今天和大家來分享幾個十分好用的pandas函數(shù)，可能平時并不是特別的常見，但是卻能夠幫助我們在平時的工作、學(xué)習(xí)當(dāng)中極大的提高效率，小編也希望讀者朋友們在看完本文之后能夠大有收獲

1

ExcelWriter

使用ExcelWriter()可以向同一個excel的不同sheet中寫入對應(yīng)的表格數(shù)據(jù)，首先要創(chuàng)建一個writer對象，傳入的主要參數(shù)為文件名及其路徑

import pandas as pda = pd.DataFrame({"a": [1, 2, 3, 4, 5],"b":?[2,?5,?6,?8,?10], }) b = pd.DataFrame({"c":?[5,?2,?3,?1,?4],"d":?[2,?5,?7,?8,?10], }) #?寫入到同一個excel當(dāng)中去 with pd.ExcelWriter("data.xlsx") as writer:a.to_excel(writer, sheet_name="a_sheet", index = False)b.to_excel(writer, sheet_name="b_sheet", index = False)

2

pipe

pipe()方法可以將一連串的函數(shù)以鏈?zhǔn)降慕Y(jié)構(gòu)嵌套在數(shù)據(jù)集當(dāng)中，例如一個臟數(shù)據(jù)集當(dāng)中有重復(fù)值、空值和極值等等，我們分別建立了3個函數(shù)來"drop_duplicates"，"remove_outliers"和"fill_nans"分別處理上面提到的3個問題，然后用pipe()方法將這三個函數(shù)以鏈?zhǔn)降慕Y(jié)構(gòu)串聯(lián)起來，作用在同一個數(shù)據(jù)集上面，代碼如下圖所示

df_preped?=?(df.pipe(drop_duplicates).pipe(remove_outliers,?['price',?'carat',?'depth']).pipe(encode_categoricals,?['cut',?'color',?'clarity']))

3

explode

我們可以通過一個簡單的例子來說明一下該函數(shù)的作用，

df = pd.Series([1, 6, 7, [46, 56, 49], 45, [15, 10, 12]] ).to_frame("dirty") ?

df.explode("dirty", ignore_index=True)

要是遇到一行的數(shù)據(jù)當(dāng)中含有多個元素，explode()方法可以將這一行的數(shù)據(jù)展開到多行，ignore_index = True，意味著數(shù)據(jù)展開來之后，索引也會逐行地遞增

4

between

between是用來提取出給定范圍當(dāng)中的值的，看下面的例子

data = {'name': ['John', 'Mike', 'Tom', 'Greg', 'Jim'],'income':?[8000,?9000,?10000,?10000,?20000],'age': [20, 24, 25, 23, 28]} df = pd.DataFrame(data)

我們挑選出收入在8000到10000范圍之內(nèi)的數(shù)據(jù)

df[df['income'].between(8000, 10000, inclusive='neither')]

5

convert_dtypes

pandas當(dāng)中的convert_dtypes可以自動推斷數(shù)據(jù)類型并且進行轉(zhuǎn)化，例如

df = pd.DataFrame({'a':[1,2,3],'b':[0.55,0.66,1.55],'c':['Jack','Tony','Posi']} ) df.dtypes

df.convert_dtypes().dtypes

6

select_dtypes

pandas當(dāng)中的select_dtypes()方法功能是返回那些指定數(shù)據(jù)類型的列，當(dāng)中的include顧名思義就是篩選出指定數(shù)據(jù)類型的列,例如下面我們挑選出是bool數(shù)據(jù)類型的數(shù)據(jù)來

a = pd.DataFrame({"a": [1, 2, 3, 4, 5],"b": [True, False, False, True, True],"c": ["John", "Tom", "Mike", "Jim", "Dylan"] }) a.select_dtypes(include='bool')

而exclude就是排除掉指定數(shù)據(jù)類型的數(shù)據(jù)，將其他類型的數(shù)據(jù)篩選出來

a.select_dtypes(exclude='bool')

7

mask

pandas當(dāng)中的mask()方法主要是對按照指定的條件，對數(shù)據(jù)集當(dāng)中的數(shù)據(jù)進行替換，例如下面數(shù)據(jù)集當(dāng)中對于大于0的數(shù)據(jù)替換成0

df = pd.DataFrame({"A":[12, 4, 5, 44, 1], "B":[5, 2, 54, 3, 2], "C":[20, 16, 7, 3, 8], "D":[14,?3,?17,?2,?6]})?

#?將大于10的數(shù)字替換成0 df.mask(df?>?10,?0)

8

nlargest和nsmallest

nlargest和nsmallest的作用在于可以讓我們看到根據(jù)特定的列排序的最大或者是最小的若干列，例如

data = {'name': ['John', 'Mike', 'Tom', 'Greg', 'Jim'],'income': [2500, 4500, 5000, 3000, 2000],'age': [20, 24, 25, 23, 28]} df = pd.DataFrame(data)

我們按照income這一列將數(shù)據(jù)排序，并且顯示出最大的前3行

df.nlargest(3, 'income')

9

idxmax和idxmin

主要用來返回最大值或者是最小值的位置，也就是索引值

data = {'income': [8000, 9000, 10000, 10000, 20000],'age':?[20,?24,?25,?23,?28]} df?=?pd.DataFrame(data,?index?=?['John',?'Mike',?'Tom',?'Greg',?'Jim'])

我們找出income最高和最低的那個人是誰

df['income'].idxmax() >>>> Jimdf['income'].idxmin() >>> John

10

clip

在給出指定范圍的前提下，對于數(shù)據(jù)集當(dāng)中超出該范圍的值進行更改，例如我們將范圍限定在-4到6之間，超過6的數(shù)字會被設(shè)置為6，超過-4的數(shù)字會被設(shè)置為-4

data = {'col_0': [9, -3, 0, -1, 5],'col_1': [-2, -7, 6, 8, -5]} df = pd.DataFrame(data)

df.clip(-4, 6)

11

at_time和between_time

pandas當(dāng)中at_time()方法和between_time()方法主要是用來處理時間序列的數(shù)據(jù)，根據(jù)給出的時間點或者時間范圍來篩選出數(shù)據(jù)

index?=?pd.date_range("2021-08-01",?periods=100,?freq="H") data?=?pd.DataFrame({"col":?list(range(100))},?index=index) data.head()

我們篩選出那些下午2點的數(shù)據(jù)

data.at_time("14:00")

當(dāng)然我們可以使用between_time這個方法來挑選出某個時間范圍內(nèi)的數(shù)

data.between_time("11:00", "12:00")

?

12

at和iat

我們一般用pandas當(dāng)中的loc和iloc比較多，用來篩選出我們想要的數(shù)據(jù)，而at和iat也能夠?qū)崿F(xiàn)loc和iloc的功能，而且更加的快捷

data = {'name': ['John', 'Mike', 'Tom', 'Greg', 'Jim'],'income': [8000, 9000, 10000, 10000, 20000],'age': [20, 24, 25, 23, 28]} df = pd.DataFrame(data)

# [index, label] df.at[1, "income"] >>>?9000#?[index, index] df.iat[2, 3] >>> 1000

13

pandas styler

pandas還能夠?qū)?shù)據(jù)集當(dāng)中的數(shù)據(jù)進行上色，我們可以通過該方法將某些我們覺得重要的數(shù)據(jù)給標(biāo)注出來，例如我們對數(shù)據(jù)集中每列的最大值和最小值標(biāo)注出來

df = pd.DataFrame(np.random.randn(5, 5), columns=list('ABCDE'))#?我們標(biāo)注出最大、最小的值 df.style.highlight_max(color = "yellow")

具體的可以去小編另外寫的一篇文章中去看個究竟：厲害了，Pandas表格還能五彩斑斕的展示數(shù)據(jù)，究竟是怎么做到的呢？

14

hasnans

假如數(shù)據(jù)集當(dāng)中存在空值，可以用hasnans方法來檢查，要是有空值，則返回True，反之則返回False

s = pd.Series([2, 4, 6, "abcde", np.nan]) s.hasnans >>>>?True 往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯黃海廣老師《機器學(xué)習(xí)課程》課件合集 本站qq群851320808，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【Python】分享14条非常实用的Pandas函数方法，建议珍藏！！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。