[转载] Pandas：DataFrame对象的基础操作

参考链接：创建一个Pandas DataFrame

DataFrame对象的创建，修改，合并

import pandas as pd

import numpy as np

创建DataFrame对象

# 创建DataFrame对象

df = pd.DataFrame([1, 2, 3, 4, 5], columns=['cols'], index=['a','b','c','d','e'])

print df

cols

a 1

b 2

c 3

d 4

e 5

df2 = pd.DataFrame([[1, 2, 3],[4, 5, 6]], columns=['col1','col2','col3'], index=['a','b'])

print df2

col1 col2 col3

a 1 2 3

b 4 5 6

df3 = pd.DataFrame(np.array([[1,2],[3,4]]), columns=['col1','col2'], index=['a','b'])

print df3

col1 col2

a 1 2

b 3 4

df4 = pd.DataFrame({'col1':[1,3],'col2':[2,4]},index=['a','b'])

print df4

col1 col2

a 1 2

b 3 4

创建DataFrame对象的数据可以为列表，数组和字典，列名和索引为列表对象

基本操作

# DataFrame对象的基本操作

df2.index

Index([u'a', u'b'], dtype='object')

df2.columns

Index([u'col1', u'col2', u'col3'], dtype='object')

# 根据索引查看数据

df2.loc['a']

# 索引为ａ这一行的数据

# df2.iloc[0] 跟上面的操作等价，一个是根据索引名，一个是根据数字索引访问数据

col1 1

col2 2

col3 3

Name: a, dtype: int64

print df2.loc[['a','b']] # 访问多行数据，索引参数为一个列表对象

col1 col2 col3

a 1 2 3

b 4 5 6

print df.loc[df.index[1:3]]

cols

b 2

c 3

# 访问列数据

print df2[['col1','col3']]

col1 col3

a 1 3

b 4 6

计算

# DataFrame元素求和

# 默认是对每列元素求和

print df2.sum()

col1 5

col2 7

col3 9

dtype: int64

# 行求和

print df2.sum(1)

a 6

b 15

dtype: int64

# 对每个元素乘以２

print df2.apply(lambda x:x*2)

col1 col2 col3

a 2 4 6

b 8 10 12

# 对每个元素求平方(支持ndarray一样的向量化操作)

print df2**2

col1 col2 col3

a 1 4 9

b 16 25 36

列扩充

# 对DataFrame对象进行列扩充

df2['col4'] = ['cnn','rnn']

print df2

col1 col2 col3 col4

a 1 2 3 cnn

b 4 5 6 rnn

# 也可以通过一个新的DataFrame对象来定义一个新列,索引自动对应

df2['col5'] = pd.DataFrame(['MachineLearning','DeepLearning'],index=['a','b'])

print df2

col1 col2 col3 col4 col5

a 1 2 3 cnn MachineLearning

b 4 5 6 rnn DeepLearning

行扩充

# 行进行扩充

print df2.append(pd.DataFrame({'col1':7,'col2':8,'col3':9,'col4':'rcnn','col5':'ReinforcementLearning'},index=['c']))

col1 col2 col3 col4 col5

a 1 2 3 cnn MachineLearning

b 4 5 6 rnn DeepLearning

c 7 8 9 rcnn ReinforcementLearning

注意！

# 如果在进行　行扩充时候没有，指定ｉｎｄｅｘ的参数，索引会被数字取代

print df2.append({'col1':10,'col2':11,'col3':12,'col4':'frnn','col5':'DRL'},ignore_index=True)

col1 col2 col3 col4 col5

0 1 2 3 cnn MachineLearning

1 4 5 6 rnn DeepLearning

2 10 11 12 frnn DRL

# 以上的行扩充，并没有真正修改，df2这个DataFrame对象，除非

df2 = df2.append(pd.DataFrame({'col1':7,'col2':8,'col3':9,'col4':'rcnn','col5':'ReinforcementLearning'},index=['c']))

print df2

col1 col2 col3 col4 col5

a 1 2 3 cnn MachineLearning

b 4 5 6 rnn DeepLearning

c 7 8 9 rcnn ReinforcementLearning

print df2.loc['c']

col1 col2 col3 col4 col5

c 7 8 9 rcnn ReinforcementLearning

DataFrame对象的合并

# DataFrame 对象的合并

df_a = pd.DataFrame(['wang','jing','hui','is','a','master'],columns=['col6'],index=['a','b','c','d','e','f'])

print df_a

col6

a wang

b jing

c hui

d is

e a

f master

# 默认合并,只保留dfb中的全部索引

dfb = pd.DataFrame([1,2,4,5,6,7],columns=['col1'],index=['a','b','c','d','f','g'])

print dfb.join(df_a)

col1 col6

a 1 wang

b 2 jing

c 4 hui

d 5 is

f 6 master

g 7 NaN

# 默认合并之接受索引已经存在的值

# 通过指定参数 how，指定合并的方式

print dfb.join(df_a,how='inner') # 合并两个DataFrame对象的交集

col1 col6

a 1 wang

b 2 jing

c 4 hui

d 5 is

f 6 master

# 合并两个DataFrame对象的并集

print dfb.join(df_a,how='outer')

col1 col6

a 1.0 wang

b 2.0 jing

c 4.0 hui

d 5.0 is

e NaN a

f 6.0 master

g 7.0 NaN

安利一下，公众号：唐牛才是食神

[转载] Pandas：DataFrame对象的基础操作相关推荐

pandas.DataFrame的类SQL操作
前言 pandas的DataFrame是类似于一张表的结构,但是并没有像数据库表那样的SQL操作.虽然如此,它依然可以使用python语言的风格实现SQL中的所有操作. 文章较长,建议点击右侧目录定位 ...
[转载] pandas DataFrame apply()函数(1)
参考链接: Pandas DataFrame中的转换函数之前已经写过pandas DataFrame applymap()函数还有pandas数组(pandas Series)-(5)apply方 ...
[转载] pandas dataframe 提取行和列
参考链接: 在Pandas DataFrame中处理行和列 import pandas as pd data = pd.DataFrame({'a':[1,2,3],'b':[4,5,6],'c':[ ...
pandas dataframe多重索引常用操作
增加(创建) df1=pd.DataFrame(np.arange(12).reshape(4,3),index=[list("AABB"),[1,2,1,2]],columns= ...
使用python pandas dataframe学习数据分析
⚠️ Note - This post is a part of Learning data analysis with python series. If you haven't read the ...
Python读取dat文件数据并构成Dataframe对象
实际应用中,对数据进行处理时,到手的数据文件往往五花八门,data.txt.csv.json等等.Python为我们提供了强大的数据分析处理工具,如果文件符合某种格式要求,可以使用pandas模块中的 ...
pandas教程04---DataFrame的高级操作
文章目录欢迎关注公众号[Python开发实战], 获取更多内容! 工具-pandas Dataframe对象转置计算表达式 DataFrame查询 DataFrame排序绘制DataFrame ...
python将ElasticSearch索引数据读入pandas dataframe实战
python将ElasticSearch索引数据读入pandas dataframe实战 # 导入基础包和库 import pandas as pdpd.set_option('display.max ...
Python小练习2：pandas.Dataframe使用方法示例demo
pandas.Dataframe使用方法示例demo 本文通过一个实例来介绍pandas.Dataframe的各种常用操作,问题总结并修改自coursera上南京大学的课程:用Python玩转数据. ...

[转载] Pandas：DataFrame对象的基础操作

[转载] Pandas：DataFrame对象的基础操作相关推荐

最新文章

热门文章