pandas中对dataframe的数据如何进行查询,python中dataframe如何索引

  pandas中对dataframe的数据如何进行查询,python中dataframe如何索引

  相关学习推荐:python教程

  今天是pandas数据处理.的第三篇文章,让我们来谈谈数据框架中的索引。在上一篇文章中,我们介绍了DataFrame数据结构中一些常用的索引,如iloc、loc和逻辑索引。在今天的文章中,我们来看看DataFrame的一些基本运算

  00-1010我们可以计算两个数据帧的和,如果pandas会自动将这两个DataFrame进行数据对齐.的数据不匹配,它将被设置为Nan(不是一个数字)。

  首先,让我们创建两个数据帧:

  import numpy as NP import pandas as PDD f1=PD。DataFrame(np.arange(9))。reshape((3,3)),columns=list(abc ),index=[1 , 2 ,3]) DF2=pd.dataframe (NP。阿兰格(12)。reshape ((4,3)),columns=list (Abd ),index=[2 , 3 , 4 , 5])。结果和

  然后我们将两个数据帧相加,得到:

  "margin: 0; margin-top: 10px; margin-bottom: 10px; display: flex; flex-direction: column; justify-content: center; align-items: center;">

我们发现pandas将两个DataFrame加起来合并了之后,凡是没有在两个DataFrame都出现的位置就会被置为Nan。这其实是很有道理的,实际上不只是加法,我们可以计算两个DataFrame的加减乘除的四则运算都是可以的。如果是计算两个DataFrame相除的话,那么除了对应不上的数据会被置为Nan之外,除零这个行为也会导致异常值的发生(可能不一定是Nan,而是inf)。

  

fill_value

如果我们要对两个DataFrame进行运算,那么我们当然不会希望出现空值。这个时候就需要对空值进行填充了,我们直接使用运算符进行运算是没办法传递参数进行填充的,这个时候我们需要使用DataFrame当中为我们提供的算术方法

  

DataFrame当中常用的运算符有这么几种:

  

add、sub、p这些我们都很好理解,那么这里的radd、rsub方法又是什么意思呢,为什么前面要加上一个r呢?

  

看起来费解,但是说白了一文不值,radd是用来翻转参数的。举个例子,比如说我们希望得到DataFrame当中所有元素的倒数,我们可以写成1 / df。由于1本身并不是一个DataFrame,所以我们不能用1来呼叫DataFrame当中的方法,也就不能传递参数,为了解决这种情况,我们可以把1 / df写成df.rp(1),这样我们就可以在其中传递参数了。

  

由于在算除法的过程当中发生了除零,所以我们得到了一个inf,它表示无穷大。

  

我们可以在add、p这些方法当中传入一个fill_value的参数,这个参数可以在计算之前对于一边出现缺失值的情况进行填充。也就是说对于对于只在一个DataFrame中缺失的位置会被替换成我们指定的值,如果在两个DataFrame都缺失,那么依然还会是Nan

  

我们对比下结果就能发现了,相加之后的(1, d), (4, c)以及(5, c)的位置都是Nan,因为df1和df2两个DataFrame当中这些位置都是空值,所以没有被填充。

  

fill_value这个参数在很多api当中都有出现,比如reindex等,用法都是一样的,我们在查阅api文档的时候可以注意一下。

  

那么对于这种填充了之后还出现的空值我们应该怎么办呢?难道只能手动找到这些位置进行填充吗?当然是不现实的,pandas当中还为我们提供了专门解决空值的api。

  

空值api

在填充空值之前,我们首先要做的是发现空值。针对这个问题,我们有isna这个api,它会返回一个bool型的DataFrame,DataFrame当中的每一个位置表示了原DataFrame对应的位置是否是空值。

  

dropna

当然只是发现是否是空值肯定是不够的,我们有时候会希望不要空值的出现,这个时候我们可以选择drop掉空值。针对这种情况,我们可以使用DataFrame当中的dropna方法。

  

我们发现使用了dropna之后,出现了空值的行都被抛弃了。只保留了没有空值的行,有时候我们希望抛弃是的列而不是行,这个时候我们可以通过传入axis参数进行控制。

  

这样我们得到的就是不含空值的列,除了可以控制行列之外,我们还可以控制执行drop的严格程度。我们可以通过how这个参数来判断,how支持两种值传入,一种是'all',一种是'any'。all表示只有在某一行或者是某一列全为空值的时候才会抛弃,any与之对应就是只要出现了空值就会抛弃。默认不填的话认为是any,一般情况下我们也用不到这个参数,大概有个印象就可以了。

  

fillna

pandas除了可以drop含有空值的数据之外,当然也可以用来填充空值,事实上这也是最常用的方法。

  

我们可以很简单地传入一个具体的值用来填充:

  

fillna会返回一个新的DataFrame,其中所有的Nan值会被替换成我们指定的值。如果我们不希望它返回一个新的DataFrame,而是直接在原数据进行修改的话,我们可以使用inplace参数,表明这是一个inplace的操作,那么pandas将会在原DataFrame上进行修改。

  

df3.fillna(3, inplace=True)复制代码

除了填充具体的值以外,我们也可以和一些计算结合起来算出来应该填充的值。比如说我们可以计算出某一列的均值、最大值、最小值等各种计算来填充。fillna这个函数不仅可以使用在DataFrame上,也可以使用在Series上,所以我们可以针对DataFrame中的某一列或者是某些列进行填充:

  

除了可以计算出均值、最大最小值等各种值来进行填充之外,还可以指定使用缺失值的前一行或者是后一行的值来填充。实现这个功能需要用到method这个参数,它有两个接收值,ffill表示用前一行的值来进行填充,bfill表示使用后一行的值填充。

  

我们可以看到,当我们使用ffill填充的时候,对于第一行的数据来说由于它没有前一行了,所以它的Nan会被保留。同样当我们使用bfill的时候,最后一行也无法填充。

  

总结

今天的文章当中我们主要介绍了DataFrame的一些基本运算,比如最基础的四则运算。在进行四则运算的时候由于DataFrame之间可能存在行列索引不能对齐的情况,这样计算得到的结果会出现空值,所以我们需要对空值进行处理。我们可以在进行计算的时候通过传入fill_value进行填充,也可以在计算之后对结果进行fillna填充。

  

在实际的运用当中,我们一般很少会直接对两个DataFrame进行加减运算,但是DataFrame中出现空置是家常便饭的事情。因此对于空值的填充和处理非常重要,可以说是学习中的重点,大家千万注意。

  

想了解更多编程学习,敬请关注php培训栏目!

  

以上就是pandas妙招之 在DataFrame中通过索引高效获取数据的详细内容,更多请关注盛行IT软件开发工作室其它相关文章!

  

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。

标签:

相关文章阅读

  • pycharm添加pandas,pycharm如何导入pandas模块
  • pycharm添加pandas,pycharm如何导入pandas模块,在Pycharm中安装Pandas库方法(简单易懂)
  • pandas组内排序,pandas对数据进行排序
  • pandas组内排序,pandas对数据进行排序,Pandas分组与排序的实现
  • pandas去重操作,pandas 去重计数
  • pandas去重操作,pandas 去重计数,pandas中的数据去重处理的实现方法
  • pandas中groupby函数的参数,pandas中groupby函数的参数,Pandas之groupby( )用法笔记小结
  • pandas中groupby函数的参数,pandas.groupby
  • pandas 过滤数据,pandas 过滤特定的值
  • pandas 过滤数据,pandas 过滤特定的值,Pandas--过滤缺失数据--pd.dropna()函数的用法说明
  • pandas reshape,
  • pandas reshape,,Pandas中resample方法详解
  • ,,pandas应用实例之pivot函数详解
  • ,,Pandas常用累计、同比、环比等统计方法实践过程
  • ,,Pandas之ReIndex重新索引的实现
  • 留言与评论(共有 条评论)
       
    验证码: