pandas對齊運算的實現(xiàn)示例
1.算術運算和數(shù)據(jù)對齊
import numpy as np import pandas as pd
1.1 Series
a1 = pd.Series(np.arange(4),index=['a','b','c','d'])
a2 = pd.Series(np.arange(5),index=['a','r','c','u','k'])
print(a1)
print("="*20)
print(a2)
a 0
b 1
c 2
d 3
dtype: int32
====================
a 0
r 1
c 2
u 3
k 4
dtype: int32
有相同的索引值相加后結果變?yōu)楦↑c數(shù)，不相同則返回NAN值。
a1 + a2
a 0.0
b NaN
c 4.0
d NaN
k NaN
r NaN
u NaN
dtype: float64
1.2 DataFrame
a3 = pd.DataFrame(np.arange(12).reshape(3,4),index=['a','b','c'],columns=['q','w','e','r'])
a4 = pd.DataFrame(np.arange(9).reshape(3,3),index=['a','u','c'],columns=['m','e','r'])
print(a3)
print("="*20)
print(a4)
q w e r
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
====================
m e r
a 0 1 2
u 3 4 5
c 6 7 8
只有行和列索引都相同的才能運算，否則返回NAN值
a3 + a4
e m q r w
a 3.0 NaN NaN 5.0 NaN
b NaN NaN NaN NaN NaN
c 17.0 NaN NaN 19.0 NaN
u NaN NaN NaN NaN NaN
2.使用填充值的算術方法
2.1 Series
a1 = pd.Series(np.arange(4),index=['a','b','c','d'])
a2 = pd.Series(np.arange(5),index=['a','r','c','u','k'])
print(a1)
print("="*20)
print(a2)
print("="*20)
print(a1 + a2) #有相同的索引值相加后結果變?yōu)楦↑c數(shù)，不相同索引值相加則返回NAN
a 0
b 1
c 2
d 3
dtype: int32
====================
a 0
r 1
c 2
u 3
k 4
dtype: int32
====================
a 0.0
b NaN
c 4.0
d NaN
k NaN
r NaN
u NaN
dtype: float64
使用填充值，不會返回NAN值，如果a1,a2的索引值相同則將對應的值作算術運算，如果不同則作為一行新的數(shù)據(jù)，形成一個新的Series索引
a1.add(a2,fill_value=0) #a1+a2 忽略NAN影響
a 0.0
b 1.0
c 4.0
d 3.0
k 4.0
r 1.0
u 3.0
dtype: float64
2.2 DataFrame
a3 = pd.DataFrame(np.arange(12).reshape(3,4),index=['a','b','c'],columns=['q','w','e','r'])
a4 = pd.DataFrame(np.arange(9).reshape(3,3),index=['a','u','c'],columns=['m','e','r'])
print(a3)
print("="*20)
print(a4)
print("="*20)
print(a3 + a4) #只有行索引和列索引都相同的才能運算，否則返回NAN
q w e r
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
====================
m e r
a 0 1 2
u 3 4 5
c 6 7 8
====================
e m q r w
a 3.0 NaN NaN 5.0 NaN
b NaN NaN NaN NaN NaN
c 17.0 NaN NaN 19.0 NaN
u NaN NaN NaN NaN NaN
只有當兩個DataFrame索引獨有的行和列獨有的索引對應的值才返回NAN，例如下面的 b行m列返回NAN值，其索引值是由a3獨有的b和a4獨有的m組成的，行和列其中之一的索引值不是獨有的，則返回對應DataFrame中的值，例如a行q列中的是a3,a4都有的，返回a3中 a行q列對應的值。
#使用填充值， a3.add(a4,fill_value=0)
e m q r w
a 3.0 0.0 0.0 5.0 1.0
b 6.0 NaN 4.0 7.0 5.0
c 17.0 6.0 8.0 19.0 9.0
u 4.0 3.0 NaN 5.0 NaN
r 開頭字母表示會翻轉參數(shù)
1/a3
q w e r
a inf 1.000000 0.500000 0.333333
b 0.250 0.200000 0.166667 0.142857
c 0.125 0.111111 0.100000 0.090909
a3.rdiv(1) #翻轉div（除法），結果等同 1/a3
q w e r
a inf 1.000000 0.500000 0.333333
b 0.250 0.200000 0.166667 0.142857
c 0.125 0.111111 0.100000 0.090909
reindex指定索引和缺失值
將a3的列索引替換為a4的列索引 ，如果索引名字不相同，則返回NAN（不改變原DataFrame索引）
a3.reindex(columns=a4.columns)）
m e r
a NaN 2 3
b NaN 6 7
c NaN 10 11
#對NAN進行填充 a3.reindex(columns=a4.columns,fill_value=66) #把所有的NAN替換為66(可指定任意值)
m e r
a 66 2 3
b 66 6 7
c 66 10 11
3.DataFrame和Series混合運算
3.1 按行廣播
arr = np.arange(12).reshape(3,4) arr
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
取出第一行
arr[0] #取出第一行
array([0, 1, 2, 3])
每一行都減去第一行（按行進行廣播）
arr - arr[0] #每一行都減去第一行（按行進行廣播）
array([[0, 0, 0, 0],
[4, 4, 4, 4],
[8, 8, 8, 8]])
a3 = pd.DataFrame(np.arange(12).reshape(3,4),index=['a','b','c'],columns=['q','w','e','r']) a3
q w e r
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
位置索引 iloc[m,n] 第一個參數(shù)m表示行，第二個參數(shù)n表示列
s1 = a3.iloc[0] #取出第一行 s1
q 0
w 1
e 2
r 3
Name: a, dtype: int32
每一行都減去第一行（按行進行廣播）
a3-s1 #每一行都減去第一行（按行進行廣播）
q w e r
a 0 0 0 0
b 4 4 4 4
c 8 8 8 8
3.2 按列廣播
取出q這一列
s2 = a3['q'] #取出q這一列 s2
a 0
b 4
c 8
Name: q, dtype: int32
默認是行axis=1，指定axis='index'或axis=0，按列進行廣播(a3所有列分別減去第q列)
a3.sub(s2,axis='index') #默認是行axis=1，指定axis='index'(或axis=0)，按列進行廣播(a3所有列分別減去第q列)
q w e r
a 0 1 2 3
b 0 1 2 3
c 0 1 2 3
a3.sub(s2,axis=0) #默認是行axis=1，指定axis=0(或)axis='index'，按列進行廣播(a3所有列分別減去第q列)
q w e r
a 0 1 2 3
b 0 1 2 3
c 0 1 2 3
a3.sub(s2) #默認情況 axis=1
a b c e q r w
a NaN NaN NaN NaN NaN NaN NaN
b NaN NaN NaN NaN NaN NaN NaN
c NaN NaN NaN NaN NaN NaN NaN
到此這篇關于pandas對齊運算的實現(xiàn)示例的文章就介紹到這了,更多相關pandas對齊運算內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
今天小編就為大家分享一篇在Pycharm中設置默認自動換行的方法，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2019-01-01
這篇文章主要介紹了python反轉(逆序)字符串的6種方法詳細,需要的朋友可以參考下2021-04-04
Windows下PyCharm2018.3.2 安裝教程(圖文詳解)
這篇文章主要介紹了Windows下PyCharm2018.3.2 安裝教程，本文圖文并茂給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下2019-10-10
這篇文章主要介紹了Pycharm如何自動生成頭文件注釋,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-11-11
這篇文章主要介紹了Python locust工具使用詳解，幫助大家更好的理解和學習使用python，感興趣的朋友可以了解下2021-03-03
這篇文章主要介紹了python 爬取百度文庫并下載的示例，幫助大家更好的理解和學習python 爬蟲的相關知識，感興趣的朋友可以了解下2020-12-12
python+appium實現(xiàn)自動化測試的示例代碼
appium是一個開源的測試自動化框架，可以與原生的、混合的和移動的web應用程序使用，本文主要介紹了python+appium實現(xiàn)自動化測試的示例代碼，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-01-01
今天小編就為大家分享一篇Python序列類型的打包和解包實例，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2019-12-12
網(wǎng)絡爬蟲不僅需要能夠抓取HTML中的敏感信息，也需要有抓取其他類型文檔的能力這篇文章主要為大家匯總了python爬取各類文檔方法，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-03-03
這篇文章主要介紹了python筆記之使用fillna()填充缺失值方式，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-07-07