|
df.dtypes：查察数值范例
- astype()逼迫转化数据范例
- 通过建设自界说的函数举办数据转化
- pandas提供的to_nueric()以及to_datetime()
- df["Active"].astype("bool")
- df['2016'].astype('float')
- df["2016"].apply(lambda x: x.replace(",","").replace("$","")).astype("float64")
- df["Percent Growth"].apply(lambda x: x.replace("%","")).astype("float")/100
- pd.to_numeric(df["Jan Units"],errors='coerce').fillna(0)
- pd.to_datetime(df[['Month', 'Day', 'Year']])
筛选数据：
1、按索引提取单行的数值
- df_inner.loc[3]
2、按索引提取地区行数值
- df_inner.iloc[0:5]
3、提取4日之前的全部数据
- df_inner[:’2013-01-04’]
4、行使iloc按位置地区提取数据
- df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标署名称，而是数据地址的位置，从0开始，前三行，前两列。
5、顺应iloc按位置单独提起数据
- df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列
6、行使ix按索引标签和位置殽杂提取数据
- df_inner.ix[:’2013-01-03’,:4] #2013-01-03号之前，前四列数据
7、行使loc提取行和列
- df_inner.loc(2:10,"A":"Z")
8、判定city列里是否包括beijing和shanghai，然后将切合前提的数据提取出来
- df_inner[‘city’].isin([‘beijing’])
- df_inner.loc[df_inner[‘city’].isin([‘beijing’,’shanghai’])]
9、提取前三个字符，并天生数据表
- pd.DataFrame(category.str[:3])
10、行使“与”举办筛选
- df_inner.loc[(df_inner[‘age’] > 25) & (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]]
11、行使“或”举办筛选
- df_inner.loc[(df_inner[‘age’] > 25) | (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘age’])
12、行使“非”前提举办筛选
- df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’])
13、对筛选后的数据按city罗列办计数
- df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’]).city.count()
14、行使query函数举办筛选
- df_inner.query(‘city == [“beijing”, “shanghai”]’)
15、对筛选后的功效按prince举办求和
- df_inner.query(‘city == [“beijing”, “shanghai”]’).price.sum()
数据排序
凭证特定列的值排序：
- df_inner.sort_values(by=[‘age’])
凭证索引列排序：
- df_inner.sort_index()
升序
- df_inner.sort_values(by=[‘age’],ascending=True)
降序
- df_inner.sort_values(by=[‘age’],ascending=False)
归并匹配：
merge
- 1.result = pd.merge(left, right, on='key')
- 2.result = pd.merge(left, right, on=['key1', 'key2'])
- 3.result = pd.merge(left, right, how='left', on=['key1', 'key2'])
- 4.result = pd.merge(left, right, how='right', on=['key1', 'key2'])
- 5.result = pd.merge(left, right, how='outer', on=['key1', 'key2'])
（编辑：湖南网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
