這期內(nèi)容當(dāng)中小編將會給大家?guī)碛嘘P(guān)Python中如何Pandas代碼助數(shù)據(jù)從業(yè)人員開啟新征程，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

為大通等地區(qū)用戶提供了全套網(wǎng)頁設(shè)計制作服務(wù)，及大通網(wǎng)站建設(shè)行業(yè)解決方案。主營業(yè)務(wù)為成都做網(wǎng)站、網(wǎng)站設(shè)計、大通網(wǎng)站設(shè)計，以傳統(tǒng)方式定制建設(shè)網(wǎng)站，并提供域名空間備案等一條龍服務(wù)，秉承以專業(yè)、用心的態(tài)度為用戶提供真誠的服務(wù)。我們深信只要達(dá)到每一位用戶的要求，就會得到認(rèn)可，從而選擇與我們長期合作。這樣，我們也可以走得更遠(yuǎn)！

摘要

Pandas 是基于NumPy 的一種工具，該工具是為了解決數(shù)據(jù)分析任務(wù)而創(chuàng)建的。不少利用Python做數(shù)據(jù)分析的朋友應(yīng)該對Pandas不陌生，這里給大家總結(jié)了20個常用的Pandas代碼幫助大家更快速的理解數(shù)據(jù)。

我這里將這20個Pandas代碼分成三類：

• 基本數(shù)據(jù)信息

• 基本數(shù)據(jù)處理

• 操作Data frames

基本數(shù)據(jù)信息

1、基本讀寫數(shù)據(jù)集（CSV、Execl）

# csv
# 讀
pd.DataFrame.from_csv(“csv_file”) 
pd.read_csv(“csv_file”)
# 寫
df.to_csv("data.csv", sep=",", index=False) # 逗號分隔，沒有下標(biāo)
# execl
pd.read_excel("excel_file")
df.to_execl("data.xlsx",sheet_name='a')

2、基本數(shù)據(jù)集特征

df.info()

3、基本數(shù)據(jù)統(tǒng)計

df.describe()

4、將data frames輸出到一張表里（tabulate模塊）

from tabulate import tabulate
print(tabulate(print_table, headers=headers))
# print_table 為包含列表的列表
# headers 為表頭所包含的字段

5、列出所有的字段

df.columns

6、得到前后n行

df.head(n) #前n行
df.tail(n) #后n行

7、通過特征、位置定位數(shù)據(jù)

df.loc[feature_name]
#選擇“size”列的第一行
df.loc([0], ['size'])
df.iloc[n] # 位置

基本數(shù)據(jù)處理

8、去除缺失值

df.dropna(axis=0, how='any')

9、替換缺失值

df.replace(to_replace=None, value=None)
# 將“to_replace”中的值替換為“value”

10、檢查缺失值

pd.isnull(object)
# 檢測缺失值(數(shù)值數(shù)組中的NaN，對象數(shù)組中的None/NaN)

11、刪除一個字段

df.drop('feature_variable_name', axis=1)
# 軸對于行是0，對于列是1

12、將對象類型轉(zhuǎn)換為數(shù)值

pd.to_numeric(df["feature_name"], errors='coerce')
# 將對象類型轉(zhuǎn)換為numeric以便能夠執(zhí)行計算(如果它們是字符串)

13、將Dataframe轉(zhuǎn)換為numpy數(shù)組

df.as_matrix()

操作Data frames

14、將函數(shù)應(yīng)用于dataframe

# 這個將把數(shù)據(jù)的“height”列中的所有值乘以2
1、df["height"].apply(lambda height: 2 * height)
2、def multiply(x):
 return x * 2
df["height"].apply(multiply)

15、從命名一列

# 這里，將把數(shù)據(jù)的第三列重命名為“size”
df.rename(columns = {df.columns[2]:'size'}, inplace=True)

16、獲取某列的唯一項

# 這里將得到列“name”的唯一條目
df["name"].unique()

17、多級訪問

# 在這里，將從數(shù)據(jù)中獲取列的選擇，“name”和“size”
new_df = df[["name", "size"]]

18、數(shù)據(jù)的一些統(tǒng)計量df.sum()

df.min()
df.max()
df.idxmin()
df.idxmax() #返回最大值索引
df.mean()
df.median()
df.corr() # 不同列之間的相關(guān)系數(shù)
df["size"].median

19、 數(shù)據(jù)排序

df.sort_values(ascending = False)

20、布爾索引

df[df["size"] == 5] #布爾型索引

上述就是小編為大家分享的Python中如何Pandas代碼助數(shù)據(jù)從業(yè)人員開啟新征程了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

本文題目：Python中如何Pandas代碼助數(shù)據(jù)從業(yè)人員開啟新征程
網(wǎng)站鏈接：http://www.yijiale78.com/article24/gsojje.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供標(biāo)簽優(yōu)化、網(wǎng)站維護(hù)、網(wǎng)站營銷、外貿(mào)網(wǎng)站建設(shè)、手機(jī)網(wǎng)站建設(shè)、電子商務(wù)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)