pandasライブラリで導入されたDataFrameの基本操作

リスト白抜き文字を削除するには? 最も簡単な方法: new
_list = [ x for x in li if x != '' ]

このパートでは主に、前の 2 つのデータ構造に基づいて pandas の基本操作を学習します。

设有DataFrame结果的数据a如下所示：    
       a  b  c
one    4  1  1
two    6  2  0
three  6  1  6

を表示する方法はシリーズにも適用されます)

a=DataFrame(data);a の最初の xx 行または最後の xx 行を表示します。
head
(6) は、head() にパラメータがない場合、データの最初の 6 行を表示することを意味します。 a.tail(6) は、データの最後の 6 行を表示することを意味します。tail() にパラメータがない場合は、すべてのデータが表示されます。

a.index; a.columns; a.values のインデックス、列、値を表示します
3.describe()

a.describe () 個数、平均値、標準偏差、各分位数などを含む、データの各列の統計を実行します。 4. データを転置します
a.

5. 軸を並べ替えます
a.

_index(axis=1,ascending=False);
axis=1 は並べ替えall を意味します列、および次の数字もそれに応じて移動します。次の ascending=False は降順で並べ替えることを意味し、パラメータが欠落している場合のデフォルトは昇順です。
6. DataFrame 内の値を並べ替えます a.sort(columns='x')

2. オブジェクトを選択します

1. 特定の列と行のデータを選択します

a['x'] このメソッドは一度に 1 つの列しか返せないことに注意してください。 。

行データを取得し、[] でスライスして選択します。例: a[0:3] は最初の 3 行のデータを返します。
2.loc はラベルを通じてデータを選択します

a.loc['one'] はデフォルトで
動作

a.loc[:,['a',' b'] ] は、列が a と b であるすべての行と列を選択することを意味します。
a.loc[['one','two'],['a','b']] は、'one' と'two' と列 a と b を持つ列 a.loc['one','a'] と a.loc[['one'],['a']] は同じ効果がありますが、前者は対応する値のみを表示し、後者は対応する行と列のラベルを表示します。

a.iloc[1:2,1:2] は、最初の行と最初の列 (スライスの後) にデータを表示します。値が取得できない)

a.iloc[1:2] つまり、後続の列の値が取得できない場合、デフォルトで行位置 1 のデータが選択されます;
a.iloc[[0, 2],[1 ,2]] つまり、行位置と列位置に対応するデータを自由に選択できます。

4. 条件を使用して選択します

を使用してデータを選択します

データを選択する場所を使用しますa[a> ] テーブルは、a 内の 0 より大きいすべてのデータを直接選択します
isin() を使用して、特定の列に特定の値を含む行を選択します

copy
()

3. 設定値（割り当て）
上記の選択操作を元に、直接割り当て動作を割り当てることができます。 例 a.loc[:,['a','c']]=9 は、列 a と c のすべての行の値を 9 に設定しますa.iloc[:,[1,3]]= 9も a列とc列のすべての行の値を9に設定することを意味します

a[a>0]=-aはすべての数値を変換することを意味します4. 欠損値の処理

1.reindex() メソッド

は、指定された軸上の
index

変更/追加/削除するために使用され、元のデータのコピーを返します。

a.reindex(index=['one','five'],columns=list(a.columns)+['d'])

即用index=[]表示对index进行操作，columns表对列进行操作。

2.对缺失值进行填充
a.fillna(value=x)
表示用值为x的数来对缺失值进行填充

3.去掉包含缺失值的行
a.dropna(how='any')
表示去掉所有包含缺失值的行

五、合并

1.contact
contact(a1,axis=0/1，keys=['xx','xx','xx',...])，其中a1表示要进行进行连接的列表数据,axis=1时表横着对数据进行连接。axis=0或不指定时，表将数据竖着进行连接。a1中要连接的数据有几个则对应几个keys，设置keys是为了在数据连接以后区分每一个原始a1中的数据。

例：a1=[b['a'],b['c']]
result=pd.concat(a1,axis=1，keys=['1','2'])

2.Append 将一行或多行数据连接到一个DataFrame上
a.append(a[2:],ignore_index=True)
表示将a中的第三行以后的数据全部添加到a中，若不指定ignore_index参数，则会把添加的数据的index保留下来，若ignore_index=Ture则会对所有的行重新自动建立索引。

3.merge类似于SQL中的join
设a1,a2为两个dataframe,二者中存在相同的键值，两个对象连接的方式有下面几种：
(1)内连接，pd.merge(a1, a2, on='key')
(2)左连接，pd.merge(a1, a2, on='key', how='left')
(3)右连接，pd.merge(a1, a2, on='key', how='right')
(4)外连接， pd.merge(a1, a2, on='key', how='outer')
至于四者的具体差别，具体学习参考sql中相应的语法。

六、分组（groupby）

用pd.date_range函数生成连续指定天数的的日期
pd.date_range('20000101',periods=10)

def shuju():
    data={
        'date':pd.date_range('20000101',periods=10),
        'gender':np.random.randint(0,2,size=10),
        'height':np.random.randint(40,50,size=10),
        'weight':np.random.randint(150,180,size=10)
    }
a=DataFrame(data)
print(a)
        date  gender  height  weight
0 2000-01-01       0      47     165
1 2000-01-02       0      46     179
2 2000-01-03       1      48     172
3 2000-01-04       0      45     173
4 2000-01-05       1      47     151
5 2000-01-06       0      45     172
6 2000-01-07       0      48     167
7 2000-01-08       0      45     157
8 2000-01-09       1      42     157
9 2000-01-10       1      42     164

用a.groupby('gender').sum()得到的结果为：  #注意在python中groupby(''xx)后要加sum()，不然显示
不了数据对象。
gender     height  weight               
0           256     989
1           170     643

此外用a.groupby('gender').size()可以对各个gender下的数目进行计数。

所以可以看到groupby的作用相当于：
按gender对gender进行分类，对应为数字的列会自动求和，而为字符串类型的列则不显示；当然也可以同时groupby(['x1','x2',...])多个字段，其作用与上面类似。

七、Categorical按某一列重新编码分类

如六中要对a中的gender进行重新编码分类，将对应的0，1转化为male，female，过程如下：

a['gender1']=a['gender'].astype('category')
a['gender1'].cat.categories=['male','female']  #即将0，1先转化为category类型再进行编码。

 print(a)得到的结果为：
      date    gender  height  weight gender1
0 2000-01-01       1      40     163  female
1 2000-01-02       0      44     177    male
2 2000-01-03       1      40     167  female
3 2000-01-04       0      41     161    male
4 2000-01-05       0      48     177    male
5 2000-01-06       1      46     179  female
6 2000-01-07       1      42     154  female
7 2000-01-08       1      43     170  female
8 2000-01-09       0      46     158    male
9 2000-01-10       1      44     168  female

所以可以看出重新编码后的编码会自动增加到dataframe最后作为一列。

八、相关操作

描述性统计：
1.a.mean()  默认对每一列的数据求平均值；若加上参数a.mean(1)则对每一行求平均值；

2.统计某一列x中各个值出现的次数：a['x'].value_counts()；

3.对数据应用函数
a.apply(lambda x:x.max()-x.min())
表示返回所有列中最大值-最小值的差。

4.字符串相关操作
a['gender1'].str.lower()  将gender1中所有的英文大写转化为小写，注意dataframe没有str属性，只有series有，所以要选取a中的gender1字段。

九、时间序列

在六中用pd.date_range('xxxx',periods=xx,freq='D/M/Y....')函数生成连续指定天数的的日期列表。
例如pd.date_range('20000101',periods=10),其中periods表示持续频数；
pd.date_range('20000201','20000210',freq='D')也可以不指定频数，只指定起始日期。

此外如果不指定freq，则默认从起始日期开始，频率为day。其他频率表示如下：

1.png

十、画图(plot)

在pycharm中首先要：import matplotlib.pyplot as plt
a=Series(np.random.randn(1000),index=pd.date_range('20100101',periods=1000))
b=a.cumsum()
b.plot()
plt.show()    #最后一定要加这个plt.show()，不然不会显示出图来。

2.PNG

也可以使用下面的代码来生成多条时间序列图：

a=DataFrame(np.random.randn(1000，4),index=pd.date_range('20100101',periods=1000),columns=list('ABCD'))
b=a.cumsum()
b.plot()
plt.show()

3.png

十一、导入和导出文件

写入和读取excel文件
虽然写入excel表时有两种写入xls和csv，但建议少使用csv，不然在表中调整数据格式时，保存时一直询问你是否保存新格式，很麻烦。而在读取数据时，如果指定了哪一张sheet，则在pycharm又会出现格式不对齐。

还有将数据写入表格中时，excel会自动给你在表格最前面增加一个字段，对数据行进行编号。

a.to_excel(r'C:\\Users\\guohuaiqi\\Desktop\\2.xls',sheet_name='Sheet1')    

a=pd.read_excel(r'C:\\Users\\guohuaiqi\\Desktop\\2.xls','Sheet1',na_values=['NA'])

注意sheet_name后面的Sheet1中的首字母大写；读取数据时，可以指定读取哪一张表中的数据，而
且对缺失值补上NA。

最后再附上写入和读取csv格式的代码：
a.to_csv(r'C:\\Users\\guohuaiqi\\Desktop\\1.csv'，sheet_name='Sheet1')
a=pd.read_csv(r'C:\\Users\\guohuaiqi\\Desktop\\1.csv',na_values=['NA'])

以上がpandasライブラリで導入されたDataFrameの基本操作の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。