锐客网

  1. 首页 > 睿知 > it技术 > >

筛选计数函数python python筛选数据方法

函数IT技术

python count的函数用法是什么？以下代码的功能是 统计列表中重复项的出现次数
这里面就用到了 count() 函数
mylist = ['apple', 'banana', 'grape', 'banana', 'apple', 'grape', 'grape']
myset = set(mylist)
for item in myset:
print("the %s has been found %d times" % (item, mylist.count(item)))
函数COUNT在计数时筛选计数函数python，将把数值型的数字计算进去；但是错误值、空值、逻辑值、日期、文字则被忽略 。
如果参数是一个数组或引用筛选计数函数python，那么只统计数组或引用中的数字；数组中或引用的空单元格、逻辑值、文字或错误值都将忽略 。如果要统计逻辑值、文字或错误值筛选计数函数python，请使用函数COUNTA（COUNTIF按EXCEL的说明也行筛选计数函数python，但常出毛?。?。
排序过程
假设输入的线性表L的长度为n，L=L1,L2,..,Ln；线性表的元素属于有限偏序集S，|S|=k且k=O(n) ， S={S1,S2,..Sk}；则计数排序可以描述如下：
1、扫描整个集合S，对每一个Si∈S，找到在线性表L中小于等于Si的元素的个数T(Si)；
2、扫描整个线性表L，对L中的每一个元素Li ， 将Li放在输出线性表的第T(Li)个位置上，并将T(Li)减1 。
以上内容参考：百度百科-计数排序
Python数据处理：筛选、统计、连表、拼接、拆分、缺失值处理file1_path ='E:/Users/lenovo/Desktop/中视/622召回.csv'# 源数据
格式：file1=pd.read_csv(file1_path)
pd.read_csv(file1_path,encoding='gbk')
pd.read_csv(file1_path,encoding='gbk',skiprows=[2,3])
pd.read_csv(file1_path,encoding='gbk',skiprows=lambda x:x%2==1)
pd.read_csv(file1_path,encoding='gbk',keep_default_na=False)
new=pd.DataFrame()
new.new[[0,1,2]]
new.new[0:2]
查询结果同上
new.loc[new['激活数']1000]
loc和iloc的区别：
loc：纯标签筛选
iloc：纯数字筛选
#筛选出new的某两列
new=new.loc[:,['phone','收件人姓名']]
#筛选new的第0 ， 1列
new.iloc[:,[0,1]]
使用‘==’筛选-筛查“崔旭”的人（只能筛查指定明确的）
#new=file1.loc[(file1['收件人姓名']=='崔旭')|(file1['收件人姓名']=='崔霞')]
#print(new)
#使用loc函数筛选-str.contains函数-筛查名字中包含'亮'和'海'的人
#new=file1.loc[file1['收件人姓名'].str.contains('亮|海')]
#print(new)
#使用loc函数筛选-str.contains函数-筛查'崔'姓的人
#new=file1.loc[file1['收件人姓名'].str.startswitch('崔')]
#print(new)
df = df[(df['DEPOSIT_PAY_TIME_x'] .notnull() )(df['DEPOSIT_PAY_TIME_x']!= "" )]
print("during_time(number)=0的个数：",newdata[newdata['during_time(number)'] ==0].count()['during_time(number)'])
print("during_time(number)=1,2,3的个数：",newdata[(newdata['during_time(number)'] 0)(newdata['during_time(number)'] 4)].count()['during_time(number)'])
print(newdata[newdata['during_time(number)'] ==0])
newdata[newdata['Team']. isin (['England','Italy','Russia'])][['Team','Shooting Accuracy']]
df.年龄.value_counts()
1.修改指定位置数据的值（修改第0行，’创建订单数‘列的值为3836）
new.loc[0,'创建订单数']=3836
2.替换‘小明’-‘xiaoming’
df.replace({'name':{'小明':'xiaoming'}})
3.批量替换某一列的值（把‘性别’列里的男-male，女-felmale）
方法一：df['性别']=df['性别'].map({'男':'male','女':'female'})
方法二：df['性别'].replace('female','女',inplace=True)
或df['性别']=df['性别'].replace('female','女')这就是inplace的作用
df['性别'].replace('male','男',inplace=True)
4.替换列索引
df.columns=['sex','name','height','age']
或者：df.rename(columns={'性别':'sex','姓名':'name','身高':'height','年龄':'age'})
5.删除某一列
del df['player']
6. 删除某一列（方法二），删除某一行（默认axis=0删除行 ， 为1则删除列）
删除某一列（方法二）
df.drop('性别',axis=1)
删除某一行
df.drop(1,axis=0)
file1=pd.read_csv(file1_path)
file2=pd.read_csv(file2_path)
new1=pd.DataFrame()
new1['phone']=file1['phone']
new1['contact_time']=file1['contact_time']
new2=pd.DataFrame()
new2['phone']=file2['phone']
new2['submission_audit_time']=file2['提交审核时间']
newdata=https://www.04ip.com/post/pd.merge(new1,new2,on='phone',how='left')
df=pd.concat([df1,df2],axis=0)
4.2.2 横向表连接
df=pd.concat([df1,df2],axis=1)
df1['地区'].str.split('·',3,expand=True)
df1:
df1[['城市', '城区','地址']] = df1['地区'].str.split('·', 3, expand = True)
5.1 缺失值删除
data.dropna(axis=0,subset = ["Age", "Sex"])# 丢弃‘Age’和‘Sex’这两列中有缺失值的行
data.dropna(how = 'all')# 传入这个参数后将只丢弃全为缺失值的那些行
data.dropna(axis = 1)# 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）
data.dropna(axis=1,how="all")# 丢弃全为缺失值的那些列
5.2 缺失值填充：pandas.DataFrame.fillna()函数
DataFrame.fillna(value=https://www.04ip.com/post/None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)
功能：使用指定方法填充NA/NaN值
其中inplace=True就是直接在原有基础上填满
5.3 缺失值查询：
缺失值数量查询：df.isnull().sum()
缺失值行查询：df[df.isnull().T.any()]
newdata['during_time']=pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])
newdata['during_time(number)']=(pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])).apply(lambda x: x.days)
new=pd.DataFrame()
new=newdata[newdata['during_time(number)'] ==0]
new.to_csv(save_path,encoding='utf-8-sig')
将数据按行拆分并存储到不同的csv文件中：
path='C:/Users/EDZ/Desktop/工作/2021.08.19/'
for i in range(0,30):
df.loc[[i]].to_csv(path str(i) '.csv',encoding='gbk')
df = df[['购药日期', '星期','社保卡号','商品编码', '商品名称', '销售数量', '应收金额', '实收金额' ]]
python 中用filter求素数的时候，这里的筛选函数是什么意思首先定义一个函数判断是否为素数筛选计数函数python，如果这个数能被2~它的平方根中的任一数整除的话它就不是素数筛选计数函数python，否则就是素数 。用flag为0或1标记筛选计数函数python，利用filter()筛掉flag为0的非素数 。
#!/usr/bin/env python
#coding:utf-8
import math
def filter_prime(n):#定义filter_prime函数
flag = 1#设置flag,初始化为1
for i in range(2, int(math.sqrt(n) 1)):#取2至平方根的数
if n%i == 0:#判断是否是素数
flag = 0#如果不是，flag设为0
if flag == 1:#退出循环后判断flag ， 若为1（素数），则返回
return n
print filter(filter_prime, range(1,101))#filter 1-100里的非素数
Python 之内置函数：filter、map、reduce、zip、enumerate这几个函数在 Python 里面被称为高阶函数，本文主要学习它们的用法 。
filter 函数原型如下：
第一个参数是判断函数（返回结果需要是 True 或者 False），第二个为序列，该函数将对iterable序列依次执行function(item)操作，返回结果是过滤之后结果组成的序列 。
简单记忆：对序列中的元素进行筛?。?获取符合条件的序列 。
返回结果为：，使用list函数可以输入序列内容 。
map 函数原型如下：
该函数运行之后生成一个 list，第一个参数是函数、第二个参数是一个或多个序列；
下述代码是一个简单的测试案例：
上述代码运行完毕 ， 得到的结果是：。使用print(list(my_new_list))可以得到结果 。
map函数的第一个参数，可以有多个参数，当这种情况出现后，后面的第二个参数需要是多个序列 。
map 函数解决的问题：
reduce 函数原型如下：
第一个参数是函数，第二个参数是序列，返回计算结果之后的值 。该函数价值在于滚动计算应用于列表中的连续值 。
测试代码如下：
最终的结果是 6，如果设置第三个参数为 4，可以运行代码查看结果，最后得到的结论是，第三个参数表示初始值 ， 即累加操作初始的数值 。
简单记忆：对序列内所有元素进行累计操作 。
zip 函数原型如下：
zip函数将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表 。
如果各个迭代器的元素个数不一样 ， 则返回列表长度与最短的对象相同，利用星号（*）操作符，可以将元组解压为列表 。
测试代码如下：
展示如何利用*操作符：
输出结果如下：
简单记忆：zip 的功能是映射多个容器的相似索引，可以方便用于来构造字典 。
enumerate 函数原型如下：
参数说明：
该函数用于将一个可遍历的数据对象组合为一个索引序列 ， 同时列出数据和数据下标，一般用在for循环当中 。
测试代码如下：
返回结果为：。
本文涉及的函数可以与 lambda 表达式进行结合 ， 能大幅度提高编码效率 。最好的学习资料永远是官方手册
【筛选计数函数python python筛选数据方法】关于筛选计数函数python和python筛选数据方法的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站 。

    推荐阅读


    上一篇：如何破解服务器密码？ 怎么爆破服务器密码

    下一篇：如何使用L4D2服务器控制台？ l4d2服务器控制台怎么