Python 之 Pandas (二)选择数据

代码：

import numpy as np
import pandas as pddates = pd.date_range('20130101', periods=6)
df = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
print(df)
# 输出列
print("输出列")
print(df['A'])
print(df.B)

运行结果：

             A   B   C   D
2013-01-01   0   1   2   3
2013-01-02   4   5   6   7
2013-01-03   8   9  10  11
2013-01-04  12  13  14  15
2013-01-05  16  17  18  19
2013-01-06  20  21  22  23
输出列
2013-01-01     0
2013-01-02     4
2013-01-03     8
2013-01-04    12
2013-01-05    16
2013-01-06    20
Freq: D, Name: A, dtype: int64
2013-01-01     1
2013-01-02     5
2013-01-03     9
2013-01-04    13
2013-01-05    17
2013-01-06    21
Freq: D, Name: B, dtype: int64

代码：

print("输出行")
# 输出行
print(df['20130101':'20130105'])
print(df[0:3])
print(df['20130101':'20130104'])

运行结果：

输出行A   B   C   D
2013-01-01   0   1   2   3
2013-01-02   4   5   6   7
2013-01-03   8   9  10  11
2013-01-04  12  13  14  15
2013-01-05  16  17  18  19A  B   C   D
2013-01-01  0  1   2   3
2013-01-02  4  5   6   7
2013-01-03  8  9  10  11A   B   C   D
2013-01-01   0   1   2   3
2013-01-02   4   5   6   7
2013-01-03   8   9  10  11
2013-01-04  12  13  14  15

代码：

print("LOC")
# 根据标签选择:loc
print(df.loc['20130102'])
# 保留行，选择列
print(df.loc[:, ['A', 'B']])
print(df.loc['20130102', ['A', 'B']]

运行结果：

LOC
A    4
B    5
C    6
D    7
Name: 2013-01-02 00:00:00, dtype: int64A   B
2013-01-01   0   1
2013-01-02   4   5
2013-01-03   8   9
2013-01-04  12  13
2013-01-05  16  17
2013-01-06  20  21
A    4
B    5
Name: 2013-01-02 00:00:00, dtype: int64

代码：

# 根据位置选择:iloc
print(df.iloc[3])  # 第三行
print(df.iloc[3, 1])  # 第三行第一列
# 切片
print(df.iloc[3:5, 1:3])
# 不连续塞选
print(df.iloc[[1, 3, 5], 1:3])

运行结果：

A    12
B    13
C    14
D    15
Name: 2013-01-04 00:00:00, dtype: int64
13B   C
2013-01-04  13  14
2013-01-05  17  18B   C
2013-01-02   5   6
2013-01-04  13  14
2013-01-06  21  22

代码：

# 将loc和iloc在一起塞选：ix
print(df.ix[:3, ['A', 'C']])

运行结果：

            A   C
2013-01-01  0   2
2013-01-02  4   6
2013-01-03  8  10

代码：

# 是或否的塞选
print(df[df.A > 8])print("TEST")
dates = pd.date_range('2018.1.12', periods=5)
df = pd.DataFrame(data=np.arange(15).reshape(5, 3), index=dates, columns=['A', 'B', 'C'])
print(df)

运行结果：

             A   B   C   D
2013-01-04  12  13  14  15
2013-01-05  16  17  18  19
2013-01-06  20  21  22  23
TESTA   B   C
2018-01-12   0   1   2
2018-01-13   3   4   5
2018-01-14   6   7   8
2018-01-15   9  10  11
2018-01-16  12  13  14

Python 之 Pandas (二)选择数据相关推荐

Python 之 Pandas (三)选择数据
代码: import numpy as np import pandas as pddates = pd.date_range('20130101', periods=6) df = pd.DataF ...
Python将Pandas中Dataframe数据保存为gzip/zip文件：gzip压缩文件、zip压缩文件
Python将Pandas中Dataframe数据保存为gzip/zip文件:gzip压缩文件.zip压缩文件目录 Python将Pandas中Dataframe数据保存为gzip/zip文件:gz ...
Python中pandas库实现数据缺失值判断isnull()函数
[小白从小学Python.C.Java] [Python全国计算机等级考试] [Python数据分析考试必会题] ● 标题与摘要 Python中pandas库实现数据缺失值判断 isnull()函数 ...
[转载] Python利用pandas处理Excel数据的应用
参考链接: Python | Pandas数据比较与选择最近迷上了高效处理数据的pandas,其实这个是用来做数据分析的,如果你是做大数据分析和测试的,那么这个是非常的有用的!!但是其实我们平时在做 ...
08 Python之Pandas库选择查看、选择
Pandas查看和选择数据 Pandas是基于Numpy构建的,让以Numpy为中心的应用变得更加简单.平台获取的数据主要是以Pandas中DataFrame的形式.除此之外,Pandas还包括一维数 ...
python在excel中的应用-Python利用pandas处理Excel数据的应用详解
最近迷上了高效处理数据的pandas,其实这个是用来做数据分析的,如果你是做大数据分析和测试的,那么这个是非常的有用的!!但是其实我们平时在做自动化测试的时候,如果涉及到数据的读取和存储,那么而利用p ...
python与excel的应用-Python利用pandas处理Excel数据的应用
最近迷上了高效处理数据的pandas,其实这个是用来做数据分析的,如果你是做大数据分析和测试的,那么这个是非常的有用的!!但是其实我们平时在做自动化测试的时候,如果涉及到数据的读取和存储,那么而利用p ...
python处理excel表格-Python利用pandas处理Excel数据的应用
最近迷上了高效处理数据的pandas,其实这个是用来做数据分析的,如果你是做大数据分析和测试的,那么这个是非常的有用的!!但是其实我们平时在做自动化测试的时候,如果涉及到数据的读取和存储,那么而利用p ...
Python——两类二维数据线性判别fisher
题目: 说明:下述问题在 Python 中编程求解. 1.已知两类二维数据, (1)第一类共 4 个样本:[6,6],[4,5],[5,5],[5,4],第二类共 4 个样本: [0,1],[1,2] ...

Python 之 Pandas (二)选择数据

Python 之 Pandas (二)选择数据相关推荐

最新文章

热门文章