一些子包是公共的，其中包括pandas.errors， pandas.plotting，和pandas.testing。文档中提到了公共函数 pandas.io和pandas.tseries子模块。pandas.api.types分包包含一些与pandas中的数据类型相关的公共函数

输入/输出

Pickling

read_pickle(path[, compression])：从文件加载pickled pandas对象（或任何对象）

平面文件

read_table(filepath_or_buffer[, sep, …])：将常规分隔文件读入DataFrame

read_csv(filepath_or_buffer[, sep, …])：将CSV（逗号分隔）文件读入DataFrame

read_fwf(filepath_or_buffer[, colspecs, widths])：将固定宽度格式化的行表读入DataFrame

read_msgpack(path_or_buf[, encoding, iterator])：从指定的文件路径加载msgpack pandas对象

剪贴板

read_clipboard([sep])：从剪贴板中读取文本并传递给read_table.

Excel

read_excel(io[, sheet_name, header, names, …])：将Excel表读入pandas DataFrame

ExcelFile.parse([sheet_name, header, names, …])：将指定的工作表解析为DataFrame

JSON

read_json([path_or_buf, orient, typ, dtype, …])：将JSON字符串转换为pandas对象

json_normalize(data[, record_path, meta, …])：将“半结构化JSON数据”“规范化”为平面表

build_table_schema(data[, index, …])：从中创建表模式data

HTML

read_html(io[, match, flavor, header, …])：阅读HTML表格到list的DataFrame对象

HDFStore: PyTables (HDF5)

read_hdf(path_or_buf[, key, mode])：从商店读取，如果我们打开它关闭它.

HDFStore.put(key, value[, format, append])：将对象存储在HDFStore中

HDFStore.append(key, value[, format, …])：附加到文件中的表.

HDFStore.get(key)：检索存储在文件中的pandas对象

HDFStore.select(key[, where, start, stop, …])：检索存储在文件中的pandas对象，可选择基于where条件

HDFStore.info()：打印商店的详细信息

HDFStore.keys()：返回与HDFStore中存储的对象相对应的键（可能无序）列表。

Feather

read_feather(path[, nthreads])：从文件路径加载羽毛格式对象

Parquet

read_parquet(path[, engine, columns])：从文件路径加载镶木地板对象，返回DataFrame.

SAS

read_sas(filepath_or_buffer[, format, …])：读取存储为XPORT或SAS7BDAT格式文件的SAS文件

SQL

read_sql_table(table_name, con[, schema, …])：将SQL数据库表读入DataFrame.

read_sql_query(sql, con[, index_col, …])：将SQL查询读入DataFrame.

read_sql(sql, con[, index_col, …])：将SQL查询或数据库表读入DataFrame.

Google BigQuery

read_gbq(query[, project_id, index_col, …])：从Google BigQuery加载数据.

STATA

read_stata(filepath_or_buffer[, …])：将Stata文件读入DataFrame.

StataReader.data_label()：返回Stata文件的数据标签

StataReader.value_labels()：返回一个dict，将每个变量名称与一个dict相关联，将每个值与其对

StataReader.variable_labels()：将变量标签作为dict返回，将每个变量名称与相应的标签相关联

一般功能

数据处理

melt(frame[, id_vars, value_vars, var_name, …])：“Unpivots”DataFrame从宽格式到长格式，可选择设置标识符变量。

pivot(index, columns, values)：根据此DataFrame的3列生成“pivot”表。

pivot_table(data[, values, index, columns, …])：创建一个电子表格样式的数据透视表作为DataFrame。

crosstab(index, columns[, values, rownames, …])：计算两个（或更多）因子的简单交叉列表。

cut(x, bins[, right, labels, retbins, …])：Bin值为离散间隔。

qcut(x, q[, labels, retbins, precision, …])：基于分位数的离散化功能。

merge(left, right[, how, on, left_on, …])：通过按列或索引执行数据库样式的连接操作来合并DataFrame对象。

merge_ordered(left, right[, on, left_on, …])：使用为时序数据等有序数据设计的可选填充/插值执行合并。

merge_asof(left, right[, on, left_on, …])：执行asof合并。

concat(objs[, axis, join, join_axes, …])：沿特定轴连接pandas对象，沿其他轴使用可选的设置逻辑。

get_dummies(data[, prefix, prefix_sep, …])：将分类变量转换为虚拟/指示变量

factorize(values[, sort, order, …])：将对象编码为枚举类型或分类变量。

unique(values)：哈希表基于唯一。

wide_to_long(df, stubnames, i, j[, sep, suffix])：宽面板到长格式。

顶级缺失数据

isna(obj)：检测类似数组的对象的缺失值。

isnull(obj)：检测类似数组的对象的缺失值。

notna(obj)：检测类似数组的对象的非缺失值。

notnull(obj)：检测类似数组的对象的非缺失值。

顶级转换

to_numeric(arg[, errors, downcast])：将参数转换为数字类型.

顶级处理时间

to_datetime(arg[, errors, dayfirst, …])：将参数转换为datetime。

to_timedelta(arg[, unit, box, errors])：将参数转换为timedelta

date_range([start, end, periods, freq, tz, …])：返回固定频率DatetimeIndex。

bdate_range([start, end, periods, freq, tz, …])：返回固定频率DatetimeIndex，以工作日作为默认频率

period_range([start, end, periods, freq, name])：返回固定频率PeriodIndex，以日（日历）作为默认频率

timedelta_range([start, end, periods, freq, …])：返回固定频率TimedeltaIndex，以day作为默认频率

infer_freq(index[, warn])：根据输入索引推断最可能的频率。

顶级处理间隔

interval_range([start, end, periods, freq, …])：返回固定频率IntervalIndex

顶级评估

eval(expr[, parser, engine, truediv, …])：使用各种后端将Python表达式评估为字符串

Series

构造函数

Series([data, index, dtype, name, copy, …])：带轴标签的一维ndarray（包括时间序列）.

属性

Axes

Series.index：系列的索引（轴标签）

Series.values：返回系列为ndarray或ndarray-like取决于dtype

Series.dtype：返回基础数据的dtype对象

Series.ftype：如果数据稀疏则返回

Series.shape：返回基础数据形状的元组

Series.nbytes：返回基础数据中的字节数

Series.ndim：根据定义1，返回基础数据的维数

Series.size：返回基础数据中的元素数量

Series.strides：返回基础数据的步幅

Series.itemsize：返回基础数据项的dtype的大小

Series.base：如果共享基础数据的内存，则返回基础对象

Series.T：返回转置，根据定义自我

Series.memory_usage([index, deep])：返回Series的内存使用情况。

Series.hasnans：如果我有任何nans，我会回来; 实现各种性能加速

Series.flags：

Series.empty：

Series.dtypes：返回基础数据的dtype对象

Series.ftypes：如果数据稀疏则返回

Series.data：返回基础数据的数据指针

Series.is_copy：

Series.name：

Series.put(*args, **kwargs)：将put方法应用于其values属性（如果有）

转换

Series.astype(dtype[, copy, errors])：将pandas对象转换为指定的dtypedtype。

Series.infer_objects()：尝试推断对象列的更好的dtypes。

Series.convert_objects([convert_dates, …])：（DEPRECATED）尝试推断对象列的更好dtype。

Series.copy([deep])：复制此对象的索引和数据。

Series.bool()：返回单个元素PandasObject的bool。

Series.to_period([freq, copy])：将Series从DatetimeIndex转换为具有所需频率的PeriodIndex（如果未传递，则从索引推断）

Series.to_timestamp([freq, how, copy])：在期间开始时转换为时间戳的datetimedex

Series.tolist()：返回值列表。

Series.get_values()：与值相同（但处理稀疏转换）; 是一种观点

索引, 迭代

Series.get(key[, default])：从给定键的对象获取项目（DataFrame列，Panel切片等）。

Series.at：访问行/列标签对的单个值。

Series.iat：按整数位置访问行/列对的单个值。

Series.loc：通过标签或布尔数组访问一组行和列。

Series.iloc：纯粹基于整数位置的索引，用于按位置选择。

Series.__iter__()：返回值的迭代器。

Series.iteritems()：懒惰地迭代（索引，值）元组

Series.items()：懒惰地迭代（索引，值）元组

Series.keys()：索引的别名

Series.pop(item)：返回项目并从框架中删除。

Series.item()：将基础数据的第一个元素作为python标量返回

Series.xs(key[, axis, level, drop_level])：返回Series / DataFrame的横截面（行或列）。

For more information on .at, .iat, .loc, and .iloc, see the indexing documentation

二元运算符函数

Series.add(other[, level, fill_value, axis])：添加系列和其他元素（二元运算符添加）。

Series.sub(other[, level, fill_value, axis])：减去序列和其他元素（二元运算符子）。

Series.mul(other[, level, fill_value, axis])：系列和其他的乘法，元素（二元运算符mul）。

Series.div(other[, level, fill_value, axis])：系列和其他的浮动划分，元素方式（二元算子truediv）。

Series.truediv(other[, level, fill_value, axis])：系列和其他的浮动划分，元素方式（二元算子truediv）。

Series.floordiv(other[, level, fill_value, axis])：系列和其他的整数除法，元素方式（二元运算符floordiv）。

Series.mod(other[, level, fill_value, axis])：系列和其他的模数，元素方式（二元运算符mod）。

Series.pow(other[, level, fill_value, axis])：系列和其他元素的指数幂（二元运算符pow）。

Series.radd(other[, level, fill_value, axis])：添加系列和其他元素（二元运算符radd）。

Series.rsub(other[, level, fill_value, axis])：减去序列和其他元素（二元运算符rsub）。

Series.rmul(other[, level, fill_value, axis])：系列和其他的乘法，元素（二元运算符rmul）。

Series.rdiv(other[, level, fill_value, axis])：系列和其他的浮动划分，元素方式（二元算子rtruediv）。

Series.rtruediv(other[, level, fill_value, axis])：系列和其他的浮动划分，元素方式（二元算子rtruediv）。

Series.rfloordiv(other[, level, fill_value, …])：系列和其他的整数除法，元素方式（二元运算符rfloordiv）。

Series.rmod(other[, level, fill_value, axis])：系列和其他的模数，元素方式（二元运算符rmod）。

Series.rpow(other[, level, fill_value, axis])：系列和其他元素的指数幂（二元运算符rpow）。

Series.combine(other, func[, fill_value])：当一个系列或另一个系列中缺少索引时，使用给定函数对两个系列执行元素二进制运算，并带有可选填充值

Series.combine_first(other)：组合系列值，首先选择调用Series的值。

Series.round([decimals])：将系列中的每个值舍入到给定的小数位数。

Series.lt(other[, level, fill_value, axis])：少于系列和其他元素（二元运算符lt）。

Series.gt(other[, level, fill_value, axis])：大于系列和其他元素（二元运算符gt）。

Series.le(other[, level, fill_value, axis])：小于或等于系列等，逐元素（二元运算乐）。

Series.ge(other[, level, fill_value, axis])：大于或等于系列和其他元素（二元运算符ge）。

Series.ne(other[, level, fill_value, axis])：不等于系列和其他元素（二元运算符ne）。

Series.eq(other[, level, fill_value, axis])：等于系列和其他元素（二元运算符eq）。

Series.product([axis, skipna, level, …])：返回请求轴的值的乘积

Series.dot(other)：矩阵乘法与DataFrame或内部产品与Series对象。

Function application, GroupBy & Window

Series.apply(func[, convert_dtype, args])：调用Series的值的函数。

Series.agg(func[, axis])：使用指定轴上的一个或多个操作进行聚合。

Series.aggregate(func[, axis])：使用指定轴上的一个或多个操作进行聚合。

Series.transform(func, *args, **kwargs)：调用函数生成类似索引的NDFrame并返回带有转换值的NDFrame

Series.map(arg[, na_action])：使用输入对应（字典，系列或函数）映射Series的值。

Series.groupby([by, axis, level, as_index, …])：使用mapper（dict或key函数，将给定函数应用于组，将结果作为系列返回）或通过一系列列的组系列。

Series.rolling(window[, min_periods, …])：提供滚动窗口计算。

Series.expanding([min_periods, center, axis])：提供扩展转换。

Series.ewm([com, span, halflife, alpha, …])：提供指数加权函数

Series.pipe(func, *args, **kwargs)：应用func（self，* args，** kwargs）

计算/ 描述性统计

Series.abs()：返回具有每个元素的绝对数值的Series / DataFrame。

Series.all([axis, bool_only, skipna, level])：返回是否所有元素都是True，可能是在轴上。

Series.any([axis, bool_only, skipna, level])：返回任何元素在请求的轴上是否为True。

Series.autocorr([lag])：Lag-N自相关

Series.between(left, right[, inclusive])：返回boolean Series等效于left <= series <= right。

Series.clip([lower, upper, axis, inplace])：在输入阈值处修剪值。

Series.clip_lower(threshold[, axis, inplace])：返回值低于阈值截断的输入的副本。

Series.clip_upper(threshold[, axis, inplace])：输入的返回副本，其值超过给定值（截断）。

Series.corr(other[, method, min_periods])：计算与其他系列的相关性，不包括缺失值

Series.count([level])：返回系列中非NA / null观测值的返回数

Series.cov(other[, min_periods])：计算与Series的协方差，不包括缺失值

Series.cummax([axis, skipna])：返回DataFrame或Series轴上的累积最大值。

Series.cummin([axis, skipna])：返回DataFrame或Series轴上的累积最小值。

Series.cumprod([axis, skipna])：通过DataFrame或Series轴返回累积产品。

Series.cumsum([axis, skipna])：返回DataFrame或Series轴上的累积和。

Series.describe([percentiles, include, exclude])：生成描述性统计数据，总结数据集分布的集中趋势，分散和形状，不包括NaN值。

Series.diff([periods])：第一个离散的元素差异。

Series.factorize([sort, na_sentinel])：将对象编码为枚举类型或分类变量。

Series.kurt([axis, skipna, level, numeric_only])：使用Fisher对峰度的定义（正常峰度== 0.0），在请求轴上返回无偏峰度。

Series.mad([axis, skipna, level])：返回请求轴的值的平均绝对偏差

Series.max([axis, skipna, level, numeric_only])：此方法返回对象中的最大值。

Series.mean([axis, skipna, level, numeric_only])：返回请求轴的值的平均值

Series.median([axis, skipna, level, …])：返回请求轴的值的中值

Series.min([axis, skipna, level, numeric_only])：此方法返回对象中的最小值。

Series.mode()：返回数据集的模式。

Series.nlargest([n, keep])：返回最大的n个元素。

Series.nsmallest([n, keep])：返回最小的n个元素。

Series.pct_change([periods, fill_method, …])：当前元素和先前元素之间的百分比变化。

Series.prod([axis, skipna, level, …])：返回请求轴的值的乘积

Series.quantile([q, interpolation])：给定分位数处的返回值，即la numpy.percentile。

Series.rank([axis, method, numeric_only, …])：沿轴计算数值数据等级（1到n）。

Series.sem([axis, skipna, level, ddof, …])：在请求的轴上返回均值的无偏标准误差。

Series.skew([axis, skipna, level, numeric_only])：返回请求轴的无偏偏差，由N-1归一化

Series.std([axis, skipna, level, ddof, …])：返回请求轴上的样本标准偏差。

Series.sum([axis, skipna, level, …])：返回请求轴的值的总和

Series.var([axis, skipna, level, ddof, …])：在请求的轴上返回无偏差异。

Series.kurtosis([axis, skipna, level, …])：使用Fisher对峰度的定义（正常峰度== 0.0），在请求轴上返回无偏峰度。

Series.unique()：返回Series对象的唯一值。

Series.nunique([dropna])：返回对象中唯一元素的数量。

Series.is_unique：如果对象中的值是唯一的，则返回布尔值

Series.is_monotonic：如果对象中的值是monotonic_increasing，则返回布尔值

Series.is_monotonic_increasing：如果对象中的值是monotonic_increasing，则返回布尔值

Series.is_monotonic_decreasing：如果对象中的值是monotonic_decreasing，则返回布尔值

Series.value_counts([normalize, sort, …])：返回包含唯一值计数的对象。

Series.compound([axis, skipna, level])：返回请求轴的值的复合百分比

Series.nonzero()：返回非零元素的整数索引

Series.ptp([axis, skipna, level, numeric_only])：返回最大值和之间的差值

重新索引/ 选择/ 标签操作

Series.align(other[, join, axis, level, …])：使用指定的每个轴索引的连接方法将轴上的两个对象对齐

Series.drop([labels, axis, index, columns, …])：返回已删除指定索引标签的系列。

Series.drop_duplicates([keep, inplace])：返回系列，删除重复值。

Series.duplicated([keep])：指示重复的系列值。

Series.equals(other)：确定两个NDFrame对象是否包含相同的元素。

Series.first(offset)：用于基于日期偏移量化时间序列数据的初始时段的便捷方法。

Series.head([n])：返回前n行。

Series.idxmax([axis, skipna])：返回最大值的行标签。

Series.idxmin([axis, skipna])：返回最小值的行标签。

Series.isin(values)：检查系列中是否包含值。

Series.last(offset)：用于基于日期偏移量化时间序列数据的最终时段的便捷方法。

Series.reindex([index])：使用可选填充逻辑将系列符合到新索引，将NA / NaN放置在先前索引中没有值的位置。

Series.reindex_like(other[, method, copy, …])：将具有匹配索引的对象返回给我自己。

Series.rename([index])：更改系列索引标签或名称

Series.rename_axis(mapper[, axis, copy, inplace])：更改索引或列的名称。

Series.reset_index([level, drop, name, inplace])：使用索引重置生成新的DataFrame或Series。

Series.sample([n, frac, replace, weights, …])：从对象轴返回随机的项目样本。

Series.select(crit[, axis])：（DEPRECATED）返回与轴标签匹配条件对应的数据

Series.set_axis(labels[, axis, inplace])：将所需索引分配给给定轴。

Series.take(indices[, axis, convert, is_copy])：沿轴返回给定位置索引中的元素。

Series.tail([n])：返回最后n行。

Series.truncate([before, after, axis, copy])：在某个索引值之前和之后截断Series或DataFrame。

Series.where(cond[, other, inplace, axis, …])：返回与self相同形状的对象，其对应的条目来自self，其中cond为True，否则来自其他。

Series.mask(cond[, other, inplace, axis, …])：返回与self相同形状的对象，其对应的条目来自self，其中cond为False，否则来自other。

Series.add_prefix(prefix)：带有字符串前缀的前缀标签。

Series.add_suffix(suffix)：带有字符串后缀的后缀标签。

Series.filter([items, like, regex, axis])：根据指定索引中的标签设置数据框的行或列。

缺少数据处理

Series.isna()：检测缺失值。

Series.notna()：检测现有（非缺失）值。

Series.dropna([axis, inplace])：返回删除了缺失值的新系列。

Series.fillna([value, method, axis, …])：使用指定的方法填充NA / NaN值

Series.interpolate([method, axis, limit, …])：根据不同的方法插值。

重塑, 排序

Series.argsort([axis, kind, order])：覆盖ndarray.argsort。

Series.reorder_levels(order)：使用输入顺序重新排列索引级别。

Series.sort_values([axis, ascending, …])：按值排序。

Series.sort_index([axis, level, ascending, …])：按索引标签排序系列。

Series.swaplevel([i, j, copy])：在MultiIndex中交换i和j级别

Series.unstack([level, fill_value])：

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/我家小花儿/article/detail/193621