Pandas:DataFrame对象的基础操作
2017-07-18 22:36
543 查看
DataFrame对象的创建,修改,合并
import pandas as pd import numpy as np
创建DataFrame对象
# 创建DataFrame对象 df = pd.DataFrame([1, 2, 3, 4, 5], columns=['cols'], index=['a','b','c','d','e']) print df
cols a 1 b 2 c 3 d 4 e 5
df2 = pd.DataFrame([[1, 2, 3],[4, 5, 6]], columns=['col1','col2','col3'], index=['a','b']) print df2
col1 col2 col3 a 1 2 3 b 4 5 6
df3 = pd.DataFrame(np.array([[1,2],[3,4]]), columns=['col1','col2'], index=['a','b']) print df3
col1 col2 a 1 2 b 3 4
df4 = pd.DataFrame({'col1':[1,3],'col2':[2,4]},index=['a','b']) print df4
col1 col2 a 1 2 b 3 4
创建DataFrame对象的数据可以为列表,数组和字典,列名和索引为列表对象
基本操作
# DataFrame对象的基本操作 df2.index
Index([u'a', u'b'], dtype='object')
df2.columns
Index([u'col1', u'col2', u'col3'], dtype='object')
# 根据索引查看数据 df2.loc['a'] # 索引为a这一行的数据 # df2.iloc[0] 跟上面的操作等价,一个是根据索引名,一个是根据数字索引访问数据
col1 1 col2 2 col3 3 Name: a, dtype: int64
print df2.loc[['a','b']] # 访问多行数据,索引参数为一个列表对象
col1 col2 col3 a 1 2 3 b 4 5 6
print df.loc[df.index[1:3]]
cols b 2 c 3
# 访问列数据 print df2[['col1','col3']]
col1 col3 a 1 3 b 4 6
计算
# DataFrame元素求和 # 默认是对每列元素求和 print df2.sum()
col1 5 col2 7 col3 9 dtype: int64
# 行求和 print df2.sum(1)
a 6 b 15 dtype: int64
# 对每个元素乘以2 print df2.apply(lambda x:x*2)
col1 col2 col3 a 2 4 6 b 8 10 12
# 对每个元素求平方(支持ndarray一样的向量化操作) print df2**2
col1 col2 col3 a 1 4 9 b 16 25 36
列扩充
# 对DataFrame对象进行列扩充 df2['col4'] = ['cnn','rnn'] print df2
col1 col2 col3 col4 a 1 2 3 cnn b 4 5 6 rnn
# 也可以通过一个新的DataFrame对象来定义一个新列,索引自动对应 df2['col5'] = pd.DataFrame(['MachineLearning','DeepLearning'],index=['a','b']) print df2
col1 col2 col3 col4 col5 a 1 2 3 cnn MachineLearning b 4 5 6 rnn DeepLearning
行扩充
# 行进行扩充 print df2.append(pd.DataFrame({'col1':7,'col2':8,'col3':9,'col4':'rcnn','col5':'ReinforcementLearning'},index=['c']))
col1 col2 col3 col4 col5 a 1 2 3 cnn MachineLearning b 4 5 6 rnn DeepLearning c 7 8 9 rcnn ReinforcementLearning
注意!
# 如果在进行 行扩充时候没有,指定index的参数,索引会被数字取代 print df2.append({'col1':10,'col2':11,'col3':12,'col4':'frnn','col5':'DRL'},ignore_index=True)
col1 col2 col3 col4 col5 0 1 2 3 cnn MachineLearning 1 4 5 6 rnn DeepLearning 2 10 11 12 frnn DRL
# 以上的行扩充,并没有真正修改,df2这个DataFrame对象,除非 df2 = df2.append(pd.DataFrame({'col1':7,'col2':8,'col3':9,'col4':'rcnn','col5':'ReinforcementLearning'},index=['c'])) print df2
col1 col2 col3 col4 col5 a 1 2 3 cnn MachineLearning b 4 5 6 rnn DeepLearning c 7 8 9 rcnn ReinforcementLearningc 7 8 9 rcnn ReinforcementLearning
print df2.loc['c']
col1 col2 col3 col4 col5 c 7 8 9 rcnn ReinforcementLearning c 7 8 9 rcnn ReinforcementLearning
DataFrame对象的合并
# DataFrame 对象的合并 df_a = pd.DataFrame(['wang','jing','hui','is','a','master'],columns=['col6'],index=['a','b','c','d','e','f']) print df_a
col6 a wang b jing c hui d is e a f master
# 默认合并,只保留dfb中的全部索引 dfb = pd.DataFrame([1,2,4,5,6,7],columns=['col1'],index=['a','b','c','d','f','g']) print dfb.join(df_a)
col1 col6 a 1 wang b 2 jing c 4 hui d 5 is f 6 master g 7 NaN
# 默认合并之接受索引已经存在的值 # 通过指定参数 how,指定合并的方式 print dfb.join(df_a,how='inner') # 合并两个DataFrame对象的交集
col1 col6 a 1 wang b 2 jing c 4 hui d 5 is f 6 master
# 合并两个DataFrame对象的并集 print dfb.join(df_a,how='outer')
col1 col6 a 1.0 wang b 2.0 jing c 4.0 hui d 5.0 is e NaN a f 6.0 master g 7.0 NaN
相关文章推荐
- 利用Python进行数据分析(8) pandas基础: Series和DataFrame的基本操作
- python pandas中series与dataframe数据类型属性及操作基础
- Pandas:DataFrame对象的基础操作方法
- python的pandas中DataFrame 基础,创建DataFrame和增删改查基本操作(1)
- pandas库介绍之DataFrame基本操作
- Python 数据处理扩展包: pandas 模块的DataFrame介绍(创建和基本操作)
- Series与DataFrame数据类型操作基础
- 用python做数据分析4|pandas库介绍之DataFrame基本操作
- Python:Pandas:DataFrame基础(2)
- 用python做数据分析4|pandas库介绍之DataFrame基本操作
- java基础之IO流--DataOutputStream(专门用于操作Java基本数据类型的IO流对象)
- 【转】pandas DataFrame 逐行操作(可修改数据)
- python pandas dataframe 行列选择,切片操作 原创 2017年02月15日 21:43:18 标签: python 30760 python pandas dataframe
- Python pandas DataFrame操作
- DataFrame执行groupby聚合操作后,如何继续保持DataFrame对象而不变成Series对象
- #######用python做数据分析4|pandas库介绍之DataFrame基本操作#######
- Pandas DataFrame 日常的操作与发现
- Python pandas.DataFrame在用ix, loc, iloc 索引的时候就相当于拷贝copy了一个对象
- pandas.DataFrame对象的创建
- pandas.DataFrame 操作