pandas之數(shù)據(jù)修改與基本運算方式
更新時間：2024年02月19日 09:56:49 作者：螞蟻*漫步
這篇文章主要介紹了pandas之數(shù)據(jù)修改與基本運算方式,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
1.數(shù)據(jù)復制
- 直接賦值
直接賦值的話，只是復制的元數(shù)據(jù)(行列索引)，但是元素還是存儲在相同內存位置 對元素進行修改會影響另外一個。
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(12).reshape(4,3),index=list("abcd"),columns=['w','y','z'])
print(df)
print(df.iloc[1,2])
df.iloc[1,2]=20
print(df.iloc[1,2])
out：
w y z
a 0 1 2
b 3 4 5
c 6 7 8
d 9 10 11
5-------->>賦值之前
20-------->>賦值之后- copy()函數(shù)。
copy函數(shù)，復制原數(shù)據(jù)(行列索引)，還創(chuàng)建新的存儲位置 對元素進行修改不影響另外一個。
df=pd.DataFrame(np.arange(12).reshape(4,3),index=list("abcd"),columns=['w','y','z'])
print(df)
df1=df.copy()
print(df1.iloc[1,2])
df1.iloc[1,2]=20
print(df.iloc[1,2])
out：
w y z
a 0 1 2
b 3 4 5
c 6 7 8
d 9 10 11
5
52.增加行和列
通過[]操作符+列名方式增加多列 新增列在最后 df[['new_column1','new_column2',...]] =
通過loc+列名新增一列，不能新增多列 新增列在最后 pd.loc[:, 'new_column'] =
insert(loc, column, value, allow_duplicates=False)
- loc位置參數(shù)：0 <= loc <= len(columns)
- column：列名 新增列在中間，一次只能增加一列
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(12).reshape(4,3),index=list("abcd"),columns=['w','y','z'])
print(df)
df['n']=[3,7,9,11]
df[['x','k']]=df[['w','z']]
df.loc[:,'r']=[12,13,15,16]
df.insert(1,'t',[31,56,78,5])------>>增加在第一列
print(df)
out：
w y z
a 0 1 2
b 3 4 5
c 6 7 8
d 9 10 11
w t y z n x k r
a 0 31 1 2 3 0 2 12
b 3 56 4 5 7 3 5 13
c 6 78 7 8 9 6 8 15
d 9 5 10 11 11 9 11 16- 增加列。
新增行在最后 通過loc函數(shù)新增一行，不能新增多行 pd.loc['new-index'] =
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(12).reshape(4,3),index=list("abcd"),columns=['w','y','z'])
print(df)
df.loc['r']=[12,13,15]
print(df)
out：
w y z
a 0 1 2
b 3 4 5
c 6 7 8
d 9 10 11
w y z
a 0 1 2
b 3 4 5
c 6 7 8
d 9 10 11
r 12 13 153.行列刪除
Del 只能刪除一列 ，語法：del df['column-name']
pd.drop() 可以刪除多列
pd.drop(labels,axis=1, inplace=False)
- labels：行列名稱列表
- axis：0表示刪除行(默認)，1表示刪除列 ,
- inplace：False表示源DataFrame不變（默認，True表示原DataFrame改變
pd.pop() 只能刪除一列并把刪除的一列賦值給新的對象。
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(40).reshape(5,8),index=list("abcde"),columns=['w','y','z',
'l','m','n','o','p'])
print(df)
del df['w']
df.drop(labels=['y','l'],axis=1,inplace=True)
print(df)
data=df.pop('n')
print(df)
print(data)
out：
w y z l m n o p
a 0 1 2 3 4 5 6 7
b 8 9 10 11 12 13 14 15
c 16 17 18 19 20 21 22 23
d 24 25 26 27 28 29 30 31
e 32 33 34 35 36 37 38 39
z m n o p
a 2 4 5 6 7
b 10 12 13 14 15
c 18 20 21 22 23
d 26 28 29 30 31
e 34 36 37 38 39
z m o p
a 2 4 6 7
b 10 12 14 15
c 18 20 22 23
d 26 28 30 31
e 34 36 38 39
a 5
b 13
c 21
d 29
e 37
Name: n, dtype: int32- 重復值刪除。
重復值查看 duplicated(subset=None, keep='first’) ，Subset 是否只需要檢查某幾列
- KeepFirst：支持從前向后， 將后出現(xiàn)的相同行判斷為重復值
- Last：和從后向前
重復值刪除
drop_duplicates(subset=None, keep=’first’, inplace=False）
import pandas as pd
import numpy as np
data=pd.DataFrame({'qu1':[1,3,4,3,4],
'qu2':[1,3,4,3,4],
'qu3':[1,3,2,3,3]})
print(data)
print(data.duplicated(keep='first'))
print(data.duplicated(keep='last'))
print(data.drop_duplicates())
out:
qu1 qu2 qu3
0 1 1 1
1 3 3 3
2 4 4 2
3 3 3 3
4 4 4 3
0 False
1 False
2 False
3 True
4 False
dtype: bool
0 False
1 True
2 False
3 False
4 False
dtype: bool
qu1 qu2 qu3
0 1 1 1
1 3 3 3
2 4 4 2
4 4 4 34.改變索引
索引的不可變性，不能對索引的某個值直接進行修改。
整體重命名 pd.index =， pd.columns =
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(40).reshape(5,8),index=list("abcde"),columns=['w','y','z',
'l','m','n','o','p'])
print(df.index)
print(df.columns)
df.index='new_'+df.index
df.columns='new'+df.columns
print(df.index)
print(df.columns)
out：
Index(['a', 'b', 'c', 'd', 'e'], dtype='object')
Index(['w', 'y', 'z', 'l', 'm', 'n', 'o', 'p'], dtype='object')
Index(['new_a', 'new_b', 'new_c', 'new_d', 'new_e'], dtype='object')
Index(['neww', 'newy', 'newz', 'newl', 'newm', 'newn', 'newo', 'newp'], dtype='object')行列同時修改
rename(index=None, columns=None, **kwargs)
- index：修改行索引名稱，dict示例為{‘oldname’:‘newname’, ...}
- columns：修改列索引名稱
- inplace : boolean, default False(生成新對象)
- copy：inplace為False時生效，表示是否為新對象創(chuàng)建新的存儲位置，否則只是生成元數(shù)據(jù)(行列索引)
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(40).reshape(5,8),index=list("abcde"),columns=['w','y','z',
'l','m','n','o','p'])
print(df.index)
print(df.columns)
df.rename(index={'a':'a1','b':'b1'},columns={'w':'w1','l':'l1'},inplace=True)
print(df.index)
print(df.columns)
out：
Index(['a', 'b', 'c', 'd', 'e'], dtype='object')
Index(['w', 'y', 'z', 'l', 'm', 'n', 'o', 'p'], dtype='object')
Index(['a1', 'b1', 'c', 'd', 'e'], dtype='object')
Index(['w1', 'y', 'z', 'l1', 'm', 'n', 'o', 'p'], dtype='object')同時調整行或者列
reindex(index=None, columns=None, **kwargs)
- index：調整后的行索引名稱列表
- columns：調整后的列索引名稱列表
- fill_value：出現(xiàn)新的索引時默認的，method = ffill ffill/pad 前向填充，bfill/backfill 后向填充 。
# series reindex
data1 = pd.Series(np.arange(4), index=list('ABCD'))
print(s1)
'''
A 1
B 2
C 3
D 4
dtype: int64
'''
# 重新指定 index， 多出來的index，可以使用fill_value 填充
print(s1.reindex(index=['A', 'B', 'C', 'D', 'E'], fill_value = 10))
'''
A 1
B 2
C 3
D 4
E 10
dtype: int64
'''
s2 = Series(['A', 'B', 'C'], index = [1, 5, 10])
print(s2)
'''
1 A
5 B
10 C
dtype: object
'''
# 修改索引，
# 將s2的索引增加到15個
# 如果新增加的索引值不存在，默認為 Nan
print(s2.reindex(index=range(15)))
'''
0 NaN
1 A
2 NaN
3 NaN
4 NaN
5 B
6 NaN
7 NaN
8 NaN
9 NaN
10 C
11 NaN
12 NaN
13 NaN
14 NaN
dtype: object
'''
# ffill ： foreaward fill 向前填充，
# 如果新增加索引的值不存在，那么按照前一個非nan的值填充進去
print(s2.reindex(index=range(15), method='ffill'))
'''
0 NaN
1 A
2 A
3 A
4 A
5 B
6 B
7 B
8 B
9 B
10 C
11 C
12 C
13 C
14 C
dtype: object
'''
# reindex dataframe
df1 = DataFrame(np.random.rand(25).reshape([5, 5]), index=['A', 'B', 'D', 'E', 'F'], columns=['c1', 'c2', 'c3', 'c4', 'c5'])
print(df1)
'''
c1 c2 c3 c4 c5
A 0.700437 0.844187 0.676514 0.727858 0.951458
B 0.012703 0.413588 0.048813 0.099929 0.508066
D 0.200248 0.744154 0.192892 0.700845 0.293228
E 0.774479 0.005109 0.112858 0.110954 0.247668
F 0.023236 0.727321 0.340035 0.197503 0.909180
'''
# 為 dataframe 添加一個新的索引
# 可以看到 自動 擴充為 nan
print(df1.reindex(index=['A', 'B', 'C', 'D', 'E', 'F']))
''' 自動填充為 nan
c1 c2 c3 c4 c5
A 0.700437 0.844187 0.676514 0.727858 0.951458
B 0.012703 0.413588 0.048813 0.099929 0.508066
C NaN NaN NaN NaN NaN
D 0.200248 0.744154 0.192892 0.700845 0.293228
E 0.774479 0.005109 0.112858 0.110954 0.247668
F 0.023236 0.727321 0.340035 0.197503 0.909180
'''
# 擴充列， 也是一樣的
print(df1.reindex(columns=['c1', 'c2', 'c3', 'c4', 'c5', 'c6']))
'''
c1 c2 c3 c4 c5 c6
A 0.700437 0.844187 0.676514 0.727858 0.951458 NaN
B 0.012703 0.413588 0.048813 0.099929 0.508066 NaN
D 0.200248 0.744154 0.192892 0.700845 0.293228 NaN
E 0.774479 0.005109 0.112858 0.110954 0.247668 NaN
F 0.023236 0.727321 0.340035 0.197503 0.909180 NaN
'''
# 減小 index
print(s1.reindex(['A', 'B']))
''' 相當于一個切割效果
A 1
B 2
dtype: int64
'''
print(df1.reindex(index=['A', 'B']))
''' 同樣是一個切片的效果
c1 c2 c3 c4 c5
A 0.601977 0.619927 0.251234 0.305101 0.491200
B 0.244261 0.734863 0.569936 0.889996 0.017936
————————————————5.數(shù)據(jù)排序
- 索引排序。
pd.sort_index(axis=1, ascending=False, inplace=True)
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(9).reshape(3,3),index=list("acb"),columns=['w','m','z',])
print(df)
df.sort_index(axis=0,ascending=True,inplace=True)
print(df)
out：
w m z
a 0 1 2
c 3 4 5
b 6 7 8
w m z
a 0 1 2
b 6 7 8
c 3 4 5
df.sort_index(axis=1,ascending=True,inplace=True)
print(df)
out:
m w z
a 1 0 2
c 4 3 5
b 7 6 8- 列值排序。
pd.sort_values(by='b', ascending=False, inplace=True)
import pandas as pd
import numpy as np
data=pd.DataFrame({'qu1':[1,7,41,3,4],
'qu2':[1,9,4,37,4],
'qu3':[1,12,25,3,37]})
print(data)
data.sort_values(by='qu1',ascending=True,inplace=True)
print(data)
out：
qu1 qu2 qu3
0 1 1 1
1 7 9 12
2 41 4 25
3 3 37 3
4 4 4 37
qu1 qu2 qu3
0 1 1 1
3 3 37 3
4 4 4 37
1 7 9 12
2 41 4 25總結
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關文章
這篇文章主要介紹了python中的函數(shù)用法,包括了函數(shù)的定義及參數(shù)的各種注意事項等,對Python初學者有很好的借鑒價值,需要的朋友可以參考下2014-09-09
簡單談談Python中的元祖（Tuple）和字典（Dict）
這篇文章主要介紹了關于Python中元祖（Tuple）和字典（Dict）的相關資料，文中通過示例代碼介紹的非常詳細，相信對大家具有一定的參考價值，需要的朋友們下面來一起看看吧。2017-04-04
python+selenium開發(fā)環(huán)境搭建圖文教程
這篇文章主要為大家詳細介紹了python+selenium開發(fā)環(huán)境搭建的圖文教程，具有一定的參考價值，感興趣的小伙伴們可以參考一下2017-08-08
在Python dataframe中出生日期轉化為年齡的實現(xiàn)方法
這篇文章主要介紹了在Python dataframe中出生日期轉化為年齡的實現(xiàn)方法,非常不錯，具有一定的參考借鑒價值，需要的朋友可以參考下2018-10-10
python內置函數(shù)map/filter/reduce詳解
在Python中,map(), filter(), 和 reduce() 是內置的高級函數(shù)(實際是class),用于處理可迭代對象（如列表、元組等）的元素,這篇文章主要介紹了python內置函數(shù)map/filter/reduce的相關知識,需要的朋友可以參考下2024-05-05
使用Python腳本來控制Windows Azure的簡單教程
這篇文章主要介紹了使用Python腳本來控制Windows Azure的簡單教程,由于微軟官方提供了Python SDK,使得用戶自己用Python控制Azure成為了可能,需要的朋友可以參考下2015-04-04
pyqt 實現(xiàn)QlineEdit 輸入密碼顯示成圓點的方法
今天小編就為大家分享一篇pyqt 實現(xiàn)QlineEdit 輸入密碼顯示成圓點的方法，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2019-06-06
python實現(xiàn)的各種排序算法，包括選擇排序、冒泡排序、插入排序、歸并排序等，學習python的朋友可以參考下2013-03-03
這篇文章主要介紹了python中的RSA加密與解密實例解析,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2019-11-11
這篇文章主要介紹了Python可視化神器pyecharts繪制水球圖，水球圖首先是動態(tài)的效果，像水流一樣波動，所以看起來比較的舒服，一般用于業(yè)務里面的完成率，其實和之前的儀表盤有點類似2022-07-07