锐客网

  1. 首页 > 睿知 > it技术 > >

df函数python python dfs bfs

IT技术计算

Python pandas用法 在Python中，pandas是基于NumPy数组构建的 ， 使数据预处理、清洗、分析工作变得更快更简单 。pandas是专门为处理表格和混杂数据设计的 ， 而NumPy更适合处理统一的数值数组数据 。
使用下面格式约定 ， 引入pandas包：
pandas有两个主要数据结构：Series和DataFrame 。
Series是一种类似于一维数组的对象，它由 一组数据 （各种NumPy数据类型）以及一组与之相关的 数据标签（即索引） 组成 ， 即index和values两部分，可以通过索引的方式选取Series中的单个或一组值 。
pd.Series(list,index=[ ])，第二个参数是Series中数据的索引，可以省略 。
Series类型索引、切片、运算的操作类似于ndarray ， 同样的类似Python字典类型的操作，包括保留字in操作、使用.get()方法 。
Series和ndarray之间的主要区别在于Series之间的操作会根据索引自动对齐数据 。
DataFrame是一个表格型的数据类型，每列值类型可以不同，是最常用的pandas对象 。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引） 。DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构） 。
pd.DataFrame(data,columns = [ ],index = [ ]) ：columns和index为指定的列、行索引 ， 并按照顺序排列 。
如果创建时指定df函数python了columns和index索引，则按照索引顺序排列 ， 并且如果传入的列在数据中找不到，就会在结果中产生缺失值：
数据索引 ：Series和DataFrame的索引是Index类型，Index对象是不可修改，可通过索引值或索引标签获取目标数据 ， 也可通过索引使序列或数据框的计算、操作实现自动化对齐 。索引类型index的常用方法：
重新索引 ：能够改变、重排Series和DataFrame索引，会创建一个新对象，如果某个索引值当前不存在，就引入缺失值 。
df.reindex(index, columns ,fill_value, method, limit, copy ) ：index/columns为新的行列自定义索引df函数python；fill_value为用于填充缺失位置的值df函数python；method为填充方法，ffill当前值向前填充，bfill向后填充；limit为最大填充量；copy 默认True，生成新的对象，False时，新旧相等不复制 。
删除指定索引 ：默认返回的是一个新对象 。
.drop() ：能够删除Series和DataFrame指定行或列索引 。
删除一行或者一列时，用单引号指定索引，删除多行时用列表指定索引 。
如果删除的是列索引，需要增加axis=1或axis='columns'作为参数 。
增加inplace=True作为参数，可以就地修改对象，不会返回新的对象 。
在pandas中，有多个方法可以选取和重新组合数据 。对于DataFrame ， 表5-4进行df函数python了总结
适用于Series和DataFrame的基本统计分析函数 ：传入axis='columns'或axis=1将会按行进行运算 。
.describe() ：针对各列的多个统计汇总，用统计学指标快速描述数据的概要 。
.sum() ：计算各列数据的和
.count() ：非NaN值的数量
.mean( )/.median() ：计算数据的算术平均值、算术中位数
.var()/.std() ：计算数据的方差、标准差
.corr()/.cov() ：计算相关系数矩阵、协方差矩阵 ， 是通过参数对计算出来的 。Series的corr方法用于计算两个Series中重叠的、非NA的、按索引对齐的值的相关系数 。DataFrame的corr和cov方法将以DataFrame的形式分别返回完整的相关系数或协方差矩阵 。
.corrwith() ：利用DataFrame的corrwith方法，可以计算其列或行跟另一个Series或DataFrame之间的相关系数 。传入一个Series将会返回一个相关系数值Series（针对各列进行计算），传入一个DataFrame则会计算按列名配对的相关系数 。

推荐阅读


上一篇：怎么调整固态硬盘格式，固态硬盘变raw格式怎么解决

下一篇：斗鱼直播的流量卡怎么买，斗鱼直播用的流量套餐