pandas怎么用

這篇文章主要為大家展示了“pandas怎么用”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“pandas怎么用”這篇文章吧。

會按下面格式引入所需要的包：

undefined

一、創建對象

可以通過Data Structure Intro Setion 來查看有關該節內容的詳細信息。

1、可以通過傳遞一個list對象來創建一個Series，pandas會默認創建整型索引：

2、通過傳遞一個numpyarray，時間索引以及列標簽來創建一個DataFrame：

3、通過傳遞一個能夠被轉換成類似序列結構的字典對象來創建一個DataFrame：

4、查看不同列的數據類型：

5、如果你使用的是IPython，使用Tab自動補全功能會自動識別所有的屬性以及自定義的列，下圖中是所有能夠被自動識別的屬性的一個子集：

二、查看數據

詳情請參閱：Basics Section

1、 查看frame中頭部和尾部的行：

2、 顯示索引、列和底層的numpy數據：

3、 describe()函數對于數據的快速統計匯總：

4、 對數據的轉置：

5、 按軸進行排序

6、 按值進行排序

三、選擇

雖然標準的Python/Numpy的選擇和設置表達式都能夠直接派上用場，但是作為工程使用的代碼，我們推薦使用經過優化的pandas數據訪問方式： .at,.iat,.loc,.iloc和.ix詳情請參閱Indexingand Selecing Data 和 MultiIndex/ Advanced Indexing。

l 獲取

1、 選擇一個單獨的列，這將會返回一個Series，等同于df.A：

2、 通過[]進行選擇，這將會對行進行切片

l 通過標簽選擇

1、 使用標簽來獲取一個交叉的區域

2、 通過標簽來在多個軸上進行選擇

3、 標簽切片

4、 對于返回的對象進行維度縮減

5、 獲取一個標量

6、 快速訪問一個標量（與上一個方法等價）

l 通過位置選擇

1、 通過傳遞數值進行位置選擇（選擇的是行）

2、 通過數值進行切片，與numpy/python中的情況類似

3、 通過指定一個位置的列表，與numpy/python中的情況類似

4、 對行進行切片

5、 對列進行切片

6、 獲取特定的值

l 布爾索引

1、 使用一個單獨列的值來選擇數據：

2、 使用where操作來選擇數據：

3、 使用isin()方法來過濾：

l 設置

1、 設置一個新的列：

2、 通過標簽設置新的值：

3、 通過位置設置新的值：

4、 通過一個numpy數組設置一組新值：

上述操作結果如下：

5、 通過where操作來設置新的值：

四、缺失值處理

在pandas中，使用np.nan來代替缺失值，這些值將默認不會包含在計算中，詳情請參閱：Missing Data Section。

1、 reindex()方法可以對指定軸上的索引進行改變/增加/刪除操作，這將返回原始數據的一個拷貝：、

2、 去掉包含缺失值的行：

3、 對缺失值進行填充：

4、 對數據進行布爾填充：

五、相關操作

詳情請參與Basic Section On Binary Ops

l 統計（相關操作通常情況下不包括缺失值）

1、 執行描述性統計：

2、 在其他軸上進行相同的操作：

3、 對于擁有不同維度，需要對齊的對象進行操作。Pandas會自動的沿著指定的維度進行廣播：

l Apply

1、 對數據應用函數：

l 直方圖

具體請參照：Histogrammingand Discretization

l 字符串方法

Series對象在其str屬性中配備了一組字符串處理方法，可以很容易的應用到數組中的每個元素，如下段代碼所示。更多詳情請參考：Vectorized String Methods.

六、合并

Pandas提供了大量的方法能夠輕松的對Series，DataFrame和Panel對象進行各種符合各種邏輯關系的合并操作。具體請參閱：Mergingsection

l Concat

l Join 類似于SQL類型的合并，具體請參閱：Databasestyle joining

l Append 將一行連接到一個DataFrame上，具體請參閱Appending：

七、分組

對于”group by”操作，我們通常是指以下一個或多個操作步驟：

l （Splitting）按照一些規則將數據分為不同的組；

l （Applying）對于每組數據分別執行一個函數；

l （Combining）將結果組合到一個數據結構中；

詳情請參閱：Groupingsection

1、 分組并對每個分組執行sum函數：

2、 通過多個列進行分組形成一個層次索引，然后執行函數：

八、Reshaping

詳情請參閱HierarchicalIndexing和Reshaping。

l Stack

l 數據透視表，詳情請參閱：PivotTables.

可以從這個數據中輕松的生成數據透視表：

九、時間序列

Pandas在對頻率轉換進行重新采樣時擁有簡單、強大且高效的功能（如將按秒采樣的數據轉換為按5分鐘為單位進行采樣的數據）。這種操作在金融領域非常常見。具體參考：TimeSeries section。

1、 時區表示：

2、 時區轉換：

3、 時間跨度轉換：

4、 時期和時間戳之間的轉換使得可以使用一些方便的算術函數。

十、Categorical

從0.15版本開始，pandas可以在DataFrame中支持Categorical類型的數據，詳細介紹參看：categoricalintroduction和APIdocumentation。

1、 將原始的grade轉換為Categorical數據類型：

2、 將Categorical類型數據重命名為更有意義的名稱：

3、 對類別進行重新排序，增加缺失的類別：

4、 排序是按照Categorical的順序進行的而不是按照字典順序進行：

5、 對Categorical列進行排序時存在空的類別：

十一、畫圖

具體文檔參看：Plottingdocs

對于DataFrame來說，plot是一種將所有列及其標簽進行繪制的簡便方法：

十二、導入和保存數據

l CSV，參考：Writingto a csv file

1、 寫入csv文件：

2、 從csv文件中讀取：

l HDF5，參考：HDFStores

1、 寫入HDF5存儲：

2、 從HDF5存儲中讀取：

l Excel，參考：MSExcel

1、 寫入excel文件：

2、 從excel文件中讀取：

以上是“pandas怎么用”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！