欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python?Pandas?修改表格數(shù)據(jù)類型?DataFrame?列的順序案例

 更新時(shí)間：2022年08月23日 10:58:40   作者：菜鳥(niǎo)實(shí)戰(zhàn)  
這篇文章主要介紹了Python?Pandas?修改表格數(shù)據(jù)類型?DataFrame?列的順序案例，文章通過(guò)主題展開(kāi)詳細(xì)的相關(guān)內(nèi)容，感興趣的小伙伴可以參考一下

一、修改表格數(shù)據(jù)類型 DataFrame 列的順序

實(shí)戰(zhàn)場(chǎng)景：Pandas 如何修改表格數(shù)據(jù)類型 DataFrame 列的順序

1.1主要知識(shí)點(diǎn)

  • 文件讀寫
  • 基礎(chǔ)語(yǔ)法
  • 數(shù)據(jù)構(gòu)建
  • Pandas
  • Numpy

實(shí)戰(zhàn)：

1.2創(chuàng)建 python 文件

import numpy as np
import pandas as pd

np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list('ABCD'))
print(df)
df = df[["D", "A", "B", "C"]]
print(df)

1.3運(yùn)行結(jié)果 

          A         B         C         D
0  0.154288  0.133700  0.362685  0.679109
1  0.194450  0.251210  0.758416  0.557619
2  0.514803  0.467800  0.087176  0.829095
3  0.298641  0.031346  0.678006  0.903489
4  0.514451  0.539105  0.664328  0.634057
5  0.353419  0.026643  0.165290  0.879319
6  0.067820  0.369086  0.115501  0.096294
7  0.083770  0.086927  0.022256  0.771043
8  0.049213  0.465223  0.941233  0.216512
9  0.361318  0.031319  0.304045  0.188268
          D         A         B         C
0  0.679109  0.154288  0.133700  0.362685
1  0.557619  0.194450  0.251210  0.758416
2  0.829095  0.514803  0.467800  0.087176
3  0.903489  0.298641  0.031346  0.678006
4  0.634057  0.514451  0.539105  0.664328
5  0.879319  0.353419  0.026643  0.165290
6  0.096294  0.067820  0.369086  0.115501
7  0.771043  0.083770  0.086927  0.022256
8  0.216512  0.049213  0.465223  0.941233
9  0.188268  0.361318  0.031319  0.304045

二、Pandas 如何統(tǒng)計(jì)某個(gè)數(shù)據(jù)列的空值個(gè)數(shù)

實(shí)戰(zhàn)場(chǎng)景：Pandas 如何統(tǒng)計(jì)某個(gè)數(shù)據(jù)列的空值個(gè)數(shù)

2.1主要知識(shí)點(diǎn)

  • 文件讀寫
  • 基礎(chǔ)語(yǔ)法
  • Pandas
  • numpy

實(shí)戰(zhàn)：

2.2創(chuàng)建 python 文件

"""
對(duì)如下DF，設(shè)置兩個(gè)單元格的值
·使用iloc 設(shè)置(3,B)的值是nan
·使用loc設(shè)置(8,D)的值是nan
"""
import numpy as np
import pandas as pd
np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list('ABCD'))
df.iloc[3, 1] = np.nan
df.loc[8, 'D'] = np.nan
print(df)
print(df.isnull().sum())

2.3運(yùn)行結(jié)果

          A         B         C         D
0  0.154288  0.133700  0.362685  0.679109
1  0.194450  0.251210  0.758416  0.557619
2  0.514803  0.467800  0.087176  0.829095
3  0.298641       NaN  0.678006  0.903489
4  0.514451  0.539105  0.664328  0.634057
5  0.353419  0.026643  0.165290  0.879319
6  0.067820  0.369086  0.115501  0.096294
7  0.083770  0.086927  0.022256  0.771043
8  0.049213  0.465223  0.941233       NaN
9  0.361318  0.031319  0.304045  0.188268
A    0
B    1
C    0
D    1
dtype: int64

三、Pandas如何移除包含空值的行

實(shí)戰(zhàn)場(chǎng)景：Pandas如何移除包含空值的行

3.1主要知識(shí)點(diǎn)

  • 文件讀寫
  • 基礎(chǔ)語(yǔ)法
  • Pandas
  • numpy

實(shí)戰(zhàn)：

3.2創(chuàng)建 python 文件

"""
對(duì)如下DF，設(shè)置兩個(gè)單元格的值
·使用iloc 設(shè)置(3,B)的值是nan
·使用loc設(shè)置(8,D)的值是nan
"""
import numpy as np
import pandas as pd
?
np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list('ABCD'))
df.iloc[3, 1] = np.nan
df.loc[8, 'D'] = np.nan
print(df)
df2 = df.dropna()
print(df2)

3.3運(yùn)行結(jié)果

          A         B         C         D
0  0.154288  0.133700  0.362685  0.679109
1  0.194450  0.251210  0.758416  0.557619
2  0.514803  0.467800  0.087176  0.829095
3  0.298641       NaN  0.678006  0.903489
4  0.514451  0.539105  0.664328  0.634057
5  0.353419  0.026643  0.165290  0.879319
6  0.067820  0.369086  0.115501  0.096294
7  0.083770  0.086927  0.022256  0.771043
8  0.049213  0.465223  0.941233       NaN
9  0.361318  0.031319  0.304045  0.188268
          A         B         C         D
0  0.154288  0.133700  0.362685  0.679109
1  0.194450  0.251210  0.758416  0.557619
2  0.514803  0.467800  0.087176  0.829095
4  0.514451  0.539105  0.664328  0.634057
5  0.353419  0.026643  0.165290  0.879319
6  0.067820  0.369086  0.115501  0.096294
7  0.083770  0.086927  0.022256  0.771043
9  0.361318  0.031319  0.304045  0.188268

四、Pandas如何精確設(shè)置表格數(shù)據(jù)的單元格的值

實(shí)戰(zhàn)場(chǎng)景：Pandas如何精確設(shè)置表格數(shù)據(jù)的單元格的值

4.1主要知識(shí)點(diǎn)

  • 文件讀寫
  • 基礎(chǔ)語(yǔ)法
  • Pandas
  • numpy

實(shí)戰(zhàn)：

4.2創(chuàng)建 python 文件

"""
對(duì)如下DF，設(shè)置兩個(gè)單元格的值
·使用iloc 設(shè)置(3,B)的值是nan
·使用loc設(shè)置(8,D)的值是nan
"""
import numpy as np
import pandas as pd
np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list('ABCD'))
print(df)
?
df.iloc[3, 1] = np.nan
df.loc[8, 'D'] = np.nan
?
print(df)

4.3運(yùn)行結(jié)果 

          A         B         C         D
0  0.154288  0.133700  0.362685  0.679109
1  0.194450  0.251210  0.758416  0.557619
2  0.514803  0.467800  0.087176  0.829095
3  0.298641  0.031346  0.678006  0.903489
4  0.514451  0.539105  0.664328  0.634057
5  0.353419  0.026643  0.165290  0.879319
6  0.067820  0.369086  0.115501  0.096294
7  0.083770  0.086927  0.022256  0.771043
8  0.049213  0.465223  0.941233  0.216512
9  0.361318  0.031319  0.304045  0.188268
          A         B         C         D
0  0.154288  0.133700  0.362685  0.679109
1  0.194450  0.251210  0.758416  0.557619
2  0.514803  0.467800  0.087176  0.829095
3  0.298641       NaN  0.678006  0.903489
4  0.514451  0.539105  0.664328  0.634057
5  0.353419  0.026643  0.165290  0.879319
6  0.067820  0.369086  0.115501  0.096294
7  0.083770  0.086927  0.022256  0.771043
8  0.049213  0.465223  0.941233       NaN
9  0.361318  0.031319  0.304045  0.188268 

到此這篇關(guān)于Python Pandas 修改表格數(shù)據(jù)類型 DataFrame 列的順序案例的文章就介紹到這了,更多相關(guān)Python Pandas 內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

  • Python中異常處理的5個(gè)最佳實(shí)踐分享

    Python中異常處理的5個(gè)最佳實(shí)踐分享

    異常處理是編寫健壯可靠的?Python?代碼的一個(gè)基本方面,這篇文章為大家整理了Python中異常處理的5個(gè)最佳實(shí)踐,文中的示例代碼講解詳細(xì),希望對(duì)大家有所幫助
    2024-01-01
  • python爬取代理IP并進(jìn)行有效的IP測(cè)試實(shí)現(xiàn)

    python爬取代理IP并進(jìn)行有效的IP測(cè)試實(shí)現(xiàn)

    這篇文章主要介紹了python爬取代理IP并進(jìn)行有效的IP測(cè)試實(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
    2020-10-10
  • 修改Python的pyxmpp2中的主循環(huán)使其提高性能

    修改Python的pyxmpp2中的主循環(huán)使其提高性能

    這篇文章主要介紹了修改Python的pyxmpp2中的主循環(huán)使其提高性能,pyxmpp2是Python中使用需XMPP協(xié)議的一個(gè)常用工具,要的朋友可以參考下
    2015-04-04
  • Python 私有函數(shù)的實(shí)例詳解

    Python 私有函數(shù)的實(shí)例詳解

    這篇文章主要介紹了Python 私有函數(shù)的實(shí)例詳解的相關(guān)資料,希望通過(guò)本文大家能掌握Python 私有函數(shù)的使用方法，需要的朋友可以參考下
    2017-09-09
  • python Django框架中的嵌套序列化器詳解

    python Django框架中的嵌套序列化器詳解

    在Web開(kāi)發(fā)領(lǐng)域,創(chuàng)建和使用API（應(yīng)用程序編程接口）是很常見(jiàn)的,Django Rest Framework(DRF)是一個(gè)強(qiáng)大的工具包,在DRF中,一個(gè)關(guān)鍵概念是序列化器,在本文中,我們將深入研究Django中嵌套序列化器的概念以及它們?nèi)绾未龠M(jìn)復(fù)雜數(shù)據(jù)關(guān)系的處理,需要的朋友可以參考下
    2023-10-10
  • 基于Python生成個(gè)性二維碼過(guò)程詳解

    基于Python生成個(gè)性二維碼過(guò)程詳解

    這篇文章主要介紹了基于Python生成個(gè)性二維碼過(guò)程詳解,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,需要的朋友可以參考下
    2020-03-03
  • 詳解Python中的__init__和__new__

    詳解Python中的__init__和__new__

    這篇文章主要介紹了Python中的__init__和__new__的區(qū)別和實(shí)例詳解它們的作用,需要的朋友可以參考下
    2014-03-03
  • python實(shí)現(xiàn)CTC以及案例講解

    python實(shí)現(xiàn)CTC以及案例講解

    這篇文章主要介紹了python實(shí)現(xiàn)CTC以及案例講解,本篇文章通過(guò)簡(jiǎn)要的案例,講解了該項(xiàng)技術(shù)的了解與使用,以下就是詳細(xì)內(nèi)容,需要的朋友可以參考下
    2021-08-08
  • python機(jī)器學(xué)習(xí)創(chuàng)建基于規(guī)則聊天機(jī)器人過(guò)程示例詳解

    python機(jī)器學(xué)習(xí)創(chuàng)建基于規(guī)則聊天機(jī)器人過(guò)程示例詳解

    這篇文章主要為大家介紹了python實(shí)現(xiàn)基于規(guī)則聊天機(jī)器人的過(guò)程示例詳解，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
    2021-11-11
  • Python的列表推導(dǎo)式實(shí)例詳細(xì)解析

    Python的列表推導(dǎo)式實(shí)例詳細(xì)解析

    這篇文章主要介紹了Python的列表推導(dǎo)式實(shí)例詳細(xì)解析,列表推導(dǎo)式是Python構(gòu)建列表list的一種快捷方式,可以使用簡(jiǎn)潔的代碼就創(chuàng)建出一個(gè)列表,需要的朋友可以參考下
    2023-07-07

最新評(píng)論