Pyhton科学计算工具Pandas(三) —— 数据结构Dataframe的基本操作
2018-03-12 23:55
453 查看
Pyhton科学计算工具Pandas(三) —— 数据结构Dataframe的基本操作
dataframe的基本操作
查看和转置
# 数据的转置和查看
df = pd.DataFrame(np.random.rand(16).reshape(8,2)*100,
columns=['a','b'])
print(df.head(3)) #查看顶部数据第3行
print(df.tail(2)) #查看尾部数据后2行
# 默认查看5条
print('---------')
print(df.T) #转置a b 0 50.973343 19.208659 1 16.702960 98.460643 2 30.013108 8.446435 a b 6 8.339462 69.308221 7 28.236923 53.976490 --------- 0 1 2 3 4 5 \ a 50.973343 16.702960 30.013108 1.118677 34.971555 51.606055 b 19.208659 98.460643 8.446435 35.377823 64.811959 46.874331 6 7 a 8.339462 28.236923 b 69.308221 53.976490
添加和修改
# 添加和修改
df = pd.DataFrame(np.random.rand(16).reshape(4,4)*100,
columns=['a','b','c','d'])
print(df)
print('-----------')
df['e'] = 200 #新增列并赋值
df.loc[4] = 300 #新增行并赋值
print(df)
print('------------')
df['e'] = 12 #索引后直接修改赋值
df.loc[4] = 345
print(df)a 4000 b c d 0 36.629277 97.240619 36.812864 2.828474 1 62.595577 23.721840 67.603865 59.825555 2 76.220139 15.454486 44.905106 90.229156 3 33.157141 65.396197 14.282099 63.127910 ----------- a b c d e 0 36.629277 97.240619 36.812864 2.828474 200 1 62.595577 23.721840 67.603865 59.825555 200 2 76.220139 15.454486 44.905106 90.229156 200 3 33.157141 65.396197 14.282099 63.127910 200 4 300.000000 300.000000 300.000000 300.000000 300 ------------ a b c d e 0 36.629277 97.240619 36.812864 2.828474 12 1 62.595577 23.721840 67.603865 59.825555 12 2 76.220139 15.454486 44.905106 90.229156 12 3 33.157141 65.396197 14.282099 63.127910 12 4 345.000000 345.000000 345.000000 345.000000 345 345
删除
# 删除del /drop()
df = pd.DataFrame(np.random.rand(16).reshape(4,4)*100,
columns=['a','b','c','d'])
print(df)
print('-------')
del df['a'] #删除列a
print(df)
print('-------')
print(df.drop(0))
print(df.drop([1,2]))
# # drop()删除行，inplace=False → 删除后生成新的数据，不改变原数据
print('-----')
print(df.drop(['d'],axis = 1))
print(df)
# drop()删除列，需要加上axis = 1，inplace=False → 删除后生成新的数据，不改变原数据a b c d 0 51.330969 84.874605 84.096457 89.067999 1 77.191343 25.731875 69.804351 76.268104 2 80.739107 29.660919 14.462301 60.620529 3 15.128326 74.858322 29.683391 15.247288 ------- b c d 0 84.874605 84.096457 89.067999 1 25.731875 69.804351 76.268104 2 29.660919 14.462301 60.620529 3 74.858322 29.683391 15.247288 ------- b c d 1 25.731875 69.804351 76.268104 2 29.660919 14.462301 60.620529 3 74.858322 29.683391 15.247288 b c d 0 84.874605 84.096457 89.067999 3 74.858322 29.683391 15.247288 ----- b c 0 84.874605 84.096457 1 25.731875 69.804351 2 29.660919 14.462301 3 74.858322 29.683391 b c d 0 84.874605 84.096457 89.067999 1 25.731875 69.804351 76.268104 2 29.660919 14.462301 60.620529 3 74.858322 29.683391 15.247288
对齐
# 对齐 df1 = pd.DataFrame(np.random.randn(10, 4), columns=['A', 'B', 'C', 'D']) df2 = pd.DataFrame(np.random.randn(7, 3), columns=['A', 'B', 'C']) print(df1 + df2) # DataFrame对象之间的数据自动按照列和索引（行标签）对齐
A B C D 0 -0.094771 2.624659 0.165298 NaN 1 -1.570840 0.253699 2.503872 NaN 2 1.728068 -0.075762 -0.271735 NaN 3 0.917945 -0.473601 -0.333300 NaN 4 -0.532056 -0.635843 -2.094396 NaN 5 2.216553 -1.130143 -2.527663 NaN 6 -2.083056 1.572935 1.792193 NaN 7 NaN NaN NaN NaN 8 NaN NaN NaN NaN 9 NaN NaN NaN NaN
排序
# 排序1 - 按值排序 .sort_values
# 同样适用于Series
df1 = pd.DataFrame(np.random.rand(16).reshape(4,4)*100,
columns = ['a','b','c','d'])
print(df1)
print('------')
print(df1.sort_values(['a'],ascending=True)) #升序
print(df1.sort_values(['a'],ascending=False)) #降序
# ascending参数：设置升序降序，默认升序
# 单列排序
print('--------')
df2 = pd.DataFrame({'a':[1,1,1,1,2,2,2,2],
'b':list(range(8)),
'c':list(range(8,0,-1))})
print(df2)
print(df2.sort_values(['a','c']))a b c d 0 18.114943 5.292488 2.779998 2.032498 1 91.696799 53.759458 86.748461 26.343732 2 53.317151 40.150072 30.818664 58.626604 3 0.965075 93.237873 24.491812 91.080167 ------ a b c d 3 0.965075 93.237873 24.491812 91.080167 0 18.114943 5.292488 2.779998 2.032498 2 53.317151 40.150072 30.818664 58.626604 1 91.696799 53.759458 86.748461 26.343732 a b c d 1 91.696799 53.759458 86.748461 26.343732 2 53.317151 40.150072 30.818664 58.626604 0 18.114943 5.292488 2.779998 2.032498 3 0.965075 93.237873 24.491812 91.080167 -------- a b c 0 1 0 8 1 1 1 7 2 1 2 6 3 1 3 5 4 2 4 4 5 2 5 3 6 2 6 2 7 2 7 1 a b c 3 1 3 5 2 1 2 6 1 1 1 7 0 1 0 8 7 2 7 1 6 2 6 2 5 2 5 3 4 2 4 4
# 排序2 - 索引排序 .sort_index df1 = pd.DataFrame(np.random.rand(16).reshape(4,4)*100, index = [5,4,3,2], columns = ['a','b','c','d']) df2 = pd.DataFrame(np.random.rand(16).reshape(4,4)*100, index = ['h','s','x','g'], columns = ['a','b','c','d']) print(df1) print(df1.sort_index()) print(df2) print(df2.sort_index()) # 按照index排序 # 默认 ascending=True, inplace=False
a b c d 5 49.947718 86.021101 71.165114 51.096578 4 18.429933 71.700521 6.128441 86.213433 3 73.232182 0.455578 8.924621 18.621305 2 68.493486 77.333558 74.934523 74.317793 a b c d 2 68.493486 77.333558 74.934523 74.317793 3 73.232182 0.455578 8.924621 18.621305 4 18.429933 71.700521 6.128441 86.213433 5 49.947718 86.021101 71.165114 51.096578 a b c d h 38.674702 48.975600 0.346447 13.743176 s 67.086746 67.218026 54.882057 67.597863 x 70.300753 41.170163 25.061863 96.519508 g 60.767159 6.414095 58.085732 44.014739 a b c d g 60.767159 6.414095 58.085732 44.014739 h 38.674702 48.975600 0.346447 13.743176 s 67.086746 67.218026 54.882057 67.597863 x 70.300753 41.170163 25.061863 96.519508
下片文章讲pandas时间序列
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- Pyhton科学计算工具pandas（一）—— Series 数据结构
- Pyhton科学计算工具Pandas（八）—— 数据的去重及替换
- Pyhton科学计算工具Pandas（五）—— 常用的数值计算和统计方法
- Pyhton科学计算工具Pandas（九）—— 数据分组
- Pyhton科学计算工具Pandas（六）—— 文本数据处理
- Pyhton科学计算工具Pandas（十）—— 透视表和交叉表
- Pyhton科学计算工具Pandas（七）—— 数据的合并，连接与修补
- 【pandas】[2] DataFrame 基础，创建DataFrame和增删改查基本操作（1）
- 【pandas】[2] DataFrame 基础，创建DataFrame和增删改查基本操作（1）
- 数据分析之Pandas(一):Series、DataFrame基本操作及索引对象
- 利用 Python 进行数据分析（八）pandas 基本操作（Series 和 DataFrame）
- python的pandas中DataFrame 基础，创建DataFrame和增删改查基本操作（1）
- Pyhton科学计算工具Numpy（一） 之数组
- Pyhton科学计算工具Numpy（二）之数组索引切片，numpy随机数及文件生成读取
- Elasticsearch笔记二之Curl工具基本操作
- 二叉树的基本操作（定义、遍历、高度、生成）【数据结构】
- 数据结构复习--java实现单链表基本操作
- 数据结构 — 堆基本概念以及基本操作
- C语言（数据结构） - 双向链表的基本操作
- 数据结构：栈的基本操作