• Python的Pandas库（二）进阶使用

    Python开发实用教程

    DataFrame的运算

    DataFrame重载了运算符，支持许多的运算

    算术运算

    运算方法运算说明
    df.add(other)对应元素的加，如果是标量，就每个元素加上标量
    df.radd(other)等效于other+df
    df.sub(other)对应元素相减，如果是标量，就每个元素减去标量
    df.rsub(other)other-df
    df.mul(other)对应元素相乘，如果是标量，每个元素乘以标量
    df.rmul(other)other*df
    df.div(other)对应元素相除，如果是标量，每个元素除以标量
    df.rdiv(other)other/df
    df.truediv(other)对应元素相除，如果是标量，每个元素除以标量
    df.rtruediv(other)other/df
    df.floordiv(other)对应元素相除取整，如果是标量，每个元素除以标量
    df.rfloordiv(other)other//df
    df.mod(other)对应元素相除取余，如果是标量，每个元素除以标量
    df.rmod(other)other%df
    df.pow(other)对应元素的次方，如果是标量，每个元素的other次方
    df.rpow(other)other**df
    1. import pandas as pd
    2.  
    3. df1 = pd.DataFrame({'c1':[1,2,3,4],'c2':[5,6,7,8],'c3':[10,11,12,13]})
    4. df2 = pd.DataFrame({'c1':[11,12,13,14],'c2':[10,20,30,40],'c3':[100,200,300,400]})
    5. df3 = df1 + df2
    6. print(df3)
    7. ‘’'
    8.    c1  c2   c3
    9. 0  12  15  110
    10. 1  14  26  211
    11. 2  16  37  312
    12. 3  18  48  413
    13. ‘''
    15. df4 = pd.DataFrame({'c1':[11,12,13,14]})
    16. df5 = df1 + df4
    17. print(df5)
    18. ‘’'
    19.    c1  c2  c3
    20. 0  12 NaN NaN
    21. 1  14 NaN NaN
    22. 2  16 NaN NaN
    23. 3  18 NaN NaN
    24. ‘’'
    26. df6 = df1 + 1
    27. print(df6)
    28. ‘’'
    29.    c1  c2  c3
    30. 0   2   6  11
    31. 1   3   7  12
    32. 2   4   8  13
    33. 3   5   9  14
    34. ‘''
    35.  
    36. df7 = df1 -2
    37. print(df7)
    38. ‘’'
    39.    c1  c2  c3
    40. 0  -1   3   8
    41. 1   0   4   9
    42. 2   1   5  10
    43. 3   2   6  11
    44. ‘''
    46. df8 = 2 - df1
    47. print(df8)
    48. ‘’'
    49.    c1  c2  c3
    50. 0   1  -3  -8
    51. 1   0  -4  -9
    52. 2  -1  -5 -10
    53. 3  -2  -6 -11
    54. ‘''
    55.  
    56.

     比较运算

    比较运算如果是标量，就是每个元素与标量的比较，如果是两个形状一样的DataFrame，生成一个每个元素对应比较的DataFrame。

    运算方法运算说明
    df.lt(other)对应元素进行小于比较，生成一个新的形状相同的DataFrame，如果other是标量，每个元素和这个标量相比较
    df.gt(other)对应元素进行大于比较，生成一个新的形状相同的DataFrame，如果other是标量，每个元素和这个标量相比较
    df.eq(other)判断对应的元素是否相等，生成一个新的形状相同的DataFrame，如果other是标量，每个元素和这个标量相比较
    df.ne(other)判断应元素是否相等，如果不等为True，生成一个新的形状相同的DataFrame，如果other是标量，每个元素和这个标量相比较
    df.le(other)对应元素进行小于等于比较，生成一个新的形状相同的DataFrame，如果other是标量，每个元素和这个标量相比较
    df.ge(other)对应元素进行大于等于比较，生成一个新的形状相同的DataFrame，如果other是标量，每个元素和这个标量相比较
    1. df1 = pd.DataFrame({'c1':[1,2,3,4],'c2':[5,6,7,8],'c3':[10,11,12,13]})
    2. print(df1)
    3. ‘’‘
    4.    c1  c2  c3
    5. 0   1   5  10
    6. 1   2   6  11
    7. 2   3   7  12
    8. 3   4   8  13
    9. ’‘’
    10.  
    11. print(df1 == 2) #df1的每个元素是否等于2
    12. ‘’‘
    13.       c1     c2     c3
    14. 0  False  False  False
    15. 1   True  False  False
    16. 2  False  False  False
    17. 3  False  False  False
    18. ’‘’
    19.  
    20. print(df1%2 == 0) #与计算联合使用，每个元素是否为偶数
    21. ‘’‘
    22.       c1     c2     c3
    23. 0  False  False   True
    24. 1   True   True  False
    25. 2  False  False   True
    26. 3   True   True  False
    27. ’‘’
    28.  
    29. df2 = pd.DataFrame({'c1':[11,12,13,3],'c2':[6,6,6,6],'c3':[12,11,14,9]})
    30. print(df1 < df2)
    31. '''
    32.       c1     c2     c3
    33. 0   True   True   True
    34. 1   True  False  False
    35. 2   True  False   True
    36. 3  False  False  False
    37. '''
    38.

    其他运算

    运算方法运算说明
    df.abs()对每个元素求绝对值

    DataFrame集合操作

    空值操作

    运算方法运算说明
    df.count()统计每列的非空值数量
    df.bfill()使用同一列中的下一个有效值填充NaN
    df.ffill()使用同一列中的上一个有效值填充NaN
    df.fillna(value)使用value填充NaN值

    df.isna()

    df.isnull()

    df.notna()

    df.notnull()

    		检测每个元素是否为NaN，生成一个同形状的DataFrame
    1. df1 = pd.DataFrame({'c1':[1,2,3,None],'c2':[5,None,None,8],'c3':[10,12,None,16]})
    2. print(df1)
    3. print(df1.bfill())
    4.  
    5. '''
    6.     c1   c2    c3
    7. 0  1.0  5.0  10.0
    8. 1  2.0  NaN  12.0
    9. 2  3.0  NaN   NaN
    10. 3  NaN  8.0  16.0
    11.     c1   c2    c3
    12. 0  1.0  5.0  10.0
    13. 1  2.0  8.0  12.0
    14. 2  3.0  8.0  16.0
    15. 3  NaN  8.0  16.0
    16. '''
    17.  
    18. print(df1.ffill())
    19. '''
    20.    c1   c2    c3
    21. 0  1.0  5.0  10.0
    22. 1  2.0  5.0  12.0
    23. 2  3.0  5.0  12.0
    24. 3  3.0  8.0  16.0
    25. '''
    26.  
    27. print(df1.fillna(0))
    28. '''
    29.     c1   c2    c3
    30. 0  1.0  5.0  10.0
    31. 1  2.0  0.0  12.0
    32. 2  3.0  0.0   0.0
    33. 3  0.0  8.0  16.0
    34. '''

    运算方法运算说明
    df.all()返回一个Series，列出每个列的元素是否全部为真，一个列一个结果
    df.any()返回一个Series，列出每个列的元素是否任意一个为真，一个列一个结果
    df.clip(low,upper)返回一个Series，对每个元素与low和upper进行比较，如果小于low，使用low代替，如果大于upper，使用upper代替（可以理解为将超出范围的值设置为边界值）
    df.eval(expr)在列上执行表达式
    df.max()列出每列的最大值
    df.min()列出每列的最小值
    df.mean()列出每列的最平均值
    df.median()列出每列的中值
    df.sum()列出每列的元素和
    df.std()列出每列的标准差
    df.var()列出每列的方差
    df.head(n)列出前h行
    df.tail(n)列出后n行
    df.replace(to_replace,value)使用value替换to_repalace的元素，生成一个同形状的新DataFrame
    df.sort_value(by)按by指定的列进行排序，可以指定多列
    1. df1 = pd.DataFrame({'c1':[1,2,3,4],'c2':[5,None,None,8],'c3':[10,12,None,16]})
    2. print('df1.count():\n', df1.count())
    3. print('df1.max():\n', df1.max())
    4. print('df1.min():\n', df1.min())
    5. print('df1.mean():\n', df1.mean())
    6. print('df1.mean(axis=1):\n', df1.mean(axis=1))
    7. print('df1.sum():\n', df1.sum())
    8. print('df1.std():\n', df1.std())
    9. print('df1.var():\n', df1.var())
    10.  
    11. '''
    12. df1.count():
    13.  c1    4
    14. c2    2
    15. c3    3
    16. dtype: int64
    17. df1.max():
    18.  c1     4.0
    19. c2     8.0
    20. c3    16.0
    21. dtype: float64
    22. df1.min():
    23.  c1     1.0
    24. c2     5.0
    25. c3    10.0
    26. dtype: float64
    27. df1.mean():
    28.  c1     2.500000
    29. c2     6.500000
    30. c3    12.666667
    31. dtype: float64
    32. df1.mean(axis=1):
    33.  0    5.333333
    34. 1    7.000000
    35. 2    3.000000
    36. 3    9.333333
    37. dtype: float64
    38. df1.sum():
    39.  c1    10.0
    40. c2    13.0
    41. c3    38.0
    42. dtype: float64
    43. df1.std():
    44.  c1    1.290994
    45. c2    2.121320
    46. c3    3.055050
    47. dtype: float64
    48. df1.var():
    49.  c1    1.666667
    50. c2    4.500000
    51. c3    9.333333
    52. dtype: float64
    53. '''
    1. df1 = pd.DataFrame({'c1':[1,20,30,12],'c2':[50,45,55,38],'c3':[10,10,9,9]})
    2. print(df1)
    3. print(df1.sort_values(by=['c3', 'c1']))
    4.  
    5. '''
    6.  c1  c2  c3
    7. 0   1  50  10
    8. 1  20  45  10
    9. 2  30  55   9
    10. 3  12  38   9
    11.    c1  c2  c3
    12. 3  12  38   9
    13. 2  30  55   9
    14. 0   1  50  10
    15. 1  20  45  10
    16. '''

    DataFrame读写文件

    方法名

    说明

    read_table(filepath_or_buffer, *[, sep, ...])

    从带分隔符的文件读取

    read_csv(filepath_or_buffer, *[, sep, ...])

    读csv格式文件

    DataFrame.to_csv([path_or_buf, sep, na_rep, ...])

    写csv格式文件

    read_fwf(filepath_or_buffer, *[, colspecs, ...])

    读固定宽度的格式文件

    read_excel(io[, sheet_name, header, names, ...])

    读excel文件

    DataFrame.to_excel(excel_writer[, ...])

    写excel文件

    ExcelFile(path_or_buffer[, engine, ...])

    用于将表格格式Excel工作表解析为DataFrame对象的类。

    ExcelFile.parse([sheet_name, header, names, ...])

    解析一个指定的sheet

    Styler.to_excel(excel_writer[, sheet_name, ...])

    写指定的sheet

    ExcelWriter(path[, engine, date_format, ...])

    用于写入Excel的类

    read_json(path_or_buf, *[, orient, typ, ...])

    从JSON格式读取数据

    DataFrame.to_json([path_or_buf, orient, ...])

    转为为JSON对象字符串

    read_html(io, *[, match, flavor, header, ...])

    从HTML表格读取数据

    DataFrame.to_html([buf, columns, col_space, ...])

    生成HTML表格

    Styler.to_html([buf, table_uuid, ...])

    生成HTML表格

  • 相关阅读:
    最新 robot framework安装
    编程刷题网站以及实用型网站推荐
    微信新功能，图片直接一键生成Excel表格
    python 编写m3u8视频格式下载小工具
    【Ubuntu20.04】使用 systemd 进行服务部署
    java（Map接口）
    分布式事务Seata源码解析11：全局事务执行流程之两阶段全局事务提交（手把手带你debug源码）
    L6.linux命令每日一练 -- 第二章 文件和目录操作命令 -- touch和ls命令
    middlebury立体匹配评估使用方法总结（一）
    代码随想录 - Day33 - 回溯：切割问题，子集问题
  • 原文地址：https://blog.csdn.net/spiritx/article/details/134064762