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 c 7 8 9 rcnn ReinforcementLearning
print df2.loc['c']
col1 col2 col3 col4 col5 c 7 8 9 rcnn ReinforcementLearning 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
以上这篇Pandas:DataFrame对象的基础操作方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
华山资源网 Design By www.eoogi.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
华山资源网 Design By www.eoogi.com
暂无评论...
更新日志
2024年09月23日
2024年09月23日
- 华少翌.2005-华少翌【中唱艺能】【WAV+CUE】
- 群星《十二女声Ⅱ》[WAV/CUE/分轨][527MB]
- 大自然音乐系列《漫步在山裡》[WAV/CUE/分轨][502.8MB]
- 大自然音乐系列《星光夜语》[WAV/CUE/分轨][453.3MB]
- 史依弘《史依弘交响乐京剧演唱专辑HQ》头版限量编号[WAV+CUE]
- 曼丽2020《女人三十风继续吹》HQCD[WAV+CUE]
- 曼丽2021《女人三十2雾之恋》HQCD[WAV+CUE]
- 隔壁老樊.2019-我曾【好听音乐】【FLAC分轨】
- 高林生.1993-牵挂你的人是我【白天鹅】【WAV+CUE】
- 洪卓立.2012-找个懂我的女孩(国专)【英皇娱乐】【WAV+CUE】
- 曼丽2022《女人三十3晚秋》HQCD[WAV+CUE]
- 曼丽2018《女人三十4冬天》HQCD[WAV+CUE]
- 柏菲-《好歌30年壹》限量开盘母带ORMCD[低速原抓WAV+CUE]
- 大自然音乐系列《水舞》[WAV/CUE/分轨][424.3MB]
- 大自然音乐系列《星光夜语》[WAV/CUE/分轨][453.3MB]