dataframe基本操作有哪些_上文
目录 ：DataFrame常用语法格式如下：
- 创建DataFrame
- 查看数据前几行
- 查看数据后几行
- 查看数据基本信息
- 描述性统计信息
- 选择列
- 选择多列
- 选择行
- 选择特定行与列
- 条件条件【Filtering】
- 多条件选择
- 排序数据
- 处理缺失值
- 填充缺失值
- 新增列
- 删除列
- 重命名列
- 分组统计
- 合并DataFrame
- 横向合并DataFrame
- 透视表
- 独热编码
- 字符串处理
- 日期时间处理
- 时间序列重采样
- 滑动窗口
- 绘制图表
- 保存DataFrame到文件
- 从加载文件数据到DataFrame
- 使用apply函数对列进行操作
- 使用map函数进行值替换
- 使用cut函数进行分箱操作
- 使用groupby和transform进行组内操作
- 使用astype进行数据类型转换
- 使用isin进行过滤
- 使用duplicated和drop_duplicated处理重复值
- 使用nlarge和nsmallest获取最大值和最小值
- 使用value_counts唯一值的频率
- 使用str.contains进行模糊匹配
- 使用replace进行值替换
- 使用pivot进行数据透视
- 使用merge处理重复列名
- 使用at和iat快速访问元素
- 使用mask进行条件替换
- 使用query进行条件查询
- 使用crosstab进行交叉表
- 使用explode展开列表
- 使用agg进行多个聚合操作
- 使用pipe进行链式操作
1、创建DataFrame
import pandas as pd
data = {'ID': [101, 102, 103, 104, 105],
'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eva'],
'Age': [25, 30, 22, 35, 28],
'Salary': [50000, 60000, 45000, 75000, 55000],
'Status': ['Active', 'Inactive', 'Active', 'Active', 'Inactive']}
df = pd.DataFrame(data)
2、查看数据的前几行
df.head()
使用方式： 用于查看的前几行，默认为前5行。
示例： 查看前3行数据。
3、查看数据的前几行
df.tail(3)
使用方式： 用于查看DataFrame的后几行，默认为后5行。
示例： 查看后3行数据。
4、查看数据基本信息
df.info()
使用方式： 提供DataFrame的基本信息，包括每列的非空值数量和数据类型。
示例： 查看数据信息。
5、描述性统计信息
df.describe()
使用方式： 提供DataFrame的描述性统计信息，包括均值、标准差、最小值、25%分位数、中位数（50%分位数）、75%分位数和最大值。
示例： 查看数值列的统计信息。
6、 选择列
df['ColumnName']
使用方式： 通过列名选择DataFrame中的一列。
示例： 选择“Salary”列。
7. 选择多列
df[['Column1', 'Column2']]
使用方式： 通过列名选择DataFrame中的一列。
示例： 选择“Name”和“Age”列。
df[['Name', 'Age']]
8. 选择多列
df.loc[index]
使用方式： 通过索引标签选择DataFrame中的一行。
示例： 选择索引为2的行。
9、选择特定行和列
df.loc[index, 'ColumnName']
使用方式： 通过索引标签和列名选择DataFrame中的特定元素。
示例： 选择索引为1的行的“Name”列的值。
df.loc[1, 'Name']
10、条件选择（Filtering）
df[df['ColumnName'] > value]
使用方式： 使用条件过滤选择满足特定条件的行。
示例： 选择年龄大于25的行。
df[df['Age'] > 25]
11、 多条件选择
df[(df['Column1'] > value1) & (df['Column2'] == value2)]
使用方式： 使用逻辑运算符（&：与，|：或，~：非）结合多个条件进行过滤。
示例： 选择年龄大于25且状态为“Active”的行。
df[(df['Age'] > 25) & (df['Status'] == 'Active')]
12、 排序
df.sort_values(by='ColumnName', ascending=False)
使用方式： 根据指定列的值进行升序或降序排序。
示例： 按工资降序排序。
df.sort_values(by='Salary', ascending=False)
13、处理缺失值
df.dropna()
使用方式： 删除包含缺失值的行。
示例： 删除所有包含缺失值的行。
14、填充缺失值
df.fillna(value)
使用方式： 用指定值填充缺失值。
示例： 用均值填充所有缺失值。
df.fillna(df.mean())
15、新增列
df['NewColumn'] = values
使用方式： 新增一列，并为其赋值。
示例： 新增一列表示年龄是否大于30。
16、删除列
df.drop('ColumnName', axis=1)
使用方式： 删除指定列。
示例： 删除“Status”列。
df.drop('Status', axis=1)
17、 重命名列
df.rename(columns={'OldName': 'NewName'}, inplace=True)
使用方式： 重命名指定列。
示例： 将“ID”列重命名为“EmployeeID”。
df.rename(columns={'ID': 'EmployeeID'}, inplace=True)
18、分组统计
df.groupby('ColumnName').agg({'Column1': 'mean', 'Column2': 'sum'})
使用方式： 按照指定列进行分组，然后进行聚合统计。
示例： 按状态分组，计算平均年龄和总工资。
df.groupby('Status').agg({'Age': 'mean', 'Salary': 'sum'})
19、合并DataFrame
pd.concat([df1, df2], axis=0)
使用方式： 沿着指定轴合并两个DataFrame。
示例： 垂直合并两个DataFrame。
pd.concat([df1, df2], axis=0)
20、横向合并DataFrame
pd.concat([df1, df2], axis=1)
使用方式： 沿着列方向合并两个DataFrame。
示例： 横向合并两个DataFrame。
21、合并DataFrame（基于键）
pd.merge(df1, df2, on='KeyColumn', how='inner')
使用方式： 使用指定列进行合并，指定合并方式（内连接、左连接、右连接、外连接）。
示例： 使用“ID”列内连接两个DataFrame。
pd.merge(df1, df2, on='ID', how='inner')
22、透视表
pd.pivot_table(df, values='ValueColumn', index='IndexColumn', columns='ColumnToPivot', aggfunc='mean')
使用方式： 创建透视表，汇总数据。
示例： 创建一个透视表，计算不同状态下的平均工资。
pd.pivot_table(df, values='Salary', index='Status', aggfunc='mean')
关注公众号「水沐教育科技」，在手机上阅读所有教程，随时随地都能学习。内含一款搜索神器，免费下载全网书籍和视频。
微信扫码关注公众号