欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Pandas:DataFrame對(duì)象的基礎(chǔ)操作方法

 更新時(shí)間:2018年06月07日 10:12:05   作者:斷水流大濕兄  
今天小編就為大家分享一篇Pandas:DataFrame對(duì)象的基礎(chǔ)操作方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

DataFrame對(duì)象的創(chuàng)建,修改,合并

import pandas as pd
import numpy as np

創(chuàng)建DataFrame對(duì)象

# 創(chuàng)建DataFrame對(duì)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

創(chuàng)建DataFrame對(duì)象的數(shù)據(jù)可以為列表,數(shù)組和字典,列名和索引為列表對(duì)象

基本操作

# DataFrame對(duì)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')
# 根據(jù)索引查看數(shù)據(jù)
df2.loc['a'] 
# 索引為a這一行的數(shù)據(jù)
# df2.iloc[0] 跟上面的操作等價(jià),一個(gè)是根據(jù)索引名,一個(gè)是根據(jù)數(shù)字索引訪問(wèn)數(shù)據(jù)
col1 1
col2 2
col3 3
Name: a, dtype: int64
print df2.loc[['a','b']] # 訪問(wèn)多行數(shù)據(jù),索引參數(shù)為一個(gè)列表對(duì)象
col1 col2 col3
a 1 2 3
b 4 5 6
print df.loc[df.index[1:3]]
cols
b 2
c 3
# 訪問(wèn)列數(shù)據(jù)
print df2[['col1','col3']]
col1 col3
a 1 3
b 4 6

計(jì)算

# DataFrame元素求和
# 默認(rèn)是對(duì)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
# 對(duì)每個(gè)元素乘以2
print df2.apply(lambda x:x*2)
col1 col2 col3
a 2 4 6
b 8 10 12
# 對(duì)每個(gè)元素求平方(支持ndarray一樣的向量化操作)
print df2**2
 col1 col2 col3
a 1 4 9
b 16 25 36
列擴(kuò)充
# 對(duì)DataFrame對(duì)象進(jìn)行列擴(kuò)充
df2['col4'] = ['cnn','rnn']
print df2
 col1 col2 col3 col4
a 1 2 3 cnn
b 4 5 6 rnn
# 也可以通過(guò)一個(gè)新的DataFrame對(duì)象來(lái)定義一個(gè)新列,索引自動(dòng)對(duì)應(yīng)
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

行擴(kuò)充

# 行進(jìn)行擴(kuò)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!

# 如果在進(jìn)行 行擴(kuò)充時(shí)候沒(méi)有,指定index的參數(shù),索引會(huì)被數(shù)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
# 以上的行擴(kuò)充,并沒(méi)有真正修改,df2這個(gè)DataFrame對(duì)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 ReinforcementLearning
c 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對(duì)象的合并

# DataFrame 對(duì)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
# 默認(rèn)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
# 默認(rèn)合并之接受索引已經(jīng)存在的值
# 通過(guò)指定參數(shù) how,指定合并的方式
print dfb.join(df_a,how='inner') # 合并兩個(gè)DataFrame對(duì)象的交集
 col1 col6
a 1 wang
b 2 jing
c 4 hui
d 5 is
f 6 master
# 合并兩個(gè)DataFrame對(duì)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

以上這篇Pandas:DataFrame對(duì)象的基礎(chǔ)操作方法就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。

相關(guān)文章

  • Python實(shí)現(xiàn)的連接mssql數(shù)據(jù)庫(kù)操作示例

    Python實(shí)現(xiàn)的連接mssql數(shù)據(jù)庫(kù)操作示例

    這篇文章主要介紹了Python實(shí)現(xiàn)的連接mssql數(shù)據(jù)庫(kù)操作,結(jié)合實(shí)例形式分析了Python安裝pymssql模塊以及基于pymssql模塊連接sql2008 R2數(shù)據(jù)庫(kù)的具體操作技巧,需要的朋友可以參考下
    2018-08-08
  • Python爬蟲(chóng)爬取一個(gè)網(wǎng)頁(yè)上的圖片地址實(shí)例代碼

    Python爬蟲(chóng)爬取一個(gè)網(wǎng)頁(yè)上的圖片地址實(shí)例代碼

    這篇文章主要介紹了Python爬蟲(chóng)爬取一個(gè)網(wǎng)頁(yè)上的圖片地址實(shí)例代碼,具有一定借鑒價(jià)值,需要的朋友可以參考下
    2018-01-01
  • python3中dict(字典)的使用方法示例

    python3中dict(字典)的使用方法示例

    這篇文章主要介紹了python3中dict(字典)的使用方法,文中給出了詳細(xì)的功能列舉,對(duì)大家具有一定的參考價(jià)值,需要的朋友們下面來(lái)一起看看吧。
    2017-03-03
  • Django中如何防范CSRF跨站點(diǎn)請(qǐng)求偽造攻擊的實(shí)現(xiàn)

    Django中如何防范CSRF跨站點(diǎn)請(qǐng)求偽造攻擊的實(shí)現(xiàn)

    這篇文章主要介紹了Django中如何防范CSRF跨站點(diǎn)請(qǐng)求偽造攻擊的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2019-04-04
  • python運(yùn)算符+條件結(jié)構(gòu)+循環(huán)結(jié)構(gòu)

    python運(yùn)算符+條件結(jié)構(gòu)+循環(huán)結(jié)構(gòu)

    這篇文章主要介紹了python運(yùn)算符、條件結(jié)構(gòu)、循環(huán)結(jié)構(gòu);算術(shù)運(yùn)算符、賦值運(yùn)算符、邏輯運(yùn)算符等一些相關(guān)內(nèi)容,需要的小伙伴可以參考一下,希望對(duì)你的學(xué)習(xí)有所幫助
    2022-03-03
  • win10下python2和python3共存問(wèn)題解決方法

    win10下python2和python3共存問(wèn)題解決方法

    在本篇文章里小編給大家整理了關(guān)于win10下python2和python3共存問(wèn)題解決方法,有興趣的朋友們參考下。
    2019-12-12
  • Pytorch模型微調(diào)fine-tune詳解

    Pytorch模型微調(diào)fine-tune詳解

    微調(diào)(fine-tune)通過(guò)使用在大數(shù)據(jù)上得到的預(yù)訓(xùn)練好的模型來(lái)初始化自己的模型權(quán)重,從而提升精度,這篇文章主要介紹了Pytorch模型微調(diào)(fine-tune),需要的朋友可以參考下
    2023-01-01
  • Python中如何實(shí)現(xiàn)MOOC掃碼登錄

    Python中如何實(shí)現(xiàn)MOOC掃碼登錄

    這篇文章主要介紹了Python中如何實(shí)現(xiàn)MOOC掃碼登錄,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2023-01-01
  • 關(guān)于python爬蟲(chóng)的原理解析

    關(guān)于python爬蟲(chóng)的原理解析

    這篇文章主要介紹了python爬蟲(chóng)原理,今天我們要向大家詳細(xì)解說(shuō)python爬蟲(chóng)原理,什么是python爬蟲(chóng),python爬蟲(chóng)工作的基本流程是什么等內(nèi)容,希望對(duì)這正在進(jìn)行python爬蟲(chóng)學(xué)習(xí)的同學(xué)有所幫助
    2023-07-07
  • Python3實(shí)現(xiàn)購(gòu)物車功能

    Python3實(shí)現(xiàn)購(gòu)物車功能

    這篇文章主要為大家詳細(xì)介紹了Python3實(shí)現(xiàn)購(gòu)物車功能,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2018-04-04

最新評(píng)論