锐客网

  1. 首页 > 生活百科 > it技术 > >

head函数python heading函数python

IT技术数据

鸡兔同笼python函数,for chicken in range(0,head 1)是什么意思？在循环内对鸡的数量进行取值 ， 取值范围[0, head]：鸡的数量每取一个值，便可以知道相应兔的数量，进而计算出脚的数量是否与题目中一致 。鸡的数量肯定在范围内，所以这个循环进行完后一定可以得到答案 。
Python中print(df.head()) 是什么意思df是DataFrame的缩写，这里表示读取进来的数据，比如，最简单的一个实例：
import pandas as pd
df = pd.read_excel(r'C:\Users\Shan\Desktop\x.xlsx')
print(df.head())
df.head()会将excel表格中的第一行看作列名，并默认输出之后的五行，在head后面的括号里面直接写你想要输出的行数也行，比如2 ， 10，100之类的 。
excel表：
输出结果：
python数据分析2：DataFrame对象DataFrame对象：二维表数据结构，由行列数据组成的表格
常用index表示行 ， columns表示列
'''
语文数学英语
011010599
110588115
2109120130
'''
# print(df.columns)# Index(['语文', '数学', '英语'], dtype='object')
# print(df.index)# Int64Index([0, 1, 2], dtype='int64')
# 遍历DataFrame数据的每一列
'''
0110
1105
2109
Name: 语文, dtype: int64
0105
188
2120
Name: 数学, dtype: int64
099
1115
2130
Name: 英语, dtype: int64
'''
1.创建一个DataFrame对象
pandas.DataFrame(data,index,columns,dtype,copy)
# data表示数据，可以是ndarray数组，series对象、列表、字典等
# index表示行标签（索引）
# columns表示列标签（索引）
# dtype每一列数据的数据类型
# copy用于复制数据
# 返回值DataFrame
通过二维数组创建成绩表
'''
语文数学英语
011010599
110588115
2109120130
'''
2.通过字典创建DataFrame对象
value值只能是一维数组或单个的简单数据类型
# 数组，则要求所有的数组长度一致
# 单个数据 ， 每行都需要添加相同数据
'''
语文数学英语班级
0110105109高一7班
110588120高一7班
299115130高一7班
'''
'''
【DataFrame属性】
values 查看所有元素的值df.values
dtypes 查看所有元素的类型df.dtypes
index 查看所有行名、重命名行名df.indexdf.index=[1,2,3]
columns 查看所有列名、重命名列名df.columnsdf.columns=['语','数']
T 行列数据转换df.T
head 查看前n条数据，默认5条df.head()df.head(10)
tail 查看后n条数据，默认5条df.tail()df.tail(10)
shape 查看行数和列数，[0]表示行，[1]表示列df.shape[0]df.shape[1]
info 查看索引，数据类型和内存信息df.info
【DataFrame函数】
describe 查看每列的统计汇总信息，DataFrame类型df.describe()
count返回每一列中的非空值的个数df.count()
sum返回每一列和和，无法计算返回空值df.sum()
max返回每一列的最大值df.max()
min返回每一列的最小值df.min()
argmax返回最大值所在的自动索引位置df.argmax()
argmin返回最小值所在的自动索引位置df.argmin()
idxmax返回最大值所在的自定义索引位置df.idxmax()
idxmin返回最小值所在的自定义索引位置df.idxmin()
mean返回每一列的平均值df.mean()
median返回每一列的中位数df.median()
var返回每一列的方差df.var()
std返回每一列的标准差df.std()
isnull检查df中的空值，空值为True，否则为False,返回布尔型数组df.isnull()
notnull检查df中的空值 ， 非空值为True，否则为False,返回布尔型数组df.notnull()
中位数又称中值 ， 是指按顺序排列的一组数据中居于中间位置的数
方差用于度量单个随机变量的离散程序（不连续程度）
标准差是方差的算术平方根，反映数据集的离散程度
'''
3. 导入.xls或.xlsx文件
# pandas.read_excel(io,sheetname=0,header=0,names=None,index_col=None,usecols=None,squeeze=False,dtype=None,engine=None,converters=None,true_values=None,false_values=None,skiprows=None,nrow=None,na_values=None,keep_defalut_na=True,verbose=False,parse_dates=False,date_parser=None,thousands=None,comment=None,skipfooter=0,conver_float=True,mangle_dupe_cols=True,**kwds)
'''
io 字符串，xls或xlsx文件路径或类文件对象
sheet_name：None、字符串、整数、字符串列表或整数列表 ， 默认值为0
字符串用于工作表名称；整数为索引，表示工作表位置
字符串列表或整数列表用于请求多个工作表，为None时则获取所有的工作表
sheet_name = 0 第一个Sheet页中的数据作为DataFrame对象
sheet_name = 1 第二个Sheet页中的数据作为DataFrame对象
sheet_name = 'Sheet1' 名为Sheet1的Sheet页中的数据作为DataFrame对象
sheet_name = [0,1,'Sheet3'] 第一个，第二个和名为Sheet3的Sheet页中的数据作为DataFrame对象
header:指定作为列名的行，默认值为0 ， 即取第一行的值为列名 。或数据不包含列名，则为header=None
names:默认值为None，要使用的列名列表
index_col：指定列为索引列 ， 默认值为None，索引0是DataFrame对象的行标签
usecols：int、list或字符串，默认值为None
如为None，则解析所有列
如为int，则解析最后一列
如为list列表，则解析列号和列表的列
如为字符串，则表示以逗号分隔的Excel列字母和列范围列表
squeeze：布尔值 ， 默认为False，如果解析的数据只包含一列，则返回一个Series
dtype:列的数据类型名称为字典，默认值为None
skiprows:省略指定行数的数据，从第一行开始
skipfooter：省略指定行数的数据，从尾部数的行开始
4.导入指定Sheet页的数据
# sheet_name=0表示第一个sheet页的数据，以此类推，如果不指定，则导入第一页
5.指定行索引导入Excel数据
'''
Empty DataFrame
Columns: []
Index: [1, 3, 5]
'''
# 导入第一列数据
'''
Empty DataFrame
Columns: []
Index: [1, 3, 5]
'''
Python pandas用法 在Python中head函数python，pandas是基于NumPy数组构建head函数python的head函数python，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head函数python，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；fill_value为用于填充缺失位置的值；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 。
.min()/.max() ：计算数据的最小值、最大值
.diff() ：计算一阶差分，对时间序列很有效
.mode() ：计算众数，返回频数最高的那（几）个
.mean() ：计算均值
.quantile() ：计算分位数（0到1）
.isin() ：用于判断矢量化集合的成员资格，可用于过滤Series中或DataFrame列中数据的子集
适用于Series的基本统计分析函数，DataFrame[列名]返回的是一个Series类型 。
.unique() ：返回一个Series中的唯一值组成的数组 。
.value_counts() ：计算一个Series中各值出现的频率 。
.argmin()/.argmax() ：计算数据最大值、最小值所在位置的索引位置（自动索引）
.idxmin()/.idxmax() ：计算数据最大值、最小值所在位置的索引（自定义索引）
pandas提供了一些用于将表格型数据读取为DataFrame对象的函数 。下表对它们进行了总结，其中read_csv()、read_table()、to_csv()是用得最多的 。
在数据分析和建模的过程中 ， 相当多的时间要用在数据准备上：加载、清理、转换以及重塑 。
在许多数据分析工作中，缺失数据是经常发生的 。对于数值数据，pandas使用浮点值NaN（np.nan）表示缺失数据，也可将缺失值表示为NA（Python内置的None值） 。
替换值
.replace(old, new) ：用新的数据替换老的数据，如果希望一次性替换多个值，old和new可以是列表 。默认会返回一个新的对象，传入inplace=True可以对现有对象进行就地修改 。
删除重复数据
利用函数或字典进行数据转换
df.head()：查询数据的前五行
df.tail()：查询数据的末尾5行
pandas.cut()
pandas.qcut() 基于分位数的离散化函数 。基于秩或基于样本分位数将变量离散化为等大小桶 。
pandas.date_range() 返回一个时间索引
df.apply() 沿相应轴应用函数
Series.value_counts() 返回不同数据的计数值
df.aggregate()
df.reset_index() 重新设置index，参数drop = True时会丢弃原来的索引，设置新的从0开始的索引 。常与groupby()一起用
numpy.zeros()
怎么用head函数返回零行head()根据位置返回对象head函数python的前n行 。如果你head函数python的对象中包含正确head函数python的数据类型, 则对于快速测试很有用 。此方法用于返回数据帧或序列的前n行(默认值为5) 。
句法
DataFrame.head(n=5)
参数
n：它是指返回行数的整数值 。
返回
它返回前n行的DataFrame 。
例1
info = pd.DataFrame({'language':['C', 'C', 'Python', 'Java', 'PHP']})
info.head()
info.head(3)
输出
language
0 C
1 C
2 Python
例子2
我们有一个csv文件” aa.csv”, 其中包含以下数据集 。
Name Hire Date Salary Leaves Remaining
0 John Idle 03/15/14 50000.0 10
1 Smith Gilliam 06/01/15 65000.0 8
2 Parker Chapman 05/12/14 45000.0 10
3 Jones Palin 11/01/13 70000.0 3
4 Terry Gilliam 08/12/14 48000.0 7
通过在下面的示例中使用head(), 我们仅显示数据集中的前2行 。
# importing pandas module
import pandas as pd
# making data frame
data = https://www.04ip.com/post/pd.read_csv("aa.csv")
# calling head() method
# storing in new variable
data_top = data.head(2)
# display
data_top
Name Hire Date Salary Leaves Remaining
0 John Idle 03/15/14 50000.0 10
1 Smith Gilliam 06/01/15 65000.0 8
相关资源：Python数据分析中缺失值处理方法_缺失值处理-其它代码类资源-CSDN...
文章知识点与官方知识档案匹配
Python入门技能树结构化数据分析工具PandasPandas概览
198412 人正在系统学习中
python urllib.urlopen怎么加headHead方法要求响应与GET请求一样，但是没有响应体（response body） 。如果我们只对关于网页或资源的
信息感兴趣，而不想检索资源本身的全部内容 ， 可以使用HEAD命令 。HEAD的使用方法与GET相同，只是不返
回Web页的正文内容 。
【head函数python heading函数python】head函数python的介绍就聊到这里吧，感谢你花时间阅读本站内容 ， 更多关于heading函数python、head函数python的信息别忘了在本站进行查找喔 。

    推荐阅读


    上一篇：sapmysql的简单介绍

    下一篇：直播抢口令红包技巧，直播抢口令红包技巧是什么