潜洋的专栏

PrettyTable 是一个简单的 Python 库，旨在让您快速轻松地以视觉上有吸引力的 ASCII 表格形式表示表格数据。输入以下命令安装此模块。文件是逗号分隔值文件，使用逗号分隔值。它主要用于在不同应用程序之间交换数据。其中，各行由换行符分隔。每行中的数据字段用逗号分隔。将 CSV 文件转换为 HTML 表的最简单方法之一是使用 pandas。在命令提示符中输入以下代码来安装 pandas。假设 CSV 文件如下所示 -姓名、工资、年龄、工作年限。使用上面的 CSV 文件。

执行此操作后，我们得到一个表，其中包含两个表中的所有数据，并且数据匹配。右连接有点类似于左连接，其中输出数据框将由第二个数据框中的所有行和第一个数据框中的匹配行组成。第一个表包含学生信息，第二列包含他们所注册的各个课程的信息。左连接操作提供第一个数据框中的所有行和第二个数据框中的匹配行。如果行在第二个数据框中不匹配，则它们将被 NaN 替换。外连接提供由两个数据框的行组成的输出数据框。如果行匹配，则显示值，否则，对于不匹配的行，将显示 NaN。内连接仅生成那些在两行中都满足条件的行的输出数据框。

要使用各种技术（例如添加标题、标签和应用样式表）自定义 Pandas 中的图表，您可以直接使用 Pandas 的绘图功能，这些功能建立在 Matplotlib 之上。通过利用 Pandas 与 Matplotlib 的集成及其内置绘图功能，您可以创建各种各样的图表来有效地探索和传达您的数据。要在 Pandas 中创建密度图，您可以使用 plot.kde() 或 plot.density() 方法，它们本质上可以互换，并使用核密度估计 (KDE) 来估计随机变量的概率密度函数 (PDF)。

XlsxWriter是一个用于以 XLSX 文件格式写入文件的 Python 模块。它可用于将文本、数字和公式写入多个工作表。此外，它还支持格式化、图像、图表、页面设置、自动筛选、条件格式等功能。Python Pandas 是一个数据分析库。它可以读取、过滤和重新排列小型和大型数据集，并以包括 Excel 在内的多种格式输出它们。使用 Pandas 和 XlsxWriter 绘制柱形图。使用 Pandas 和 XlsxWriter 绘制折线图。使用 Pandas 和 XlsxWriter 绘制散点图。

它可用于将文本、数字和公式写入多个工作表。此外，它还支持格式化、图像、图表、页面设置、自动筛选、条件格式等功能。使用 Pandas 和 XlsxWriter 将具有日期时间的 Pandas 数据框转换为具有默认日期时间和日期格式的 Excel 文件。使用 Pandas 和 XlsxWriter 将 Pandas 数据框转换为具有用户定义标题格式的 Excel 文件。使用 Pandas 和 XlsxWriter 将 Pandas 数据框转换为具有列格式的 Excel 文件。

它可用于将文本、数字和公式写入多个工作表。此外，它还支持格式化、图像、图表、页面设置、自动筛选、条件格式等功能。它可以读取、过滤和重新排列小型和大型数据集，并以包括 Excel 在内的多种格式输出它们。使用 Pandas 和 XlsxWriter 将 Pandas 数据框转换为 xlsx 文件。使用 Pandas 和 XlsxWriter 将多个数据框写入工作表。使用 Pandas 和 XlsxWriter 在工作表中定位数据框。使用 XlsxWriter 模块写入 Excel 文件。

要从 CSV 文件访问数据，我们需要 Pandas 中的 read_csv() 函数，该函数以数据框的形式检索数据。如果没有传递任何名称，即 header=None，则它将第一列显示为 0，第二列显示为 1，依此类推。此 na_values 参数将指定的字符串（例如 "N/A"， "Unknown"）替换为 NaN，从而能够在分析过程中一致处理缺失或不完整的数据。该 skiprows 参数会跳过文件开头不必要的行，这对于忽略不属于数据集的元数据或额外标题很有用。：csv 文件的位置。

从名称可以看出，str.lstrip() 用于从字符串左侧删除空格，str.rstrip() 用于从字符串右侧删除空格，str.strip() 用于从两侧删除空格。如输出图像所示，地址列在第一次出现“a”时被分隔，而没有在后面出现时被分隔，因为 n 参数设置为 1（字符串中最多 1 个分隔符）。如输出图所示，Team 列中每个与 Name 列中的字符串具有相同索引的字符串都用分隔符“， ”连接起来。如输出图所示，比较对所有 3 个条件都返回 False，这意味着成功从两侧删除空格，并且字符串不再有空格。

Pandas 中用于生成日期序列的函数date_range()。它允许您指定生成的日期的开始日期、结束日期、频率和时区，使其适用于各种基于时间的应用程序。软件包的出色生态系统。代码将提供从开始开始的具有预定数量的周期和时区 tz 的一系列日期。中的通用函数之一，用于返回固定频率的DatetimeIndex。在生成日期范围之前将开始/结束日期标准化为午夜。代码将提供从开始到结束的一系列日期，默认频率为。代码将提供从开始到结束具有给定频率的一系列日期。代码将提供从一开始具有预定数量的周期的日期范围。

正如我们在输出中看到的，该Timestamp.replace()函数返回了一个 Timestamp 对象，其年份值等于 2019，月份值等于 12，小时值等于 1。该代码展示了如何构建一个表示 Pandas Timestamp 的对象，然后使用 Pandas Timestamp.replace 方法编辑时间戳的各个部分。正如我们在输出中看到的，该Timestamp.replace()函数返回了一个年份值等于 2019 的 Timestamp 对象。函数用于替换给定 Timestamp 的成员值。

为数据分析和可视化指定自定义时区设置。Python3。

Pandasstr.join()方法用于将列表中的所有元素与传递的分隔符连接起来。由于字符串也是字符数组（或字符列表），因此当将此方法应用于一系列字符串时，字符串将在每个字符处与传递的分隔符连接起来。如前所述，字符串也是一个字符数组，因此字符串的每个字符都将使用 str.join() 方法与传递的分隔符连接起来。如输出图像所示，使用 str.split() 将数据拆分为列表，然后使用 str.join() 以分隔符“_”连接列表。如输出图所示，name 列中的字符串已通过传递的分隔符按字符连接。

在此示例中，创建了两个列表并使用 .Series() 方法将其转换为 pandas 系列。使用 lambda 创建一个函数，该函数检查两个系列中哪个值较小，并返回较小的值。传递了一个 lambda 函数，它将比较两个系列中的值并返回较大的一个。Python 是一种非常适合进行数据分析的语言，这主要是因为它拥有以数据为中心的 Python 包的出色生态系统。输出系列的形状与调用者系列相同。如输出所示，在合并系列之前，该系列中的 NaN 值被替换为 5。如输出图像所示，返回的系列具有比两个系列更小的值。

该函数用于将单个或一组索引附加在一起。对于索引集合，所有索引都会按照传递给函数的顺序附加到原始索引。该函数返回附加的索引。软件包的出色生态系统。Pandas就是其中之一，它使导入和分析数据变得更加容易。使用Index.append()函数在给定索引的末尾附加索引集合。使用Index.append()函数将单个索引附加到给定索引。是一种出色的数据分析语言，这主要归功于以数据为中心的。让我们将 df2 索引附加到 df1 的末尾。正如我们在输出中看到的，第二个索引即。索引或索引列表/元组。

函数用于将其他数据框的行添加到现有数据框的末尾，并返回一个新的数据框对象。原始数据框中不存在的列将添加为新列，新单元格将填充 NaN 值。注意，第二个数据框的索引值在附加数据框中保留。方法用于将一个 DataFrame 的行附加到另一个 DataFrame。如果数据框中的列数不相等，则其中一个数据框中不存在的值将用 NaN 值填充。在这个例子中，我们创建两个数据框，并使用 df.append() 将第二个数据框附加到第一个数据框。方法将一个 DataFrame 附加到另一个 DataFrame。

从数据框中可以看出，在索引位置 4 和 5 处，有一个 NULL 值，该值已被替换为“No College”，并且来自 Team 列的字符串已成功连接。Python 是一种非常适合进行数据分析的语言，这主要是因为它拥有以数据为中心的 Python 包的出色生态系统。在此示例中，Team 列使用分隔符“，”连接到 Name 列的末尾。如输出图所示，Team 列中每个与 Name 列中的字符串具有相同索引的字符串都用分隔符“， ”连接起来。可以传递来自不同系列的不同值，但两个系列的长度必须相同。

join() 采用可选的参数，该参数可以是一列或多个列名，它指定传递的 DataFrame 要在 DataFrame 中的该列上对齐。为了连接数据框，我们使用 .join() 函数，该函数用于将两个可能不同索引的 DataFrame 的列组合成一个结果 DataFrame。该函数在之前就存在了 .concat。为了将单索引数据框与多索引数据框连接起来，级别将根据单索引框的索引名称与多索引框的级别名称进行匹配。为了连接一个数据框，我们使用 .concat() 函数该函数连接一个数据框并返回一个新的数据框。

在 Pandas 中使用带有 groupby 的字典可以轻松一次性对不同列执行多个聚合。它增强了代码的可读性，降低了复杂性，并提供了一种灵活的方式来操作数据。操作中的多列与字典组合起来有助于以自定义方式聚合和汇总数据。当你想将不同的聚合函数应用于同一数据集的不同列时，它很有用。应用字典中指定的聚合函数。对于销售额，它会对值求和；对于数量，它会计算平均值。重置索引以在聚合后获取干净的 DataFrame。您还可以对同一列应用更复杂或多个聚合函数。df.groupby('列名')按列对数据进行分组。

这是一个简单的概念，但它是一种非常有价值的技术，在数据科学中被广泛使用。在实际的数据科学项目中，您将处理大量数据并反复尝试，因此为了提高效率，我们使用 Groupby 概念。为了拆分数据，我们使用 groupby() 函数，该函数用于根据某些标准将数据拆分成组。聚合函数为每个组返回一个聚合值。这是一个我们执行一些特定于组的计算并返回类似索引的过程。为了使用一个键对数据进行分组，我们在 groupby 函数中仅传递一个键作为参数。为了对 DataFrame 的列应用不同的聚合，我们可以传递一个字典来聚合。

函数是一个多功能工具，用于按特定列对 DataFrames 进行排序，并具有处理空值和选择排序算法的多种选项。在排序后的 DataFrame 中，行按球员姓名的字母顺序排列。函数按升序或降序对 DataFrame 进行一列或多列排序。在此示例中，DataFrame 按“Salary”列排序，其中空值位于顶部（而不是默认的最后）。参数可以灵活地根据性能或要求选择排序算法，例如“快速排序”、“合并排序”或“堆排序”。1 或“列”用于对列进行排序。排序算法：“快速排序”、“合并排序”或“堆排序”。

让我们探索如何检测、处理和填充 DataFrame 中的缺失值，以确保准确的分析。返回布尔值的 DataFrame，其中 True 表示非缺失数据。当您想关注包含有效、非缺失数据的行时，此函数非常有用。，从而更容易清理和预处理 DataFrame 或 Series 中的数据。函数来填充 NaN 值。这些函数允许您用特定值替换缺失值或使用插值技术。现在，我们将用 -99 值替换数据框中的所有 Nan 值。当您想要定位和处理数据集中的缺失数据时，这很有用。特定值或计算统计数据（如平均值或中位数）填充缺失值。

为了遍历行，我们应用函数 itertuples()，该函数为 DataFrame 中的每一行返回一个元组。为了遍历行，我们使用 iteritems() 函数，该函数以每列作为键、以标签作为键的值对、以列作为 Series 对象进行迭代。为了迭代行，我们应用 iterrows() 函数，该函数返回每个索引值以及包含每行数据的系列。现在我们迭代 CSV 文件中的列，为了迭代列，我们创建一个数据框列的列表并迭代列表。现在我们遍历列，为了遍历列，我们首先创建一个数据框列的列表，然后遍历列表。

现在我们将使用DataFrame.truncate()函数截断给定数据框中“2010-10-09 09:45:00”之前和“2010-10-09 11:45:00”之后的条目。正如我们在输出中看到的，该DataFrame.truncate()函数已成功截断给定数据框中传递的标签之前和之后的条目。正如我们在输出中看到的，该DataFrame.truncate()函数已成功截断给定数据框中传递的标签前后的条目。使用DataFrame.truncate()函数截断给定数据框传递的标签之前和之后的一些条目。

这里，df['C'] = df['A'] + df['B'] 通过添加列“A”和“B”在 DataFrame df 中创建一个新的列“C”。使用 pd.concat() 或 DataFrame 的 join() 或 merge() 方法从另一个 DataFrame 添加列。可以在创建 DataFrame 时添加列名，或者通过分配给 columns 现有 DataFrame 的属性来添加列名。这里， df['C'] = [7, 8, 9] 向 DataFrame 添加一个 df 具有指定值的新列“C”。

既是基于标签的切片技术，也基于整数的切片技术。除了纯基于标签和基于整数之外，Pandas 还提供了一种使用ix[]运算符进行选择和子集化对象的混合方法。是最通用的索引器，将支持和ix[]中loc[]iloc[]的任何输入。Python 是进行数据分析的绝佳语言，主要是因为它拥有以数据为中心的Python。软件包的出色生态系统。Pandas就是其中之一，它使导入和分析数据变得更加容易。行的索引标签的字符串或字符串列表。整数或整数列表中行的索引位置。根据参数返回数据框或系列。

在DataFrame中，我们可以应用布尔掩码。为了使用 .iloc[] 访问DataFrame，我们必须传递一个布尔值（True 或 False），但 iloc[] 函数仅接受整数作为参数，因此它会引发错误，因此只有在 iloc[] 函数中传递整数时我们才能访问DataFrame。为了使用 .ix[] 访问DataFrame，我们必须将布尔值（True 或 False）和整数值传递给 .ix[] 函数，因为我们知道 .ix[] 函数是 .loc[] 和 .iloc[] 函数的混合。

输出演示了将用户定义的函数应用于 DataFrame 的每一行。在此示例中，我们创建了一个函数，用于根据给定的整数输入创建一个范围，以及一个将函数逐个元素应用于 DataFrame 的每一行的函数。在该函数中，DataFrame 是根据字典创建的，然后使用带有 lambda 函数的方法将该函数应用于每一行，从而生成一个新的 DataFrame，其值由相应的范围替换。在该main()函数中，根据字典创建一个 DataFrame，然后使用该方法将该函数应用于每一行，从而生成一个包含总和值的新列“add”。

现在，假设我们希望结果为行/索引，列为数据框中的名称，为了实现这一点，pandas 提供了一种名为 Pivot 的方法。在分析通常非常庞大的真实数据集时，我们可能需要获取行或索引名称才能执行某些操作。让我们看看如何在 Pandas 中将列转换为行名/索引。计算DataFrame中的行数由于我们仅使用head()方法加载了DataFrame的前 10 行。为了将数据框中的列转换为行名称/索引，Pandas 有一个内置函数 Pivot。现在让我们尝试从上面的数据集中获取行名。现在，让我们打印索引的总数。

让我们看看如何使用方法upper()将大写字母应用于 Pandas DataFrame中的列。可能会遇到需要将给定DataFrame中任何特定列中的每个字母大写的情况。让我们看看如何将大写字母应用于 Pandas DataFrame中的列。除了从大型数据集中获取有用的数据外，将数据保存为所需的格式也非常重要。我们将使用此数据的“年龄”、“体重”和“薪水”列来从Pandas DataFrame 中的特定列中获取。让我们看看如何从 Pandas DataFrame 中的特定列中获取 n 个最大值。

unique() 函数删除列上的所有重复值，并为多个相同值返回单个值。在本文中，我们将讨论如何从Pandas DataFrame中的列中获取唯一值。# 获取任意列的唯一值df.ColumnName.unique()下面是一些示例，通过这些示例我们可以获取数据框中列中的唯一值。创建一个带有列表字典的示例 Pandas 数据框，假设列名称为A、B、C、D 和 E，其中包含重复元素。Python# Import pandas packageimport pandas as pd# create a dicti

此函数采用新列名列表和轴（0 表示行，1 表示列）并返回具有重命名列的 DataFrame。您可以使用字典重命名 Pandas DataFrame 中的多个列，该字典以旧列名作为键，以新列名作为传递给 rename() 方法的值。删除指定的列并将其作为 Series 返回，如果您想要提取和使用列的数据同时将其从 DataFrame 中删除，这将非常有用。当您知道要删除的列的索引位置时，您可以通过指定其索引来删除它们。如果您想要根据条件（例如缺失值的阈值）动态删除列，请使用该方法的条件删除。

它包含有关球员的信息，例如他们的姓名、球队、位置、年龄、身高、体重、大学和薪水。为了在 Pandas DataFrame 中添加一列，我们可以将新列表声明为一列并添加到现有的 Dataframe 中。为了删除 Pandas DataFrame 中的一行，我们可以使用 drop() 方法。我们可以对行/列执行基本操作，如选择、删除、添加和重命名。为了删除 Pandas DataFrame 中的列，我们可以使用drop()方法。为了选择 Pandas DataFrame 中的一列，我们可以通过列名来访问该列。

是一种二维大小可变、可能异构的表格数据结构，带有标记轴（行和列）。可以借助方法将此数据结构转换为 NumPy ndarray。在本文中，我们将了解。语法：参数：dtype：我们传递的数据类型，如 str。copy：[bool，默认 False] 确保返回的值不是另一个数组上的视图。返回：在这里，我们将看到如何将 DataFrame 转换为 Numpy 数组。

在此示例中，描述了数据框，并传递了 ['object'] 以包含一个参数来查看对象系列的描述。用于查看数据框或一系列数值的一些基本统计细节，如百分位数、平均值、标准差等。当将此方法应用于一系列字符串时，它会返回不同的输出，如下面的示例所示。如输出图所示，Dataframe 的统计描述与分别传递的百分位数一起返回。在以下示例中，使用的数据框包含一些 NBA 球员的数据。在此示例中，通过 Name 列调用所描述的方法来查看具有对象数据类型的行为。列出 0-1 之间的数字数据类型，以返回相应的百分位数。

在此示例中，在系列上调用 .tail() 方法，自定义输入 n 参数，返回该系列的底部 12 行。在此示例中，在系列上调用 .head() 方法，自定义输入 n 参数，以返回该系列的前 9 行。在以下示例中，使用的数据框包含一些 NBA 球员的数据。在以下示例中，使用的数据框包含一些 NBA 球员的数据。因此，返回了最后 5 行。在此示例中，返回数据框的底部 5 行并将其存储在新变量中。方法用于返回数据框或系列的底部 n 行（默认为 5 行）。方法用于返回数据框或系列的前 n 行（默认为 5 行）。

在转换操作中，我们执行各种操作，如更改Series的数据类型、将Series更改为列表等。为了访问Series中的多个元素，我们使用切片操作。用于将调用者Series的每个元素与传递的Series进行比较。为了访问Series中的元素，我们必须通过索引标签设置值。它可以选择数据的子集。该对象支持整数和基于标签的索引，并提供大量用于执行涉及索引的操作的方法。对于每个与传递的序列中的元素相等的元素，它都返回 True。为了从列表创建Series，我们必须首先创建一个列表，然后才能从列表创建Series。

在 Dataframe 中，数据集按行和列排列，我们可以在 Dataframe 中存储任意数量的数据集。要从 narray/list 的字典创建 DataFrame，所有 narray 的长度必须相同。我们可以使用 pandas.DataFrame 从列表使用字典创建 pandas 数据框。在现实世界中，将通过从现有存储中加载数据集来创建 Pandas DataFrame，存储可以是 SQL 数据库、CSV 文件和 Excel 文件。可以从列表、字典以及字典列表等创建 Pandas DataFrame。

是二维大小可变、可能异构的表格数据结构，带有标记轴（行和列）。数据框是一种二维数据结构，即数据以表格形式按行和列排列。Pandas DataFrame 由三​​个主要组件组成，即和。Pandas 数据框创建 Pandas DataFramePandas DataFrame 将通过从现有存储中加载数据集来创建，存储可以是 SQL 数据库、CSV 文件和 Excel 文件。Pandas DataFrame 可以从列表、字典以及字典列表等中创建。以下是我们创建数据框的。

Pandas 生成的数据通常用作Matplotlib中的绘图函数、 SciPy中的统计分析和Scikit-learn中的机器学习算法的输入。当你将这些技能应用到你的项目中时，你会发现 Pandas 如何增强你探索、清理和分析数据的能力，使其成为数据科学家工具包中不可或缺的工具。Pandas Series是一个一维标记数组，能够保存任何类型的数据（整数、字符串、浮点数、Python 对象等）。此处，pd 是 Pandas 的别名。Python 的 Pandas 库是分析、清理和操作数据的最佳工具。