Day24 学习总结

Day24学习总结

前言

今天学的的内容为删除数据，行索引操作及pands中的部分函数

一、删除数据

通过drop方法删除 DataFrame 中的数据，默认情况下，drop() 不会修改原 DataFrame，而是返回一个新的 DataFrame。

• 关键参数
  labels 单个标签或列表。根据axis改变。
  axis axis=0 或 axis=‘index’ 表示删除行，axis=1 或 axis=‘columns’ 表示删除列。
  inplace 如果为 True，则直接修改原 DataFrame，而不是返回一个新的 DataFrame。

#示例
data = {
    'name': ['Alice', 'Bob', 'Charlie'],
    'age': [25, 30, 35],
    'score': [85, 90, 88]
}
df = pd.DataFrame(data)
df = df.drop('Alice',axis=0)#删除Alice行的数据
df.drop('name',axis=1,inplace=True)#删除name列的数据在原数据上修改

二、行索引操作

1.loc

df.loc[] 只能使用标签索引，不能使用整数索引。同时其是前闭后闭

• DataFrame.loc[row_indexer, column_indexer]

data = {
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
}
df = pd.DataFrame(data)
df.loc[1,'A']#取行索引为1的‘A’列数据
df.loc[:,'A']#取‘A’列数据

2.iloc

df.iloc[] 方法用于基于位置的索引。

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [23, 25, 22, 24, 23],
    'score': [85, 90, 88, 92, 87]
}
df = pd.DataFrame(data)
df.iloc[0]#取索引为0行的数据
df.iloc[1,2:]#取索引为1行同时列索引为2及之后的数据

3.切片多行选取

通过切片的方式进行多行数据的选取

data = {
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
}
df = pd.DataFrame(data)
df[0:3]#取前三行的数据

4.添加数据行

loc方法添加新行

data = {
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
}
df = pd.DataFrame(data)
df.loc[4] = [17, 18, 19]

concat拼接

• 关键参数
• objs: 要连接的 DataFrame 或 Series 对象的列表或字典。
• axis: 指定连接的轴，0 或 ‘index’ 表示按行连接，1 或 ‘columns’ 表示按列连接。
• ignore_index: 如果为 True，则忽略原始索引并生成新的索引。
• join: 指定连接方式，‘outer’ 表示并集（默认），‘inner’ 表示交集。

data = {
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
}
df2 = pd.DataFrame({
    'A': [7, 8, 9],
    'B': [10, 11, 12]
})
df1 = pd.DataFrame(data)
df_c = pd.concat([df1,df2],axis=0)#按行方向进行拼接2中没有的c列会用NaN填充
print(df_c)
df_c = pd.concat([df1,df2],axis=1)#按列方向进行拼接，没有的数据会用NaN填充
print(df_c)
join案列
df1 = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6]
}, index=[0, 1, 2])

df2 = pd.DataFrame({
    'A': [7, 8, 9],
    'B': [10, 11, 12],
    'D': [13, 14, 15]
}, index=[1, 2, 3])

# 按行合并，只匹配column相同的列，行被堆叠
result = pd.concat([df1, df2], axis=0, join='inner')#D列会被删去
print(result)
# 按列合并，只匹配index相同的行，列被堆叠
result = pd.concat([df1, df2], axis=1, join='inner')#没有相同的行索引的行会被删去
print(result)

二、函数

• 常用的函数：
• count() 统计某个非空值的数量
• sum() 求和
• mean() 求均值
• median() 求中位数
• std() 求标准差
• min() 求最小值
• max() 求最大值
• abs() 求绝对值
• prod() 求所有数值的乘积

此处便不一一举例用到时直接使用即可。

1.重置索引

reindex

• DataFrame.reindex(labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=np.nan, limit=None, tolerance=None)

大多数的参数都与之前的意思差不多因此便不一一解释。

data = {
   'A': [1, 2, 3, 4],
   'B': [5, 6, 7, 8],
   'C': [9, 10, 11, 12]
}
df = pd.DataFrame(data,index=['a','b','c','d'])
df1 = df.reindex(['A','B','C','D'],axis=1,method='ffill')#增加了D列同时用前面的数来填充
print(df1)
df2 = df.reindex(['a','b','c','e','d'],axis=0)#增加了e行
print(df2)
df3 =df.reindex(columns=['A','B','C','D'],index=['a','b','c','d','e'],fill_value=0) #增加了D列和e行 同时用0进行填充
print(df3)