一、DataFrame 的基本概念

pd.DataFrame是 Pandas 庫(kù)中的一個(gè)類(lèi)，用于創(chuàng)建和操作數(shù)據(jù)框（DataFrame）。DataFrame 是 Pandas 的核心數(shù)據(jù)結(jié)構(gòu)，用于以表格形式和處理數(shù)據(jù)，類(lèi)似提供電子表格或數(shù)據(jù)庫(kù)表格。類(lèi)了創(chuàng)建pd.DataFrame數(shù)據(jù)框、訪問(wèn)數(shù)據(jù)、進(jìn)行數(shù)據(jù)操作和分析的方法和屬性。

二、DataFrame 的重要特點(diǎn)

• 表格形式：DataFrame是一個(gè)二維表格，其中包含了多行和多列的數(shù)據(jù)。每個(gè)列可以有不同的數(shù)據(jù)類(lèi)型，例如整數(shù)、浮點(diǎn)數(shù)、字符串等。

• 標(biāo)簽：DataFrame的行和列都有標(biāo)簽（Label），行標(biāo)簽稱(chēng)為索引（Index），列標(biāo)簽通常是字段名或特征名。

• 數(shù)據(jù)操作：DataFrame提供了豐富的數(shù)據(jù)操作方法，包括數(shù)據(jù)篩選、切片、合并、分組、聚合、排序等。

• 數(shù)據(jù)查看：您可以使用.head()方法來(lái)查看DataFrame的前幾行數(shù)據(jù)，以了解數(shù)據(jù)的結(jié)構(gòu)和內(nèi)容。

• 數(shù)據(jù)統(tǒng)計(jì)：DataFrame提供了.describe()方法，用于生成數(shù)據(jù)的統(tǒng)計(jì)摘要信息，包括均值、標(biāo)準(zhǔn)差、簡(jiǎn)單、頂點(diǎn)等。

• 數(shù)據(jù)過(guò)濾：你可以使用條件表達(dá)式來(lái)過(guò)濾數(shù)據(jù)，例如選擇滿足特定條件的行。

• 數(shù)據(jù)可視化：Pandas 與其他數(shù)據(jù)可視化庫(kù)（如 Matplotlib 和 Seaborn）結(jié)合使用，可以輕松創(chuàng)建各種圖表和可視化，以探索和傳輸數(shù)據(jù)。

• 數(shù)據(jù)導(dǎo)入和導(dǎo)出：DataFrame可以從各種數(shù)據(jù)源導(dǎo)入數(shù)據(jù)，如CSV文件、Excel表格、SQL數(shù)據(jù)庫(kù)等，并且可以將數(shù)據(jù)導(dǎo)出為不同格式的文件。

• 數(shù)據(jù)恢復(fù)處理：DataFrame提供了處理數(shù)據(jù)中的恢復(fù)值的方法，如刪除恢復(fù)值或恢復(fù)恢復(fù)值。

• 數(shù)據(jù)索引：DataFrame可以使用行索引和列標(biāo)簽來(lái)訪問(wèn)特定的數(shù)據(jù)元素。

• 數(shù)據(jù)轉(zhuǎn)換：您可以對(duì)DataFrame進(jìn)行各種數(shù)據(jù)轉(zhuǎn)換操作，如數(shù)據(jù)類(lèi)型轉(zhuǎn)換、列重命名、數(shù)據(jù)透視表等。

三、DataFrame 的具體代碼操作

 1.創(chuàng)建空的數(shù)據(jù)框：

import pandas as pd
df = pd.DataFrame()
print(df)
# 運(yùn)行結(jié)果
'''
Empty DataFrame
Columns: []
Index: []
'''

這將創(chuàng)建一個(gè)空的數(shù)據(jù)框，可以在后續(xù)添加數(shù)據(jù)。

2.從創(chuàng)建列表數(shù)據(jù)框：

import pandas as pd
data = [['Alice', 25], ['Bob', 30], ['Charlie', 35]]
df = pd.DataFrame(data, columns=['Name', 'Age'])
print(df)
# 運(yùn)行結(jié)果
'''
      Name  Age
0    Alice   25
1      Bob   30
2  Charlie   35
'''

這將創(chuàng)建一個(gè)包含姓名和年齡列的數(shù)據(jù)框。

3.從字典創(chuàng)建數(shù)據(jù)框：

import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
print(df)
# 運(yùn)行結(jié)果
'''
      Name  Age
0    Alice   25
1      Bob   30
2  Charlie   35
'''

這將創(chuàng)建一個(gè)與上述示例相同的數(shù)據(jù)框。

4.訪問(wèn)數(shù)據(jù)：

import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
a = df['Name']  # 獲取 'Name' 列的數(shù)據(jù)
b = df.loc[0]    # 獲取第一行的數(shù)據(jù)
print(a)
print(b)
# 運(yùn)行結(jié)果
'''
0      Alice
1        Bob
2    Charlie
Name: Name, dtype: object
Name    Alice
Age        25
Name: 0, dtype: object
'''

5.數(shù)據(jù)操作：

import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
a = df['Age'].mean()  # 計(jì)算 'Age' 列的平均值
b = df.sort_values(by='Age', ascending=False)  # 按 'Age' 列排序,ascending=True是從小到大，ascending=False是從大到小
print(a)
print(b)
# 運(yùn)行結(jié)果
'''
30.0
      Name  Age
2  Charlie   35
1      Bob   30
0    Alice   25
'''

 6.數(shù)據(jù)查看：

import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
a = df.head(2)     # 查看前幾行數(shù)據(jù)，df.head()默認(rèn)為前5行
b = df.tail(2)    # 查看后3行數(shù)據(jù)
print(a)
print(b)
# 運(yùn)行結(jié)果
'''
    Name  Age
0  Alice   25
1    Bob   30
      Name  Age
1      Bob   30
2  Charlie   35
'''

7.數(shù)據(jù)統(tǒng)計(jì)：

import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
c=df.describe()  # 生成數(shù)據(jù)的統(tǒng)計(jì)摘要信
print(c)
# 運(yùn)行結(jié)果
'''
Age
count   3.0
mean   30.0
std     5.0
min    25.0
25%    27.5
50%    30.0
75%    32.5
max    35.0
'''

這些是一些常見(jiàn)的最有效pd.DataFrame示例，Pandas 提供了豐富的高效方法和功能，使你能夠進(jìn)行數(shù)據(jù)處理和分析。數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析等領(lǐng)域中經(jīng)常使用 Pandas 數(shù)據(jù)框來(lái)處理和分析數(shù)據(jù)。

總結(jié)

到此這篇關(guān)于Python中Pandas庫(kù)提供的函數(shù)pd.DataFrame基本用法的文章就介紹到這了,更多相關(guān)Pandas庫(kù)函數(shù)pd.DataFrame用法內(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！

最新評(píng)論