一、創(chuàng)建

1.創(chuàng)建 Series (一維，帶標簽的數(shù)組)

t = pd.Series(np.arange(10), index= list(string.ascii_uppercase[:10]))

2.創(chuàng)建 DataFrame (二維，Series的容器 )

t = pd.DataFrame(np.arange(6).reshape((2,3)), index=list('ab'),columns=list('csr') )

3.DataFrame的基礎屬性

#行列數(shù) print(tt2.shape) #列數(shù)據(jù)類型 print(tt2.dtypes) #數(shù)據(jù)維度 print(tt2.ndim) #行索引 print(tt2.index) #列索引 print(tt2.columns) #對象值（二維數(shù)組） print(tt2.values)

4.DataFrame整體情況的查詢

#顯示頭部的幾行默認五行 print(tt2.head(2)) #顯示末尾幾行 默認五 print(tt2.tail()) 顯示相關的信息 print(http://tt2.info()) 快速的縱隔統(tǒng)計記過： （計數(shù)，均值，標準差，最大值，四分位數(shù)， 最小值） print(tt2.describe())

5.DataFrame 對數(shù)據(jù)排序 （升序或者降序）

a) 升序 d1 = dogname.sort_values(by="Count_AnimalName") b) 降序 d2 = dogname.sort_values(by="Count_AnimalName", ascending=False)

6.取行取列操作

數(shù)字取行， 字符串取列 d2[:20]['Row_Labels'] df.loc方法：（通過標簽索引行數(shù)據(jù)） print(csv.loc[['a','b'],['w','r']]) 遍歷的形式，包括后面的r列 print(csv.loc[['a','b'],'w':'r']) df.iloc方法 （通過位置獲取行數(shù)據(jù)） print(csv.iloc[[0,2],[2]]) 遍歷的形式，不包括后面的3行 print(csv.iloc[0:3,[2,3]])

7.pandas布爾值類型條件

多個條件可以 通過 & 鏈接 dogname[(dogname['Count_AnimalName']>50) & (dogname['Row_Labels'].str.len()>4)]

8.對nan的一些操作

a) 判斷是否為 nan ： pd.isnull(t) 或者 pd.notnull(t) b) 刪除nan所在行列: t.dropna(axis=0, how='any', inplace=False) how:any/all（全為nan刪除） inplace是否直接替換 c) 填充nan： t.fillna(t.mean()) d) 將0改為nan：t[t==0] = np.nan

9.對于過長的DataFrame與numpy使用print打印時，全部顯示（不會出現(xiàn)省略號）

a) 對于DataFrame： 1）顯示所有的列： pd.set_option('display.max_columns', None) 2) 顯示所有的行： pd.set_option('display.max_rows', None) b)對于numpy： numpy.set_printoptions(threshold = np.inf) #若想不以科學計數(shù)顯示： numpy.set_printoptions(suppress = True)

10.數(shù)組合并之join / merge

a) join:默認情況下把行索引相同的數(shù)據(jù)合并到一起： df1.join(df2) 注意：根據(jù)前面的行列進行合并，假如兩個df制定了列，則不可有重復列名 b) merge：根據(jù)列索引進行合并 1)默認為內(nèi)連接（交集）： df1.merge(df2, on='c') （假如都合適，22會出現(xiàn)四行數(shù)據(jù)） 2）merge outer外連接（并集）：df1.merge(df2, on='c', how='outer')把除了交際以外的數(shù)據(jù)，顯示c有的那一個df的數(shù)據(jù)，沒有的補充nan 3）merge left 左連接(根據(jù)左邊的df) 4）merge right右連接（根據(jù)右邊的df

11.分組與聚合

1) grouped = df.groupby(by='列索引') #根據(jù)此列數(shù)據(jù)進行分組 2) grouped 是一個DataFrameGroupBy對象，是可迭代的 3) grouped中的每一個元素是一個元組 4） 元組里面是 （索引（分組的值），分組后的DataFrame）

12.DataFrameGroupBy 對象有很多經(jīng)過優(yōu)化的方法

13.簡單的索引操作

1) 獲取index: df.index 2) 指定index: df.index = ['x', 'y'] 3) 重新設置index: df.reindex(list("abc")) #這個操作類似查詢，在df中取出有"abc"列的數(shù)據(jù)，沒有的nan填充 4) 指定索引(index)為 某一列: df.set_index("列名",drop=Fasle) #drop指定Fasle，指定列成為索引，此列也為數(shù)據(jù) 5） 返回index的唯一值（去重）: df.set_index('列名').index.unique()

14.從復合索引中取值

Series) 1) s1['a']['b'] 2) s1['a', 'b'] DataFrame) df.loc['a'].loc['b']

15.從內(nèi)層索引開始取值

df.swaplevel()

16.pandas中的時間序列

1）生成時間范圍 開始結(jié)束時間） pd.date_range(start="2001-01-01", end="2002-01-01", freq="10D") 開始時間和生成個數(shù)）pd.date_range(start="2001-01-01", periods = 10, freq= "WOM-3FRI") 2）時間字符串轉(zhuǎn)換成 時間序列 df["timeStamp"] = pd.to_datetime(df["timeStamp"], format="") format對panda無法格式化的時間字符串進行處理，詳情搜索

17.pandas重采樣重采樣：

指的是將時間序列從一個頻率轉(zhuǎn)換成另一個頻率進行處理的過程。將高頻率轉(zhuǎn)換成低頻率數(shù)據(jù)為降采樣，低頻率轉(zhuǎn)換成高頻率為升采樣pandas提供一個 resample 的方法來幫助我們實現(xiàn)頻率轉(zhuǎn)化例如 以月份進行統(tǒng)計t.resample("M").mean()

18.PeriodIndex

DatetimeIndex 可以理解為時間戳 那么 PeriodIndex可以理解為時間段 例子： periods = pd.PeriodIndex( year=data["year"], month=data["month"],day=data["day"],hour=data["hour"], freq="H" ) 如何給這個時間段降采樣？ data = df.set_index(periods).resample("10D").mean()

19.時間類型轉(zhuǎn) 字符串類型

time.strftime('%y%m%d')

總結(jié)

以上是生活随笔為你收集整理的pandas 判断是否等于nan_Python之pandas笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。