:

df[df>9.0]

Out[79]:

 openhighlowclose
2016-07-01NaNNaNNaNNaN
2016-07-04NaNNaNNaNNaN
2016-07-05NaNNaNNaNNaN
2016-07-06NaNNaNNaNNaN
2016-07-07NaNNaNNaNNaN
2016-07-08NaNNaNNaNNaN
2016-07-11NaNNaNNaNNaN
2016-07-12NaNNaNNaNNaN
2016-07-13NaN9.05NaNNaN
2016-07-14NaNNaNNaNNaN
2016-07-15NaNNaNNaNNaN
2016-07-18NaN9.08NaN9.04
2016-07-199.049.05NaNNaN
2016-07-20NaNNaNNaNNaN

观察可以发现，df 中小于 9 的数都变为 NaN。

下面我们就把大于 9 的数赋值为0.

In [80]:

df[df > 9.0] = 0

In [81]:

df

Out[81]:

 openhighlowclose
2016-07-018.698.738.688.71
2016-07-048.698.868.678.81
2016-07-058.808.838.778.81
2016-07-068.808.828.768.79
2016-07-078.798.808.748.78
2016-07-088.798.798.738.74
2016-07-118.758.798.748.75
2016-07-128.758.898.748.88
2016-07-138.880.008.868.99
2016-07-148.979.008.918.94
2016-07-158.959.008.918.99
2016-07-188.990.008.970.00
2016-07-190.000.008.958.97
2016-07-208.968.998.958.96

发现大于 9 的数都被替换为了0.

接下来教大家使用isin()方法来过滤在指定列中的数据：

In [83]:

# 选取 high 列中数为 0 和 9 的数。
df[df['high'].isin([0.00,9.00])]

Out[83]:

 openhighlowclose
2016-07-138.8808.868.99
2016-07-148.9798.918.94
2016-07-158.9598.918.99
2016-07-188.9908.970.00
2016-07-190.0008.958.97

3. Panel

平台get_price，如果是多支股票, 则返回pandas.Panel对象。更多内容请参考http://pandas.pydata.org/pandas-docs/stable/api.html#panel

可通过 panel[列标,行标，股票代码] 获取数据.

In [1]:

panel = get_price(['000001.XSHE','000002.XSHE'],start_date='2016-07-12', end_date='2016-07-15', frequency='daily', fields=['open','high','low','close'])
panel

Out[1]:

<class 'pandas.core.panel.Panel'>
Dimensions: 4 (items) x 4 (major_axis) x 2 (minor_axis)
Items axis: close to open
Major_axis axis: 2016-07-12 00:00:00 to 2016-07-15 00:00:00
Minor_axis axis: 000001.XSHE to 000002.XSHE

由打印的结果可以看出：

  • 列标(Items axis: close to open)
  • 行标(Major_axis axis: 2016-07-12 00:00:00 to 2016-07-15 00:00:00)
  • 股票代码(Minor_axis axis: 000001.XSHE to 000002.XSHE)

In [2]:

# 取出 'open'数据
panel['open',:,:]

Out[2]:

 000001.XSHE000002.XSHE
2016-07-128.7517.53
2016-07-138.8817.27
2016-07-148.9717.41
2016-07-158.9517.18

In [3]:

# 取出 '2016-07-15'数据
panel[:,'2016-07-15',:]

Out[3]:

 closehighlowopen
000001.XSHE8.999.008.918.95
000002.XSHE17.1717.3217.1417.18

In [4]:

# 取出 000001 的 DataFrame 数据
panel[:,:,'000001.XSHE']

Out[4]:

 closehighlowopen
2016-07-128.888.898.748.75
2016-07-138.999.058.868.88
2016-07-148.949.008.918.97
2016-07-158.999.008.918.95

Panel 操作与 DataFrame 基本相同，下节会为大家讲解 DataFrame 的数据处理与规整。

来自：https://www.joinquant.com/post/e0cdefd3356965b702231ad2babc227b?f=stydy&m=python

Pyhton科学计算工具Pandas（八）—— 数据的去重及替换
GengPeng的博客
03-28 3480
Pyhton科学计算工具Pandas（七）—— 数据的去重及替换 去重 .duplicated() # 去重 .duplicated() s = pd.Series([1,1,1,1,2,2,2,3,4,5,5,5,5]) print(s.duplicated(keep='first')) print(s[s.duplicated() == False]) print('-----')...
【Python】Pandas基础操作手册（上）
保护小周ღ的博客
10-21 3117
Pandas 是一个开源的 Python 数据分析库，主要用于数据操作和数据分析。它提供了高效、灵活的数据结构和函数，使得数据处理变得更加便捷。
10分钟学会pandas库之一(查看和选择)
weixin_41986750的博客
11-30 4323
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
pandas的简单使用（查询）
qq_55342245的博客
11-25 5633
pandas的简单使用--查询head() 函数loc 函数iloc 函数条件查询简单逻辑模糊查询startswith() 按开头字符串进行查找endswith() 按结尾字符串进行查找contains() 模糊查询不常用的骚操作 df['列名'] 与 df.列名 输出结果是一致的。哪怕列名是中文也可以 但两个都只能输出一列，如果要输出多列 df[['列1','列2','列3']] head() 函数 # 查看前5行 df.head() # 查看前100行 df.head(100) loc 函数 语
【Python】数据处理工具：Pandas详细指南
最新发布
卜及中的博客
06-22 1431
本文详细介绍了Python的数据处理工具Pandas。首先，介绍了Pandas的基本概念及安装方法。之后探讨了Pandas的核心数据结构，包括Series和DataFrame，并通过数据读取与写入、数据探索与清洗等操作，展示了如何高效处理数据。文章还详细讲解了数据操作技巧，如排序、分组、数据合并以及应用函数。
Pandas查询数据的5大方法
qq_41715032的博客
03-22 1650
pandas中的数据查询
pandas查询数据的几种方法
听海边涛声
03-03 1303
pandas查询数据的几种方法
pandas基本操作之数据访问(查看与检索)
学而思(xiejava的blog)
02-07 6485
对于数据分析来说，在构造或载入数据后最基本的操作应该就是对数据的访问了。看一看数据的结构、组成、分布等，根据需要从数据集中检索提取出相应的数据。pandas作为数据分析的利器，当然提供了多种查看和检索数据的方法。本文就来捋一捋pandas基本的数据访问。 一、查看数据 当我们拿到数据集后，第一步可能就是查看数据了，一方面是了解拿到的数据集的数据结构，另一方面随机检查一下数据的质量问题。 不管是Series还是DataFrame的数据集pandas常用的数据查看方法有： 方法 操作 结果 h
python实践：Pandas将多个数组合并为DataFrame进行数据处理
孔乙己大叔的博客
09-04 1426
将多个数组合并为DataFrame是数据处理中的一项基础且重要的任务。Pandas通过其强大的DataFrame数据结构及其丰富的数据处理能力，使得这一过程变得简单而高效。通过掌握这一技能，你可以更加灵活地处理和分析数据，为数据驱动的决策提供有力支持。孔乙己大叔您的一站式代码技术资源中心。我们汇集了各种编程语言的教程、最佳实践和行业解决方案，帮助您轻松掌握最新技术。此外，我们还提供了一系列实用的开发者工具和代码库，助您提升开发效率。立即访问，探索更多精彩内容！t=N7T8。
Python数据分析与应用_从数据获取到可视化题库及答案
m0_63394128的博客
05-10 4万+
第1章习题 填空题 的目的在于将隐藏在一大批看似杂乱无章的数据信息集中提炼出来有用的数据。 中包含了conda、Python在内的超过180个科学包及其依赖项。 Jupyter Notebook是一个支持代码、数学方程、可视化和Markdown的Web应用程序。 判断题 数据分析是一个有目的地收集和整合数据的过程。（ ） Python是一门胶水语言，可以轻松地操作其它语言编写的库。（ ） 如果要卸载指定环境中的包，则直接使用remove命令移除即可。...
Python应用NumPy与Pandas及Matplotlib完全解析
sinat_30844883的博客
08-17 1348
Python是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。 1991年，第一个Python编译器诞生。它是由C语言实现的，且能够调用C语言的库文件。从其诞生，Python就已经具有了类、函数、异常处理、包含表和词典的核心数据类型，以及以模块为基础的拓展系统。 python应用非常广泛：Web开发、数据分析、人工智能、数学处理、科学计算及自动化运维等各个方面。
使用 Pandas 查看数据
李威威的博客
10-19 7874
简单查看数据 dataframe.head() 数据的维度 dataframe.shape 属性 数据的属性和类型 dataframe.dtypes 属性 统计性描述 dataframe.describe() 数据分组分布 print(data.groupby('class').size()) 数据属性的相关性 设置数据的精度 import pandas as pd # 显示数据的...
Pandas中 常用属性，查看概览信息
MyNotes
03-14 7080
DataFrame的基础属性 df.shape ——行数 列数 df.dtypes——列数据类型 df.ndim ——数据维度 df.index——行索引 df.columns——列索引 df.values——对象值，二维ndarray数组 DataFrame整体情况 df.head(10)——显示前10行，默认是5行 df.tail()——显示末尾几行，默认是5 df.info()——相关系...
查看pandas版本
热门推荐
uvyoaa的专栏
03-28 6万+
>>> import pandas as pd >>> pd.show_versions() >>> pd.__version__ 在命令行下输入 pip list 可以输出一个模块列表，并包含各模块版本号。
Pandas 查看数据
千里之行始于足下
10-29 4470
– Start import pandas as pd # http://www.csindex.com.cn/zh-CN/downloads/indices?lb=%E5%85%A8%E9%83%A8&amp;amp;xl=1 # 通过读取 Excel 文件创建 DataFrame df = pd.read_excel(&quot;index300.xls&quot;, sheet_name=&quot;Price Return ...
Pandas常用操作命令（二）——查看数据信息
Python当打之年
06-21 5418
Pandas常用操作命令02--查看数据信息
Pandas 数据预览与预处理
weixin_50528299的博客
02-22 487
Pandas 数据预览及预处理操作
pandas查询数据
KyrieHe的博客
05-23 2329
pandas查询数据 通过布尔索引有针对的选取原数据的子集、指定行、指定列等。 我们先导入一个student数据集： student = pd.read_csv(‘C:\Users\admin\Desktop\student.csv’) 查询数据的前5行或末尾5行 student.head() student.tail() 查询指定的行 studen...
Pandas Panel的使用
稻草人技术博客
07-03 1万+
Panel Panel是Pandas中的3D数据容器 它有3个轴（axis），分别是： items - axis 0 , 每个item对应一个DataFrame major_axis - axis 1，代表每个DataFrame的索引 minor_axis - axis 2, 代表每个DataFrame的列 构造函数 用以下函数构造一个Panel： pandas.Panel(data, ite...
pyhton pandas库
12-09
Python的pandas库是一个强大的数据分析工具，广泛应用于数据科学和数据分析领域。pandas提供了高效的数据结构和数据分析工具，特别适用于处理表格数据。以下是pandas库的一些主要特点和功能： 1. **数据结构**： -...
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