|
1
2
|
import pandas as pdimport numpy as np |
创建DataFrame对象
|
1
2
3
|
# 创建DataFrame对象df = pd.DataFrame([1, 2, 3, 4, 5], columns=['cols'], index=['a','b','c','d','e'])print df |
|
1
2
3
4
5
6
|
colsa 1b 2c 3d 4e 5 |
|
1
2
|
df2 = pd.DataFrame([[1, 2, 3],[4, 5, 6]], columns=['col1','col2','col3'], index=['a','b'])print df2 |
|
1
2
3
|
col1 col2 col3a 1 2 3b 4 5 6 |
|
1
2
|
df3 = pd.DataFrame(np.array([[1,2],[3,4]]), columns=['col1','col2'], index=['a','b'])print df3 |
|
1
2
3
|
col1 col2a 1 2b 3 4 |
|
1
2
|
df4 = pd.DataFrame({'col1':[1,3],'col2':[2,4]},index=['a','b'])print df4 |
|
1
2
3
|
col1 col2a 1 2b 3 4 |
创建DataFrame对象的数据可以为列表，数组和字典，列名和索引为列表对象
基本操作
|
1
2
|
# DataFrame对象的基本操作df2.index |
|
1
|
Index([u'a', u'b'], dtype='object') |
|
1
|
df2.columns |
|
1
|
Index([u'col1', u'col2', u'col3'], dtype='object') |
|
1
2
3
4
|
# 根据索引查看数据df2.loc['a'] # 索引为ａ这一行的数据# df2.iloc[0] 跟上面的操作等价，一个是根据索引名，一个是根据数字索引访问数据 |
|
1
2
3
4
|
col1 1col2 2col3 3Name: a, dtype: int64 |
|
1
|
print df2.loc[['a','b']] # 访问多行数据，索引参数为一个列表对象 |
|
1
2
3
|
col1 col2 col3a 1 2 3b 4 5 6 |
|
1
|
print df.loc[df.index[1:3]] |
|
1
2
3
|
colsb 2c 3 |
|
1
2
|
# 访问列数据print df2[['col1','col3']] |
|
1
2
3
|
col1 col3a 1 3b 4 6 |
计算
|
1
2
3
|
# DataFrame元素求和# 默认是对每列元素求和print df2.sum() |
|
1
2
3
4
|
col1 5col2 7col3 9dtype: int64 |
|
1
2
|
# 行求和print df2.sum(1) |
|
1
2
3
|
a 6b 15dtype: int64 |
|
1
2
|
# 对每个元素乘以２print df2.apply(lambda x:x*2) |
|
1
2
3
|
col1 col2 col3a 2 4 6b 8 10 12 |
|
1
2
|
# 对每个元素求平方(支持ndarray一样的向量化操作)print df2**2 |
|
1
2
3
|
col1 col2 col3a 1 4 9b 16 25 36 |
|
1
2
3
4
|
列扩充# 对DataFrame对象进行列扩充df2['col4'] = ['cnn','rnn']print df2 |
|
1
2
3
|
col1 col2 col3 col4a 1 2 3 cnnb 4 5 6 rnn |
|
1
2
3
|
# 也可以通过一个新的DataFrame对象来定义一个新列,索引自动对应df2['col5'] = pd.DataFrame(['MachineLearning','DeepLearning'],index=['a','b'])print df2 |
|
1
2
3
|
col1 col2 col3 col4 col5a 1 2 3 cnn MachineLearningb 4 5 6 rnn DeepLearning |
行扩充
|
1
2
|
# 行进行扩充print df2.append(pd.DataFrame({'col1':7,'col2':8,'col3':9,'col4':'rcnn','col5':'ReinforcementLearning'},index=['c'])) |
|
1
2
3
4
|
col1 col2 col3 col4 col5a 1 2 3 cnn MachineLearningb 4 5 6 rnn DeepLearningc 7 8 9 rcnn ReinforcementLearning |
注意！
|
1
2
|
# 如果在进行 行扩充时候没有，指定ｉｎｄｅｘ的参数，索引会被数字取代print df2.append({'col1':10,'col2':11,'col3':12,'col4':'frnn','col5':'DRL'},ignore_index=True) |
|
1
2
3
4
|
col1 col2 col3 col4 col50 1 2 3 cnn MachineLearning1 4 5 6 rnn DeepLearning2 10 11 12 frnn DRL |
|
1
2
3
|
# 以上的行扩充，并没有真正修改，df2这个DataFrame对象，除非df2 = df2.append(pd.DataFrame({'col1':7,'col2':8,'col3':9,'col4':'rcnn','col5':'ReinforcementLearning'},index=['c']))print df2 |
|
1
2
3
4
5
|
col1 col2 col3 col4 col5a 1 2 3 cnn MachineLearningb 4 5 6 rnn DeepLearningc 7 8 9 rcnn ReinforcementLearningc 7 8 9 rcnn ReinforcementLearning |
|
1
|
print df2.loc['c'] |
|
1
2
3
|
col1 col2 col3 col4 col5c 7 8 9 rcnn ReinforcementLearningc 7 8 9 rcnn ReinforcementLearning |
DataFrame对象的合并
|
1
2
3
|
# DataFrame 对象的合并df_a = pd.DataFrame(['wang','jing','hui','is','a','master'],columns=['col6'],index=['a','b','c','d','e','f'])print df_a |
|
1
2
3
4
5
6
7
|
col6a wangb jingc huid ise af master |
|
1
2
3
|
# 默认合并,只保留dfb中的全部索引dfb = pd.DataFrame([1,2,4,5,6,7],columns=['col1'],index=['a','b','c','d','f','g'])print dfb.join(df_a) |
|
1
2
3
4
5
6
7
|
col1 col6a 1 wangb 2 jingc 4 huid 5 isf 6 masterg 7 NaN |
|
1
2
3
|
# 默认合并之接受索引已经存在的值# 通过指定参数 how，指定合并的方式print dfb.join(df_a,how='inner') # 合并两个DataFrame对象的交集 |
|
1
2
3
4
5
6
|
col1 col6a 1 wangb 2 jingc 4 huid 5 isf 6 master |
|
1
2
|
# 合并两个DataFrame对象的并集print dfb.join(df_a,how='outer') |
|
1
2
3
4
5
6
7
8
|
col1 col6a 1.0 wangb 2.0 jingc 4.0 huid 5.0 ise NaN af 6.0 masterg 7.0 NaN |
以上这篇Pandas:DataFrame对象的基础操作方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/u014281392/article/details/75331570
