目錄
- 一、apply和applymap
- 二、排序
- 三、處理缺失數(shù)據(jù)
一、apply和applymap
1. 可直接使用NumPy的函數(shù)
示例代碼:
# Numpy ufunc 函數(shù)
df = pd.DataFrame(np.random.randn(5,4) - 1)
print(df)
print(np.abs(df))
運(yùn)行結(jié)果:
0 1 2 3
0 -0.062413 0.844813 -1.853721 -1.980717
1 -0.539628 -1.975173 -0.856597 -2.612406
2 -1.277081 -1.088457 -0.152189 0.530325
3 -1.356578 -1.996441 0.368822 -2.211478
4 -0.562777 0.518648 -2.007223 0.059411
0 1 2 3
0 0.062413 0.844813 1.853721 1.980717
1 0.539628 1.975173 0.856597 2.612406
2 1.277081 1.088457 0.152189 0.530325
3 1.356578 1.996441 0.368822 2.211478
4 0.562777 0.518648 2.007223 0.059411
2. 通過(guò)apply將函數(shù)應(yīng)用到列或行上
示例代碼:
# 使用apply應(yīng)用行或列數(shù)據(jù)
#f = lambda x : x.max()
print(df.apply(lambda x : x.max()))
運(yùn)行結(jié)果:
0 -0.062413
1 0.844813
2 0.368822
3 0.530325
dtype: float64
3.注意指定軸的方向,默認(rèn)axis=0,方向是列
示例代碼:
# 指定軸方向,axis=1,方向是行
print(df.apply(lambda x : x.max(), axis=1))
運(yùn)行結(jié)果:
0 0.844813
1 -0.539628
2 0.530325
3 0.368822
4 0.518648
dtype: float64
4. 通過(guò)applymap將函數(shù)應(yīng)用到每個(gè)數(shù)據(jù)上
示例代碼:
# 使用applymap應(yīng)用到每個(gè)數(shù)據(jù)
f2 = lambda x : '%.2f' % x
print(df.applymap(f2))
運(yùn)行結(jié)果:
0 1 2 3
0 -0.06 0.84 -1.85 -1.98
1 -0.54 -1.98 -0.86 -2.61
2 -1.28 -1.09 -0.15 0.53
3 -1.36 -2.00 0.37 -2.21
4 -0.56 0.52 -2.01 0.06
二、排序
1. 索引排序
sort_index()
排序默認(rèn)使用升序排序,ascending=False 為降序排序
示例代碼:
# Series
s4 = pd.Series(range(10, 15), index = np.random.randint(5, size=5))
print(s4)
# 索引排序
s4.sort_index() # 0 0 1 3 3
運(yùn)行結(jié)果:
0 10
3 11
1 12
3 13
0 14
dtype: int64
0 10
0 14
1 12
3 11
3 13
dtype: int64
2.對(duì)DataFrame操作時(shí)注意軸方向
示例代碼:
# DataFrame
df4 = pd.DataFrame(np.random.randn(3, 5),
index=np.random.randint(3, size=3),
columns=np.random.randint(5, size=5))
print(df4)
df4_isort = df4.sort_index(axis=1, ascending=False)
print(df4_isort) # 4 2 1 1 0
運(yùn)行結(jié)果:
1 4 0 1 2
2 -0.416686 -0.161256 0.088802 -0.004294 1.164138
1 -0.671914 0.531256 0.303222 -0.509493 -0.342573
1 1.988321 -0.466987 2.787891 -1.105912 0.889082
4 2 1 1 0
2 -0.161256 1.164138 -0.416686 -0.004294 0.088802
1 0.531256 -0.342573 -0.671914 -0.509493 0.303222
1 -0.466987 0.889082 1.988321 -1.105912 2.787891
3. 按值排序
sort_values(by='column name')
根據(jù)某個(gè)唯一的列名進(jìn)行排序,如果有其他相同列名則報(bào)錯(cuò)。
示例代碼:
# 按值排序
df4_vsort = df4.sort_values(by=0, ascending=False)
print(df4_vsort)
運(yùn)行結(jié)果:
1 4 0 1 2
1 1.988321 -0.466987 2.787891 -1.105912 0.889082
1 -0.671914 0.531256 0.303222 -0.509493 -0.342573
2 -0.416686 -0.161256 0.088802 -0.004294 1.164138
三、處理缺失數(shù)據(jù)
示例代碼:
df_data = pd.DataFrame([np.random.randn(3), [1., 2., np.nan],
[np.nan, 4., np.nan], [1., 2., 3.]])
print(df_data.head())
運(yùn)行結(jié)果:
0 1 2
0 -0.281885 -0.786572 0.487126
1 1.000000 2.000000 NaN
2 NaN 4.000000 NaN
3 1.000000 2.000000 3.000000
1. 判斷是否存在缺失值:isnull()
示例代碼:
# isnull
print(df_data.isnull())
運(yùn)行結(jié)果:
0 1 2
0 False False False
1 False False True
2 True False True
3 False False False
2. 丟棄缺失數(shù)據(jù):dropna()
根據(jù)axis軸方向,丟棄包含NaN的行或列。 示例代碼:
# dropna
print(df_data.dropna())
print(df_data.dropna(axis=1))
運(yùn)行結(jié)果:
0 1 2
0 -0.281885 -0.786572 0.487126
3 1.000000 2.000000 3.000000
1
0 -0.786572
1 2.000000
2 4.000000
3 2.000000
3. 填充缺失數(shù)據(jù):fillna()
示例代碼:
# fillna
print(df_data.fillna(-100.))
運(yùn)行結(jié)果:
0 1 2
0 -0.281885 -0.786572 0.487126
1 1.000000 2.000000 -100.000000
2 -100.000000 4.000000 -100.000000
3 1.000000 2.000000 3.000000
到此這篇關(guān)于Python數(shù)據(jù)分析之pandas函數(shù)詳解的文章就介紹到這了,更多相關(guān)python的pandas函數(shù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- python爬蟲之利用Selenium+Requests爬取拉勾網(wǎng)
- python selenium實(shí)現(xiàn)智聯(lián)招聘數(shù)據(jù)爬取
- python基于selenium爬取斗魚彈幕
- python爬蟲利用selenium實(shí)現(xiàn)自動(dòng)翻頁(yè)爬取某魚數(shù)據(jù)的思路詳解
- Python selenium爬取微信公眾號(hào)文章代碼詳解
- 基于python requests selenium爬取excel vba過(guò)程解析
- Python進(jìn)階之使用selenium爬取淘寶商品信息功能示例
- 詳解python selenium 爬取網(wǎng)易云音樂(lè)歌單名
- Python使用Selenium+BeautifulSoup爬取淘寶搜索頁(yè)
- python爬蟲系列Selenium定向爬取虎撲籃球圖片詳解
- python學(xué)習(xí)之panda數(shù)據(jù)分析核心支持庫(kù)
- Python數(shù)據(jù)分析之彩票的歷史數(shù)據(jù)
- python數(shù)據(jù)分析之員工個(gè)人信息可視化
- python數(shù)據(jù)分析之公交IC卡刷卡分析
- python數(shù)據(jù)分析之用sklearn預(yù)測(cè)糖尿病
- Python數(shù)據(jù)分析之Python和Selenium爬取BOSS直聘崗位