devbox
知新_RL
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

pandas入门与数据准备与简单筛选统计_typeerror: ndframe.describe()

作者：知新_RL | 2024-03-13 19:25:04

赞

踩

typeerror: ndframe.describe()

pandas主要数据结构：

  • DataFrame 一个关系数据表格，包含多个行和已命名的列
  • Series 单一列，DataFrame中包含一个或多个Series，每个series均有一个名称。

下面示例展示了如何创建Series及DataFrame

  1. import pandas as pd
  2. print(pd.__version__)
  3. #创建Series对象
  4. city_name = pd.Series(['Sanfrancisco', 'Sanjose', 'Sacramento'])
  5. city_population = pd.Series([852469, 1015785, 485199])
  6. city = pd.DataFrame({'city name' : city_name, 'population' : city_population})
  7. #将映射string列名称的dict传递给各自的Series，从而创建DataFrame
  8. #如果Series在长度上不一致，系统则会用特殊的NA/NaN值填充缺失的值
  9. print(city)
  10. print(city['city name'][1])
  11. #根据常用的dict/list指令访问DataFrame数据
  12. print(city[0:2])
  13. #切片
  14. c = city_population / 1000
  15. print(c)
  16. #应用基本指令运算
  17. city = city.reindex([2,0,1])
  18. print(city)
  19. #以手动重新排列各行的顺序
  20. city.apply(lamba val: val>10000)
  21. 调用apply函数，该函数是pandas里自由度最高的函数，其参数类似于c++的函数指针，需自己实现，遍历整个dataframe，并将所有结果组合起来返回

输出结果

  1. 0.24.2
  2.       city name  population
  3. 0  Sanfrancisco      852469
  4. 1       Sanjose     1015785
  5. 2    Sacramento      485199

读取整个csv文件，并将其加载到DataFrame中

  1. import pandas as pd
  2.  
  3. california_housing_dataframe = pd.read_csv("https://download.mlcc.google.cn/mledu-datasets/california_housing_train.csv", sep=",")
  4. print(california_housing_dataframe.describe())
  5. #显示一些统计信息
  6. print(california_housing_dataframe.head())
  7. #显示该DataFrame的前几个记录
  8. california_housing_dataframe.hist('housing_median_age')
  9. #画出某一列中的值的分布直方图

读取csv文件

  1. import pandas as pd
  2. new = pd.read_csv('city.csv')//csv文件名称
  3. print(new)

利用web api进行获取数据

  1. import requests
  2. import json
  3. import pandas as pd
  4. import numpy as np
  5. url = 'https://api.seniverse.com/v3/weather/now.json?key=kutzoofe5f2h1w
  6. yc&location=zibo&language=zh-Hans&unit=c'
  7. r = requests.get(url)
  8. print(r.text)#返回为json格式，需对其进行处理

数据准备

（预处理）过程中常常需要进行数据的处理，例如数据清洗包括缺失值和异常值处理，数据变换如规范化数据，数据规约如属性规约（选择部分有代表性的属性）等，在Python有很多进行数据预处理的快速方法，以数据清洗中的缺失值处理为例，在实际过程中常常会发现有的数据是缺失（NaN）的，这些值是需要特别处理的。缺失值的判断可利用numpy中的isnan()函数，而对于Series或DataFrame，缺失值的判断和处理非常的方便，例如df.dropna()可以删掉含NaN(NA)的行，df.dropna(how='all')只丢弃全为NaN的那些行，也可以进行值的插补，例如用0、均值、中位数或众数等进行填充插补，也可用插值法即基于已知点建立插值函数f(x)，通过xi求得f(xi)来近似替代，常用方法有拉格朗日插值法和牛顿插值法NaN。以常用的简单填充为例，可用df.fillna(某一个值)方式用某一个值如0或平均值等代替NaN（例如df.fillna(0)表示用0代替NaN），也可用其method参数指定缺失值的填充方向，例如：

  1. >>> fruit_df = pd.Series(['apple', 'orange', 'pear'], index=[0, 2, 5])
  2. >>> fruit_df = fruit_df.reindex(range(7))
  3. >>> fruit_df
  4. 0     apple
  5. 1       NaN
  6. 2    orange
  7. 3       NaN
  8. 4       NaN
  9. 5      pear
  10. 6       NaN
  11. dtype: object
  12. # inplace参数设为True表示直接修改原对象fruit_df，否则将填充后的结果返回，原对象不变
  13. >>> fruit_df.fillna(method='ffill', inplace = True) 
  14. >>> print(fruit_df)
  15. 0     apple
  16. 1     apple
  17. 2    orange
  18. 3    orange
  19. 4    orange
  20. 5      pear
  21. 6      pear
  22. dtype: object
  23.

ffill表示用前一个非缺失值代替NaN填充，而bfill表示用下一个非缺失数据代替NaN填充，要根据数据的特点选择不同的填充方式，如果选择错误结果可能会不能正确填充，请选择如下填充方式的结果。

  1. >>> import pandas as pd
  2. >>> fruit_df = pd.Series(['apple', 'orange', 'pear'], index=[0, 2, 5])
  3. >>> fruit_df = fruit_df.reindex(range(7))
  4. >>> fruit_df.fillna(method='bfill', inplace = True)
  5. >>> print(fruit_df)
  6. 0     apple
  7. 1    orange
  8. 2    orange
  9. 3      pear
  10. 4      pear
  11. 5      pear
  12. 6       NaN
  13. dtype: object

时间戳timestamp

  1. >>> from datetime import date
  2. >>> firstday = date.fromtimestamp(1464010200)
  3. >>> lastday = date.fromtimestamp(1495200600)#转换为正常日期
  4. >>> firstday
  5. datetime.date(2016, 5, 23)
  6. >>> lastday
  7. datetime.date(2017, 5, 19)
  8. >>> x = date.strftime(firstday,'%Y-%m-%d')#转为固定格式
  9. >>> x
  10. '2016-05-23'
  11. >>> import time
  12. >>> temp=time.strptime('2015-05-31',"%Y-%m-%d")#格式化为time对象
  13. >>> temp
  14. time.struct_time(tm_year=2015, tm_mon=5, tm_mday=31, tm_hour=0, tm_min=0, tm_sec=0, tm_wday=6, tm_yday=151, tm_isdst=-1)
  15. >>> type(temp)
  16. <class 'time.struct_time'>

创建时间序列

  1. >>> import pandas as pd
  2. >>> data = pd.date_range('20190228',periods=2)#periods代表生成长度为多少的序列
  3. >>> data
  4. DatetimeIndex(['2019-02-28', '2019-03-01'], dtype='datetime64[ns]', freq='D')

DataFrame的数据显示

  1. >>> import pandas as pd
  2. >>> data = pd.read_csv('city.csv')
  3. >>> data
  4.     Code      国家和地区名                            国家和地区名（英文） 国家和地区名（繁体）   大洲
  5. 0     AD         安道尔                               Andorra        安道爾   欧洲
  6. 1     AE         阿联酋                  United Arab Emirates         阿聯   亚洲
  7. 2     AF         阿富汗                           Afghanistan        阿富汗   亚洲
  8. 3     AG     安提瓜和巴布达                   Antigua and Barbuda    安地卡及巴布達  北美洲
  9. 4     AI         安圭拉                              Anguilla      英屬安圭拉  北美洲
  10. 5     AL       阿尔巴尼亚                               Albania      阿爾巴尼亞   欧洲
  11. 6     AM        亚美尼亚                               Armenia       亞美尼亞   亚洲
  12. 7     AO         安哥拉                                Angola        安哥拉   非洲
  13. 8     AQ         南极洲                            Antarctica        南極洲  南极洲
  14. 9     AR         阿根廷                             Argentina        阿根廷  南美洲
  15. 10    AS       美属萨摩亚                        American Samoa      美屬薩摩亞  大洋洲
  16. 11    AT         奥地利                               Austria        奧地利   欧洲
  17. 12    AU        澳大利亚                             Australia         澳洲  大洋洲
  18. 13    AW         阿鲁巴                                 Aruba        阿魯巴  北美洲
  19. 14    AX        奥兰群岛                        Åaland Islands       奧蘭群島   欧洲
  20. 15    AZ        阿塞拜疆                            Azerbaijan       亞塞拜然   亚洲
  21. 16    BA          波黑                Bosnia and Herzegovina         波赫   欧洲
  22. 17    BB        巴巴多斯                              Barbados        巴貝多  北美洲
  23. 18    BD        孟加拉国                            Bangladesh        孟加拉   亚洲
  24. 19    BE         比利时                               Belgium        比利時   欧洲
  25. 20    BF       布基纳法索                          Burkina Faso      布吉納法索   非洲
  26. 21    BG        保加利亚                              Bulgaria       保加利亞   欧洲
  27. 22    BH          巴林                               Bahrain         巴林   亚洲
  28. 23    BI         布隆迪                               Burundi        蒲隆地   非洲
  29. 24    BJ          贝宁                                 Benin         貝南   非洲
  30. 25    BL      圣巴泰勒米岛                      Saint Barthélemy       聖巴瑟米  北美洲
  31. 26    BM         百慕大                               Bermuda        百慕達  北美洲
  32. 27    BN          文莱                     Brunei Darussalam         汶萊   亚洲
  33. 28    BO        玻利维亚                Bolivia, Plurinational       玻利維亞  南美洲
  34. 29    BQ      荷兰加勒比区      Bonaire, Sint Eustatius and Saba     荷蘭加勒比區  北美洲
  35. ..   ...         ...                                   ...        ...  ...
  36. 221   TL         东帝汶                           Timor-Leste        東帝汶  大洋洲
  37. 222   TM       土库曼斯坦                          Turkmenistan        土庫曼   亚洲
  38. 223   TN         突尼斯                               Tunisia       突尼西亞   非洲
  39. 224   TO          汤加                                 Tonga         東加  大洋洲
  40. 225   TR         土耳其                                Turkey        土耳其   亚洲
  41. 226   TT    特立尼达和多巴哥                   Trinidad and Tobago   特立尼達和多巴哥  北美洲
  42. 227   TV         图瓦卢                                Tuvalu        吐瓦魯  大洋洲
  43. 228   TW        中国台湾             Taiwan, Province of China       中國台灣   亚洲
  44. 229   TZ        坦桑尼亚          Tanzania, United Republic of       坦尚尼亞   非洲
  45. 230   UA         乌克兰                               Ukraine        烏克蘭   欧洲
  46. 231   UG         乌干达                                Uganda        烏干達   非洲
  47. 232   UM    美国本土���小岛屿  United States Minor Outlying Islands     美國邊疆小島  大洋洲
  48. 233   US          美国                         United States         美國  北美洲
  49. 234   UY         乌拉圭                               Uruguay        烏拉圭  南美洲
  50. 235   UZ      乌兹别克斯坦                            Uzbekistan       烏茲別克   亚洲
  51. 236   VA         梵蒂冈         Holy See (Vatican City State)        梵蒂岡   欧洲
  52. 237   VC  圣文森特和格林纳丁斯      Saint Vincent and the Grenadines   聖文森及格瑞那丁  北美洲
  53. 238   VE        委内瑞拉     Venezuela, Bolivarian Republic of       委內瑞拉  南美洲
  54. 239   VG     英属维尔京群岛                  Virgin Islands, U.S.    英屬維爾京群島  北美洲
  55. 240   VI     美属维尔京群岛          United States Virgin Islands    美屬維爾京群島  北美洲
  56. 241   VN          越南                               Vietnam         越南   亚洲
  57. 242   VU        瓦努阿图                               Vanuatu        萬那杜  大洋洲
  58. 243   WF     瓦利斯和富图纳                     Wallis and Futuna   沃里斯與伏塔那島  大洋洲
  59. 244   WS         萨摩亚                                 Samoa        薩摩亞  大洋洲
  60. 245   XK         科索沃                                Kosovo        科索沃   欧洲
  61. 246   YE          也门                                 Yemen         葉門   亚洲
  62. 247   YT         马约特                               Mayotte        美亞特   非洲
  63. 248   ZA          南非                          South Africa         南非   非洲
  64. 249   ZM         赞比亚                                Zambia        尚比亞   非洲
  65. 250   ZW        津巴布韦                              Zimbabwe        辛巴威   非洲
  66.  
  67. [251 rows x 5 columns]
  68. >>> data.index
  69. RangeIndex(start=0, stop=251, step=1)
  70. >>> list(data.index)
  71. [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142, 143, 144, 145, 146, 147, 148, 149, 150, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, 170, 171, 172, 173, 174, 175, 176, 177, 178, 179, 180, 181, 182, 183, 184, 185, 186, 187, 188, 189, 190, 191, 192, 193, 194, 195, 196, 197, 198, 199, 200, 201, 202, 203, 204, 205, 206, 207, 208, 209, 210, 211, 212, 213, 214, 215, 216, 217, 218, 219, 220, 221, 222, 223, 224, 225, 226, 227, 228, 229, 230, 231, 232, 233, 234, 235, 236, 237, 238, 239, 240, 241, 242, 243, 244, 245, 246, 247, 248, 249, 250]
  72. >>> list(data.columns)
  73. ['Code', '国家和地区名', '国家和地区名（英文）', '国家和地区名（繁体）', '大洲']
  74. >>> data.values
  75. array([['AD', '安道尔', 'Andorra', '安道爾', '欧洲'],
  76.        ['AE', '阿联酋', 'United Arab Emirates', '阿聯', '亚洲'],
  77.        ['AF', '阿富汗', 'Afghanistan', '阿富汗', '亚洲'],
  78.        ...,
  79.        ['ZA', '南非', 'South Africa', '南非', '非洲'],
  80.        ['ZM', '赞比亚', 'Zambia', '尚比亞', '非洲'],
  81.        ['ZW', '津巴布韦', 'Zimbabwe', '辛巴威', '非洲']], dtype=object)
  82. >>> data.describe
  83. <bound method NDFrame.describe of     Code      国家和地区名                            国家和地区名（英文） 国家和地区名（繁体）   大洲
  84. 0     AD         安道尔                               Andorra        安道爾   欧洲
  85. 1     AE         阿联酋                  United Arab Emirates         阿聯   亚洲
  86. 2     AF         阿富汗                           Afghanistan        阿富汗   亚洲
  87. 3     AG     安提瓜和巴布达                   Antigua and Barbuda    安地卡及巴布達  北美洲
  88. 4     AI         安圭拉                              Anguilla      英屬安圭拉  北美洲
  89. 5     AL       阿尔巴尼亚                               Albania      阿爾巴尼亞   欧洲
  90. 6     AM        亚美尼亚                               Armenia       亞美尼亞   亚洲
  91. 7     AO         安哥拉                                Angola        安哥拉   非洲
  92. 8     AQ         南极洲                            Antarctica        南極洲  南极洲
  93. 9     AR         阿根廷                             Argentina        阿根廷  南美洲
  94. 10    AS       美属萨摩亚                        American Samoa      美屬薩摩亞  大洋洲
  95. 11    AT         奥地利                               Austria        奧地利   欧洲
  96. 12    AU        澳大利亚                             Australia         澳洲  大洋洲
  97. 13    AW         阿鲁巴                                 Aruba        阿魯巴  北美洲
  98. 14    AX        奥兰群岛                        Åaland Islands       奧蘭群島   欧洲
  99. 15    AZ        阿塞拜疆                            Azerbaijan       亞塞拜然   亚洲
  100. 16    BA          波黑                Bosnia and Herzegovina         波赫   欧洲
  101. 17    BB        巴巴多斯                              Barbados        巴貝多  北美洲
  102. 18    BD        孟加拉国                            Bangladesh        孟加拉   亚洲
  103. 19    BE         比利时                               Belgium        比利時   欧洲
  104. 20    BF       布基纳法索                          Burkina Faso      布吉納法索   非洲
  105. 21    BG        保加利亚                              Bulgaria       保加利亞   欧洲
  106. 22    BH          巴林                               Bahrain         巴林   亚洲
  107. 23    BI         布隆迪                               Burundi        蒲隆地   非洲
  108. 24    BJ          贝宁                                 Benin         貝南   非洲
  109. 25    BL      圣巴泰勒米岛                      Saint Barthélemy       聖巴瑟米  北美洲
  110. 26    BM         百慕大                               Bermuda        百慕達  北美洲
  111. 27    BN          文莱                     Brunei Darussalam         汶萊   亚洲
  112. 28    BO        玻利维亚                Bolivia, Plurinational       玻利維亞  南美洲
  113. 29    BQ      荷兰加勒比区      Bonaire, Sint Eustatius and Saba     荷蘭加勒比區  北美洲
  114. ..   ...         ...                                   ...        ...  ...
  115. 221   TL         东帝汶                           Timor-Leste        東帝汶  大洋洲
  116. 222   TM       土库曼斯坦                          Turkmenistan        土庫曼   亚洲
  117. 223   TN         突尼斯                               Tunisia       突尼西亞   非洲
  118. 224   TO          汤加                                 Tonga         東加  大洋洲
  119. 225   TR         土耳其                                Turkey        土耳其   亚洲
  120. 226   TT    特立尼达和多巴哥                   Trinidad and Tobago   特立尼達和多巴哥  北美洲
  121. 227   TV         图瓦卢                                Tuvalu        吐瓦魯  大洋洲
  122. 228   TW        中国台湾             Taiwan, Province of China       中國台灣   亚洲
  123. 229   TZ        坦桑尼亚          Tanzania, United Republic of       坦尚尼亞   非洲
  124. 230   UA         乌克兰                               Ukraine        烏克蘭   欧洲
  125. 231   UG         乌干达                                Uganda        烏干達   非洲
  126. 232   UM    美国本土外小岛屿  United States Minor Outlying Islands     美國邊疆小島  大洋洲
  127. 233   US          美国                         United States         美國  北美洲
  128. 234   UY         乌拉圭                               Uruguay        烏拉圭  南美洲
  129. 235   UZ      乌兹别克斯坦                            Uzbekistan       烏茲別克   亚洲
  130. 236   VA         梵蒂冈         Holy See (Vatican City State)        梵蒂岡   欧洲
  131. 237   VC  圣文森特和格林纳丁斯      Saint Vincent and the Grenadines   聖文森及格瑞那丁  北美洲
  132. 238   VE        委内瑞拉     Venezuela, Bolivarian Republic of       委內瑞拉  南美洲
  133. 239   VG     英属维尔京群岛                  Virgin Islands, U.S.    英屬維爾京群島  北美洲
  134. 240   VI     美属维尔京群岛          United States Virgin Islands    美屬維爾京群島  北美洲
  135. 241   VN          越南                               Vietnam         越南   亚洲
  136. 242   VU        瓦努阿图                               Vanuatu        萬那杜  大洋洲
  137. 243   WF     瓦利斯和富图纳                     Wallis and Futuna   沃里斯與伏塔那島  大洋洲
  138. 244   WS         萨摩亚                                 Samoa        薩摩亞  大洋洲
  139. 245   XK         科索沃                                Kosovo        科索沃   欧洲
  140. 246   YE          也门                                 Yemen         葉門   亚洲
  141. 247   YT         马约特                               Mayotte        美亞特   非洲
  142. 248   ZA          南非                          South Africa         南非   非洲
  143. 249   ZM         赞比亚                                Zambia        尚比亞   非洲
  144. 250   ZW        津巴布韦                              Zimbabwe        辛巴威   非洲
  145.  
  146. [251 rows x 5 columns]>
  147. >>> data.head(5)#前五列
  148.   Code   国家和地区名            国家和地区名（英文） 国家和地区名（繁体）   大洲
  149. 0   AD      安道尔               Andorra        安道爾   欧洲
  150. 1   AE      阿联酋  United Arab Emirates         阿聯   亚洲
  151. 2   AF      阿富汗           Afghanistan        阿富汗   亚洲
  152. 3   AG  安提瓜和巴布达   Antigua and Barbuda    安地卡及巴布達  北美洲
  153. 4   AI      安圭拉              Anguilla      英屬安圭拉  北美洲
  154. >>> data.tail(5)#后五列
  155.     Code 国家和地区名    国家和地区名（英文） 国家和地区名（繁体）  大洲
  156. 246   YE     也门         Yemen         葉門  亚洲
  157. 247   YT    马约特       Mayotte        美亞特  非洲
  158. 248   ZA     南非  South Africa         南非  非洲
  159. 249   ZM    赞比亚        Zambia        尚比亞  非洲
  160. 250   ZW   津巴布韦      Zimbabwe        辛巴威  非洲
  161. >>> data.Code#某一列
  162. 0      AD
  163. 1      AE
  164. 2      AF
  165. 3      AG
  166. 4      AI
  167. 5      AL
  168. 6      AM
  169. 7      AO
  170. 8      AQ
  171. 9      AR
  172. 10     AS
  173. 11     AT
  174. 12     AU
  175. 13     AW
  176. 14     AX
  177. 15     AZ
  178. 16     BA
  179. 17     BB
  180. 18     BD
  181. 19     BE
  182. 20     BF
  183. 21     BG
  184. 22     BH
  185. 23     BI
  186. 24     BJ
  187. 25     BL
  188. 26     BM
  189. 27     BN
  190. 28     BO
  191. 29     BQ
  192.        ..
  193. 221    TL
  194. 222    TM
  195. 223    TN
  196. 224    TO
  197. 225    TR
  198. 226    TT
  199. 227    TV
  200. 228    TW
  201. 229    TZ
  202. 230    UA
  203. 231    UG
  204. 232    UM
  205. 233    US
  206. 234    UY
  207. 235    UZ
  208. 236    VA
  209. 237    VC
  210. 238    VE
  211. 239    VG
  212. 240    VI
  213. 241    VN
  214. 242    VU
  215. 243    WF
  216. 244    WS
  217. 245    XK
  218. 246    YE
  219. 247    YT
  220. 248    ZA
  221. 249    ZM
  222. 250    ZW
  223. Name: Code, Length: 251, dtype: object
  224. >>> data.size
  225. 1255
  226. >>> data.shape
  227. (251, 5)
  228. >>> data[2:4]
  229.   Code   国家和地区名           国家和地区名（英文） 国家和地区名（繁体）   大洲
  230. 2   AF      阿富汗          Afghanistan        阿富汗   亚洲
  231. 3   AG  安提瓜和巴布达  Antigua and Barbuda    安地卡及巴布達  北美洲
  232. >>> data[2:4]#类似以索引切片
  233.   Code   国家和地区名           国家和地区名（英文） 国家和地区名（繁体）   大洲
  234. 2   AF      阿富汗          Afghanistan        阿富汗   亚洲
  235. 3   AG  安提瓜和巴布达  Antigua and Barbuda    安地卡及巴布達  北美洲
  236. >>> data.loc[0:5,]#0到5行所有列
  237.   Code   国家和地区名            国家和地区名（英文） 国家和地区名（繁体）   大洲
  238. 0   AD      安道尔               Andorra        安道爾   欧洲
  239. 1   AE      阿联酋  United Arab Emirates         阿聯   亚洲
  240. 2   AF      阿富汗           Afghanistan        阿富汗   亚洲
  241. 3   AG  安提瓜和巴布达   Antigua and Barbuda    安地卡及巴布達  北美洲
  242. 4   AI      安圭拉              Anguilla      英屬安圭拉  北美洲
  243. 5   AL    阿尔巴尼亚               Albania      阿爾巴尼亞   欧洲
  244. >>> data.loc[0:5,['Code','大洲']]0到5行，code列和大洲列
  245.   Code   大洲
  246. 0   AD   欧洲
  247. 1   AE   亚洲
  248. 2   AF   亚洲
  249. 3   AG  北美洲
  250. 4   AI  北美洲
  251. 5   AL   欧洲
  252. >>> data.at[1,'大洲']#选择一个值
  253. '亚洲'
  254. >>> data.iloc[1:6,[0,2]]#注意iloc和loc的区别
  255.   Code            国家和地区名（英文）
  256. 1   AE  United Arab Emirates
  257. 2   AF           Afghanistan
  258. 3   AG   Antigua and Barbuda
  259. 4   AI              Anguilla
  260. 5   AL               Albania
  261. >>> data.iloc[1:6,[0,2]]
  262.   Code            国家和地区名（英文）
  263. 1   AE  United Arab Emirates
  264. 2   AF           Afghanistan
  265. 3   AG   Antigua and Barbuda
  266. 4   AI              Anguilla
  267. 5   AL               Albania
  268. >>> data.iloc[1:6,[0,1]]
  269.   Code   国家和地区名
  270. 1   AE      阿联酋
  271. 2   AF      阿富汗
  272. 3   AG  安提瓜和巴布达
  273. 4   AI      安圭拉
  274. 5   AL    阿尔巴尼亚
  275. >>> data.iloc[1:6,0:2]
  276.   Code   国家和地区名
  277. 1   AE      阿联酋
  278. 2   AF      阿富汗
  279. 3   AG  安提瓜和巴布达
  280. 4   AI      安圭拉
  281. 5   AL    阿尔巴尼亚
  282. >>> data.iat[1,2]
  283. 'United Arab Emirates'
  284. >>> data.ix[(data.index<5)&(data.大洲=='亚洲')]#条件判断
  285.   Code 国家和地区名            国家和地区名（英文） 国家和地区名（繁体）  大洲
  286. 1   AE    阿联酋  United Arab Emirates         阿聯  亚洲
  287. 2   AF    阿富汗           Afghanistan        阿富汗  亚洲
  288. >>> data[data.大洲=='亚洲'].Code#条件查找
  289. 1      AE
  290. 2      AF
  291. 6      AM
  292. 15     AZ
  293. 18     BD
  294. 22     BH
  295. 27     BN
  296. 32     BT
  297. 38     CC
  298. 47     CN
  299. 53     CX
  300. 78     GE
  301. 94     HK
  302. 100    ID
  303. 102    IL
  304. 104    IN
  305. 105    IO
  306. 106    IQ
  307. 107    IR
  308. 112    JO
  309. 113    JP
  310. 115    KG
  311. 116    KH
  312. 120    KP
  313. 121    KR
  314. 122    KW
  315. 124    KZ
  316. 125    LA
  317. 126    LB
  318. 129    LK
  319. 145    MM
  320. 146    MN
  321. 147    MO
  322. 154    MV
  323. 157    MY
  324. 165    NK
  325. 168    NP
  326. 172    OM
  327. 177    PH
  328. 178    PK
  329. 183    PS
  330. 187    QA
  331. 193    SA
  332. 198    SG
  333. 212    SY
  334. 218    TH
  335. 219    TJ
  336. 222    TM
  337. 225    TR
  338. 228    TW
  339. 235    UZ
  340. 241    VN
  341. 246    YE
  342. Name: Code, dtype: object
  343. >>>DataFrame.某一列.mean()#求平均值
  344. >>> data['大洲'].value_counts()#计算大洲个数
  345. 非洲     58
  346. 亚洲     53
  347. 欧洲     53
  348. 北美洲    41
  349. 大洋洲    27
  350. 南美洲    14
  351. 南极洲     5
  352. Name: 大洲, dtype: int64
  1. >>> import numpy as np
  2. np.>>> np.sign(5)#大于0返回1，小于0返回-1，等于0返回0
  3. 1
  4. >>> np.sign(-0.25)
  5. -1.0
  6. >>> np.sign(0)
  7. 0
  8. >>> np.array([1,2,3,4,5,6])
  9. array([1, 2, 3, 4, 5, 6])
  10. >>> x = np.array([1,2,3,4,5,6])
  11. >>> np.diff(x)#返回后一元素与前一元素的差值
  12. array([1, 1, 1, 1, 1])
  13. >>> np.where(x>3)#两种调用方式
  14. (array([3, 4, 5]),)
  15. >>> np.where(x>3,1,0)
  16. array([0, 0, 0, 1, 1, 1])
  17. >>> DataFrame.sort_values(by='某一列',ascending=False)#针对某一列进行排序，False逆序True正序

有一个记录了爱吃苏式或广式月饼的用户DataFrame：

  1. >>> mooncakes_df
  2.         name gender  age taste of mooncake
  3. 0      Liuzi      M   21   Cantonese-style
  4. 1    Huangqi      F   32          Su-style
  5. 2   Yuanyuan      F   35          Su-style
  6. 3      Duyue      F   14   Cantonese-style
  7. 4  Zhangtian      M   33   Cantonese-style
  8. 若要统计mooncakes_df中分别爱吃两种口味月饼的人数，可利用如下代码实现：
  9.  
  10. >>> mooncakes_df.groupby("taste of mooncake").age.count()
  11. taste of mooncake
  12. Cantonese-style    3
  13. Su-style           2
  14. Name: age, dtype: int64

可见使用groupby()方法结合一些统计函数在做数据的分组统计时非常有用，另外，值得注意的是，groupby()还常常与apply()函数连用，apply()函数可将数据分拆、应用和汇总，使用自定义函数更灵活地进行各类数据统计。apply()函数的自由度很高，它的最基本形式为“DataFrame.apply(func, axis = 0)”，func是函数，可以自己实现，默认axis为0，表示apply()函数会自动遍历DataFrame的每一列数据（一个Series）按相应函数功能对其进行处理，处理结束后将所有结果组合后返回，若axis设为1则遍历处理DataFrame的每一行数据。例如前面的功能可通过如下代码实现：

  1. def f(df):
  2.      return df.age.count()
  3. mooncakes_df.groupby('taste of mooncake').apply(f)
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/知新_RL/article/detail/230174
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号