dataframe設(shè)置兩個條件取值的實例
更新時間：2018年04月12日 10:15:41 作者：GeekLeee
下面小編就為大家分享一篇dataframe設(shè)置兩個條件取值的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
如下所示：
>>> import pandas as pd
>>> import numpy as np
>>> from pandas import Series, DataFrame
>>> df = DataFrame({'name':['a','a','b','b'],'classes':[1,2,3,4],'price':[11,22,33,44]})
>>> df
classes name price
0 1 a 11
1 2 a 22
2 3 b 33
3 4 b 44
>>>
根據(jù)index和columns取值
>>> s = df.loc[0,'price'] >>> s 11
根據(jù)同行的columns的值取同行的另一個columns的值
>>> sex = df.loc[(df.classes==1)&(df.name=='a'),'price'] >>> sex 0 11 Name: price, dtype: int64 >>> sex = df.loc[(df.classes==1)&(df.name=='a'),'price'].values[0] >>> sex 11
根據(jù)條件同時取得多個值
>>> name,price = df.loc[df.classes==1,('name','price')].values[0]
>>> name
'a'
>>> price
11
>>>
對一列賦值
>>> df.loc[: , 'price']=0 >>> df classes name price 0 1 a 0 1 2 a 0 2 3 b 0 3 4 b 0 >>>
對df的一個列進(jìn)行函數(shù)運算
【1】 >>> df['name'] = df['name'].apply(lambda x: x.upper()) >>> df classes name price 0 1 A 11 1 2 A 22 2 3 B 33 3 4 B 44 【2】 >>> df.loc[:, 'name'] = df['name'].apply(lambda x: x.upper()) >>> df classes name price 0 1 A 11 1 2 A 22 2 3 B 33 3 4 B 44 >>>
對df的幾個列進(jìn)行函數(shù)運算
【1】 >>> df[['classes','price']] = df[['classes', 'price']].applymap(lambda x: str(x)) >>> print(type(df.loc[0, "classes"])) <class 'str'> >>> print(df.loc[0, "classes"]) 1 【2】 >>> df.loc[:, ['classes','price']] = df[['classes', 'price']].applymap(lambda x: int(x)) >>> print(type(df.loc[0, "classes"])) <class 'int'> >>> print(df.loc[0, "classes"]) 1 >>>
對兩個列進(jìn)行去重
>>> df classes name price 0 1 a 11 1 1 a 22 2 3 b 33 3 4 b 44 >>> df.drop_duplicates(subset=['classes', 'name'], inplace=True) >>> df classes name price 0 1 a 11 2 3 b 33 3 4 b 44
多個條件分割字符串
>>> fund_memeber = '趙四、 王五'
>>> fund_manager_list = re.split('[；， 、]', fund_memeber)
>>> fund_manager_list
['趙四', '', '王五']
#DataFrame構(gòu)造器
>>> df = DataFrame({'x':[1],'y':[2]})
>>> df
x y
0 1 2
>>>
刪除某列值為特定值得那一行
>>> df = DataFrame({'name':['a','b','c','d'],'classes':[1,2,3,4],'price':[11,22,33,44]})
>>> df
classes name price
0 1 a 11
1 2 b 22
2 3 c 33
3 4 d 44
【方法一】
>>> df = df.loc[df['name']!='a']
>>> df
classes name price
1 2 b 22
2 3 c 33
3 4 d 44
>>>
【方法二】
df.drop(df[df.name=='a'].index,axis=0)
#篩選df的每列值包含某個字段‘/a'
>>> import pandas as pd
>>> df = pd.DataFrame({'a':['A', 'B'], 'b': ['AA', 'BB']})
>>> df
a b
0 A AA
1 B BB
>>> df[df['a'].str.contains(r'A')]
a b
0 A AA
>>> df = pd.DataFrame({'a':['/api/', 'B'], 'b': ['AA', 'BB']})
>>> df
a b
0 /api/ AA
1 B BB
>>> df[df['a'].str.contains(r'/api/')]
a b
0 /api/ AA
>>>
把列變成index和把index變成列
df
request_url visit_times
9 fofeasy_產(chǎn)品基本信息 7
8 投顧挖掘 6
5 投顧挖掘 5
6 投顧挖掘 5
7 fofeasy_產(chǎn)品基本信息 5
3 fofeasy_產(chǎn)品基本信息 4
4 fofeasy_產(chǎn)品基本信息 4
2 投顧挖掘 2
0 行業(yè)數(shù)據(jù)——其他 1
1 行業(yè)數(shù)據(jù)——其他 1
x = df.set_index('request_url')
x
visit_times
request_url
fofeasy_產(chǎn)品基本信息 7
投顧挖掘 6
投顧挖掘 5
投顧挖掘 5
fofeasy_產(chǎn)品基本信息 5
fofeasy_產(chǎn)品基本信息 4
fofeasy_產(chǎn)品基本信息 4
投顧挖掘 2
行業(yè)數(shù)據(jù)——其他 1
行業(yè)數(shù)據(jù)——其他 1
x.reset_index('request_url')
request_url visit_times
0 fofeasy_產(chǎn)品基本信息 7
1 投顧挖掘 6
2 投顧挖掘 5
3 投顧挖掘 5
4 fofeasy_產(chǎn)品基本信息 5
5 fofeasy_產(chǎn)品基本信息 4
6 fofeasy_產(chǎn)品基本信息 4
7 投顧挖掘 2
8 行業(yè)數(shù)據(jù)——其他 1
9 行業(yè)數(shù)據(jù)——其他 1
pandas 按照列A分組，將同一組的列B求和,生成新的Dataframe
>>>df.groupby(by=['request_url'])['visit_times'].sum() >>> request_url fofeasy_產(chǎn)品基本信息 20 投顧挖掘 18 行業(yè)數(shù)據(jù)——其他 2 Name: visit_times, dtype: int64
dict變成dataframe
In [15]: dict = pd.DataFrame({'x':1, 'y':2}, index=[0])
In [16]: dict
Out[16]:
x y
0 1 2
iloc
In [69]: df1.iloc[1:5, 2:4] Out[69]: 4 6 2 0.301624 -2.179861 4 1.462696 -1.743161 6 1.314232 0.690579 8 0.014871 3.357427
以上這篇dataframe設(shè)置兩個條件取值的實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關(guān)文章
數(shù)據(jù)可視化是一種將龐雜抽象的數(shù)據(jù)轉(zhuǎn)化為直觀易懂的圖形的數(shù)據(jù)呈現(xiàn)技術(shù)，它能幫助我們快速把握數(shù)據(jù)的分布和規(guī)律，更加輕松地理解和探索信息,本文通過代碼圖片詳細(xì)介紹了Python數(shù)據(jù)可視化，感興趣的小伙伴可以參考閱讀2023-04-04
Python參數(shù)傳遞實現(xiàn)過程及原理詳解
這篇文章主要介紹了Python參數(shù)傳遞實現(xiàn)過程及原理詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-05-05
Pygame游戲開發(fā)之太空射擊實戰(zhàn)碰撞改進(jìn)篇
相信大多數(shù)8090后都玩過太空射擊游戲，在過去游戲不多的年代太空射擊自然屬于經(jīng)典好玩的一款了，今天我們來自己動手實現(xiàn)它，在編寫學(xué)習(xí)中回顧過往展望未來，在本課中，我們將討論如何更改?Pygame?處理精靈之間沖突的方式2022-08-08
這篇文章主要介紹了Python中的Matplotlib模塊入門教程,本文來自于IBM官方網(wǎng)站技術(shù)文檔,需要的朋友可以參考下2015-04-04
這篇文章主要為大家介紹了Python和Golang協(xié)程的區(qū)別示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-12-12
Python OpenCV利用筆記本攝像頭實現(xiàn)人臉檢測
這篇文章主要為大家詳細(xì)介紹了Python OpenCV利用筆記本攝像頭實現(xiàn)人臉檢測，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-04-04
在Python中,我們可以通過__set_name__方法來實現(xiàn)一些特殊的操作,本文主要介紹如何在Python中實現(xiàn)__set_name__方法,并且給出一些實際應(yīng)用的示例,感興趣的可以了解一下2024-01-01
Python中pandas庫sort_values()方法的使用
最后去看了有關(guān)于 sort_values 的文檔，成功解決先把單詞出現(xiàn)頻次由高往低依次排序，再把頻次相同的情況下的單詞按照 MD5 值排序這個問題，下面通過本文講解下Python中pandas庫sort_values()方法的使用，感興趣的朋友一起看看吧2023-07-07
聊聊PyTorch中eval和no_grad的關(guān)系
這篇文章主要介紹了聊聊PyTorch中eval和no_grad的關(guān)系，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-05-05
python獲取指定日期范圍內(nèi)的每一天，每個月，每季度的方法
這篇文章主要介紹了python獲取指定日期范圍內(nèi)的每一天，每個月，每季度的方法,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-08-08