pandas中dataframe的数据描述方法,pandas列表构造dataframe
构造函数DataFrame.axes #索引：行标签；列：列标签
数据框。as _ matrix([列]) #转换为矩阵
DataFrame.dtypes #返回数据的类型
DataFrame.ftypes #返回每一列的数据类型浮动64:密集
DataFrame.get_dtype_counts() #返回数据框数据类型的个数
DataFrame.get_ftype_counts() #返回数据框数据类型浮动64:密集的个数
数据框。select _ dtypes([include，include]) #根据数据类型选取子数据框
DataFrame.values #Numpy的展示方式
DataFrame.axes #返回横纵坐标的标签名
DataFrame.ndim #返回数据框的纬度
DataFrame.size #返回数据框元素的个数
DataFrame.shape #返回数据框的形状
DataFrame.memory_usage() #每一列的存储属性和数据DataFrame.axes #索引：行标签；列：列标签
数据框。as _ matrix([列]) #转换为矩阵
DataFrame.dtypes #返回数据的类型
DataFrame.ftypes #返回每一列的数据类型浮动64:密集
DataFrame.get_dtype_counts() #返回数据框数据类型的个数
DataFrame.get_ftype_counts() #返回数据框数据类型浮动64:密集的个数
数据框。select _ dtypes([include，include]) #根据数据类型选取子数据框
DataFrame.values #Numpy的展示方式
DataFrame.axes #返回横纵坐标的标签名
DataFrame.ndim #返回数据框的纬度
DataFrame.size #返回数据框元素的个数
DataFrame.shape #返回数据框的形状
DataFrame.memory_usage() #每一列的存储类型转换DataFrame.astype(dtype[，copy，errors]) #转换数据类型
DataFrame.copy([deep]) #deep深度复制数据
DataFrame.isnull() #以布尔的方式返回空值
DataFrame.notnull() #以布尔的方式返回非空值索引和迭代DataFrame.head([n]) #返回前n行数据
DataFrame.at #快速标签常量访问器
DataFrame.iat #快速整型常量访问器
DataFrame.loc #标签定位，使用名称
DataFrame.iloc #整型定位，使用数字
DataFrame.insert(loc，column，value) #在特殊地点loc[数字]插入列[列名]某列数据
数据框。ITER()#在信息轴上迭代
DataFrame.iteritems() #返回列名和序列的迭代器
DataFrame.iterrows() #返回索引和序列的迭代器
data frame . ITER tuples([索引，名称])#以命名元组的形式迭代数据帧行，索引值作为元组的第一个元素。
DataFrame.lookup(row_labels，col _ labels)#数据框的基于标签的"花式索引"函数。
DataFrame.pop(item) #返回删除的项目
DataFrame.tail([n]) #返回最后n行
DataFrame.xs(key[，axis，level，drop _ level])#从系列/DataFrame中返回横截面（行或列)。
DataFrame.isin(值)#是否包含数据框中的元素
DataFrame.where(cond[，other，inplace，…]) #条件筛选
DataFrame.mask(条件[，其他，在位，])#返回一个与自己形状相同的对象，其对应的条目来自自我，其中条件数为假的，否则来自其他.
DataFrame.query(expr[，in place])#用布尔表达式查询一个帧的列。二元运算DataFrame.add(其他[,轴，填充值]) #加法，元素指向
DataFrame.sub(其他[，轴，填充值]) #减法，元素指向
DataFrame.mul(其他[,轴，填充值]) #乘法，元素指向
DataFrame.div(其他[,轴，填充值]) #小数除法，元素指向
DataFrame.truediv(其他[，轴，级别，]) #真除法，元素指向
DataFrame.floordiv(其他[，轴，级别，]) #向下取整除法，元素指向
DataFrame.mod(其他[,轴，填充值]) #模运算，元素指向
DataFrame.pow(其他[,轴，填充值]) #幂运算，元素指向
DataFrame.radd(其他[,轴，填充值]) #右侧加法，元素指向
DataFrame.rsub(其他[,轴，填充值]) #右侧减法，元素指向
DataFrame.rmul(其他[,轴，填充值]) #右侧乘法，元素指向
DataFrame.rdiv(其他[,轴，填充值]) #右侧小数除法，元素指向
DataFrame.rtruediv(其他[，轴，]) #右侧真除法，元素指向
DataFrame.rfloordiv(其他[，轴，]) #右侧向下取整除法，元素指向
DataFrame.rmod(其他[,轴，填充值]) #右侧模运算，元素指向
DataFrame.rpow(其他[,轴，填充值]) #右侧幂运算，元素指向
DataFrame.lt(其他[,轴，级别]) #类似Array.lt
DataFrame.gt(其他[,轴，级别]) #类似Array.gt
DataFrame.le(其他[,轴，级别]) #类似Array.le
DataFrame.ge(其他[,轴，级别]) #类似Array.ge
DataFrame.ne(其他[,轴，级别]) #类似Array.ne
DataFrame.eq(其他[,轴，级别]) #类似数组。情商
DataFrame.combine(other，func[，fill_value，…])#添加两个数据帧对象，并且不传播圆盘烤饼值，因此如果对于
数据框。Combine _ first(其他)#组合两个数据帧对象，并在调用方法的设计中默认为非空值。函数应用分组窗口DataFrame.apply(func[，axis，广播，]) #应用函数
数据框。应用贴图(函数)#将函数应用于旨在按元素方式操作的数据帧，即
DataFrame.aggregate(func[，axis])#使用可调用、字符串、字典或字符串/可调用列表进行聚合
DataFrame.transform(func，*args，* * kwargs)#调用函数产生一个相似索引的NDFrame
DataFrame.groupby([by，轴，级别，]) #分组
DataFrame.rolling(窗口[，min_periods，]) #滚动窗口
数据框。扩展([min _ periods，freq，]) #拓展窗口
DataFrame.ewm([com，span，halflife，]) #指数权重窗口描述统计学DataFrame.abs() #返回绝对值
DataFrame.all([axis，bool_only，skip na])#返回请求的轴上的所有元素是否都为真
DataFrame.any([axis，bool_only，skip na])#返回在请求的轴上是否有任何元素为真
data frame . clip([下、上、轴])#输入阈值处的微调值。
数据框。clip _ lower(阈值[，轴])#返回值低于给定值的输入副本被截断。
数据框。clip _ upper(threshold[，axis])#返回截断值高于给定值的输入副本。
DataFrame.corr([method，min_periods]) #返回本数据框成对列的相关性系数
DataFrame.corrwith(other[，axis，drop]) #返回不同数据框的相关性
数据框。计数([轴，级别，仅数值]) #返回非空元素的个数
DataFrame.cov([min_periods]) #计算协方差
data frame . cum max([轴，跳过na])#返回请求轴上的累积最大值。
data frame . cummin([轴，跳过na])#返回请求轴上的累积最小值。
DataFrame.cumprod([axis，skipna]) #返回累积
DataFrame.cumsum([axis，skipna]) #返回累和
数据框。描述([百分点，包括…]) #整体描述数据框
DataFrame.diff([periods，axis]) #对象的第一个离散差
DataFrame.eval(expr[，in place])#在调用数据帧实例的上下文中计算表达式。
data frame . Kurt([轴，skipna，水平，]) #返回无偏峰度费希尔（正常峰度==0.0)。
DataFrame.mad([axis，skipna，level]) #返回偏差
data frame . max([轴，skipna，水平，]) #返回最大值
data frame . mean([轴，skipna，级别，]) #返回均值
data frame . median([轴，skipna，级别，]) #返回中位数
数据框。最小([轴斯基普纳，级别、…]) #返回最小值
数据框。模式([轴，仅限数字]) #返回众数
DataFrame.pct_change([periods，fill_method]) #返回百分比变化
data frame . prod([轴，skipna，级别，]) #返回连乘积
DataFrame.quantile([q，axis，numeric_only]) #返回分位数
DataFrame.rank([axis，method，numeric_only]) #返回数字的排序
数据框。round([小数])#将数据帧舍入到可变的小数位数。
DataFrame.sem([axis，skipna，level，ddof]) #返回无偏标准误
data frame . skew([轴，skipna，级别，]) #返回无偏偏度
data frame . sum([轴，skipna，级别，]) #求和
DataFrame.std([axis，skipna，level，ddof]) #返回标准误差
DataFrame.var([axis，skipna，level，ddof]) #返回无偏误差从新索引选取标签操作DataFrame.add_prefix(前缀)#添加前缀
DataFrame.add_suffix(后缀)#添加后缀
DataFrame.align(other[，join，axis，level])#将轴上的两个对象与
DataFrame.drop(标签[,轴，级别，]) #返回删除的列
数据框。drop _ duplicates([子集，保留，])#返回删除了重复行的数据帧，仅可选
DataFrame.duplicated([subset，keep])#返回表示重复行的布尔序列，仅可选
数据帧.等于(其他)#两个数据框是否相同
DataFrame.filter([items，like，regex，axis]) #过滤特定的子数据框
数据框。第一个(偏移)#根据日期偏移量对时间序列数据的初始时段进行子集化的便捷方法。
DataFrame.head([n]) #返回前n行
data frame . idx max([轴，跳过na])#返回最大值在所请求的轴上第一次出现的索引。
data frame . idx min([轴，跳过na])#返回最小值在所请求的轴上第一次出现的索引。
数据框。最后一个(偏移量)#根据日期偏移量对时间序列数据的最终时段进行子集化的便捷方法。
data frame . reindex([索引，列])#使用可选的填充逻辑使数据帧符合新索引，将那/南放在先前索引中没有值的位置。
DataFrame.reindex_axis(标签[，axis，])#使用可选的填充逻辑使输入对象符合新索引，将那/南放在先前索引中没有值的位置。
DataFrame.reindex_like(其他[，方法，])#返回一个索引与自己匹配的对象。
DataFrame.rename([index，columns])#更改轴输入函数。
DataFrame.rename_axis(mapper[，axis，copy])#使用输入函数更改索引和/或列。
DataFrame.reset_index([level，drop.])#对于具有多级索引的数据帧，返回新的数据帧，并在索引名称下的列中添加标签信息，默认为“0级”、“1级”等。
DataFrame.sample([n，frac，replace，…]) #返回随机抽样
DataFrame.select(crit[，axis])#返回与轴标签匹配条件对应的数据
DataFrame.set_index(keys[，drop，append])#使用一个或多个现有列设置数据帧索引（行标签)。
DataFrame.tail([n]) #返回最后几行
数据框。take(索引[，轴，转换])#类似于ndarray.take
data frame . truncate([前后轴])#在某个特定索引值之前和/或之后截断排序的NDFrame .处理缺失值data frame . drop na([轴，怎么样，thresh，])#返回给定轴上的标签被省略的对象
数据框。菲尔娜([值，方法，轴，]) #填充空值
DataFrame.replace([to_replace，value.])#用“价值”替换到_替换中给定的值。从新定型排序转变形态data frame . pivot([索引，列，值])#根据列值重塑数据（生成一个"透视表"表)。
数据框。reorder _ levels(order[，axis])#使用输入顺序重新排列索引级别。
DataFrame.sort_values(按[，轴，升序])#按任一坐标轴上的值排序
data frame . sort _ index([轴，级别，])#按标签对对象排序（沿轴)
DataFrame.nlargest(n，columns[，keep])#获取按n个最大列值排序的数据帧的行。
DataFrame.nsmallest(n，columns[，keep])#获取一个数据帧中按列的n个最小值排序的行。
DataFrame.swaplevel([i，j，axis])#在特定轴上的多索引中交换级别我和j
DataFrame.stack([level，dropna]) #Pivot一级（可能是分层的)列标签，返回具有分层索引的数据帧(或者是具有单层列标签的对象的系列),该索引具有新的最内层的行标签。
DataFrame.unstack([level，fill_value]) #Pivot一级（必须是分层的)索引标签，返回具有新一级列标签的数据帧，该列标签的最内层由在枢轴上转动索引标签组成。
DataFrame.melt([id_vars，value_vars，…]) #"Unpivots "将数据帧从宽格式转换为长格式，可选
数据框100 . t #转置索引和列
数据框。to面板()#将长（堆叠)格式(数据框)转换为宽(3D，面板)格式。
数据框。to _ xarray()#从熊猫对象返回一个沙雷对象。
DataFrame.transpose(*args，* * kwargs)#转置索引和列合并联接mergingDataFrame.append(other[，ignore_index，]) #追加数据
数据框。分配(* *夸脱)#向数据帧分配新列，返回一个新对象（副本),其中包含所有原始列和新列。
DataFrame.join(other[，on，how，lsuffix，])#将列与索引或键列上的其他数据帧相联接。
DataFrame.merge(right[，how，on，left_on，…])#通过按列或索引执行数据库样式的联接操作来合并数据帧对象。
DataFrame.update(other[，join，overwrite，])#使用传递的数据帧中的非钠值就地修改数据帧.时间序列DataFrame.asfreq(freq[，方法，如何，]) #将时间序列转换为特定的频次
DataFrame.asof(where[，subset])#取最后一个没有任何圆盘烤饼的行（或最后一个没有
data frame . shift([周期，频率，轴])#用可选的时间频率按所需的周期数移动索引
数据框。第一个有效索引()#第一个非不适用/无效值的返回标签
数据框。最后一个有效索引()#最后一个非不适用/无效值的返回标签
DataFrame.resample(规则[，如何，轴，])#时间序列频率转换和重采样的便捷方法。
data frame . to _ period([频率，轴，复制])#根据需要将数据帧从日期时间索引转换为周期指数
data frame . to _ timestamp([频率，方式，轴])#转换为日期时间时间戳的索引，在周期开始时
DataFrame.tz_convert(tz[，axis，level，copy])#将坦桑尼亚感知轴转换为目标时区。
DataFrame.tz_localize(tz[，轴，级别，]) #Localize tz-naive时间序列到目标时区。作图DataFrame.plot([x，y，kind，ax，]) #DataFrame绘图访问器和方法
DataFrame.plot.area([x，y]) #面积图面积图
DataFrame.plot.bar([x，y]) #垂直条形图垂直条形图
DataFrame.plot.barh([x，y]) #水平条形图水平条形图
DataFrame.plot.box([by]) #箱图箱线图
数据框。剧情。密度(* *科威特第纳尔)#核密度核密度估计图
DataFrame.plot.hexbin(x，y[，C，…]) #Hexbin plot
DataFrame.plot.hist([by，bin])#直方图柱状图
DataFrame.plot.kde(**kwds) #核密度核密度估计图
DataFrame.plot.line([x，y]) #线图线形图
DataFrame.plot.pie([y]) #饼图圆形分格统计图表
DataFrame.plot.scatter(x，y[，s，c]) #散点图散点图
data frame . box plot([列，by，ax，])#从数据帧列绘制一个方框图，可以选择按一些列或
DataFrame.hist(数据[，列，依据，网格，])#使用matplotlib/pylab绘制数据帧系列的直方图。转换为其他格式DataFrame.from_csv(path[，header，sep，])#读取CSV文件（已弃用，请改用pandas.read_csv()).
DataFrame.from_dict(data[，orient，dtype])#从数组类型的词典或词典构造数据帧
DataFrame.from_items(items[，columns，orient]) #Convert (key，value)对到数据帧.
DataFrame.from_records(data[，index，])#将结构化或记录数组转换为数据帧
DataFrame.info([verbose，buf，max_cols.])#数据帧的简明摘要。
DataFrame.to_pickle(路径[，压缩，]) #Pickle(连载)对象到输入文件的路径。
DataFrame.to_csv([path_or_buf，sep，na _ rep])#将数据帧写入逗号分隔值(csv)文件
DataFrame.to_hdf(path_or_buf，key，* * kwargs)#使用HDFStore将包含的数据写入HDF5文件。
DataFrame.to_sql(名称，con[，风味，])#将存储在数据帧中的记录写入结构化查询语言数据库。
DataFrame.to_dict([orient，into])#将数据帧转换为字典。
数据框。to _ excel(excel _ writer[，…])#将数据帧写入超过表格
DataFrame.to_json([path_or_buf，orient，])#将对象转换为数据字符串。
DataFrame.to_html([buf，columns，col _ space])#将数据帧呈现为超文本标记语言表格。
数据框。to _ feather(fname)#写出数据帧的二进制羽化格式
DataFrame.to_latex([buf，列，])#将对象呈现到表格环境表中。
DataFrame.to_stata(fname[，convert _ dates，])#一个用于从类似数组的对象编写统计软件二进制差热分析（Differential Thermal Analysis的缩写）文件的类
数据框。to _ msg pack([path _ or _ buf，encoding]) #msgpack (serialize)对象到输入文件路径
数据框。to _ sparse([填充值，种类])#转换为稀疏数据框架
数据框。to _ dense()#返回NDFrame的密集表示（与稀疏表示相反)
DataFrame.to_string([buf，columns.])#将数据帧呈现为控制台友好的表格输出。
DataFrame.to_clipboard([excel，sep])#尝试将对象的文本表示写入系统剪贴板。例如，这可以粘贴到超过中。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。