Pandas是Python的一個大數(shù)據(jù)處理模塊。Pandas使用一個二維的數(shù)據(jù)結(jié)構(gòu)DataFrame來表示表格式的數(shù)據(jù)，相比較于Numpy，Pandas可以存儲混合的數(shù)據(jù)結(jié)構(gòu)，同時使用NaN來表示缺失的數(shù)據(jù)，而不用像Numpy一樣要手工處理缺失的數(shù)據(jù)，并且Pandas使用軸標簽來表示行和列。

DataFrame類：

DataFrame有四個重要的屬性： index：行索引。 columns：列索引。 values：值的二維數(shù)組。 name：名字。

構(gòu)建方法，DataFrame(sequence)，通過序列構(gòu)建，序列中的每個元素是一個字典。 frame=DateFrame構(gòu)建完之后，假設(shè)frame中有’name’,’age’,’addr’三個屬性，可以使用fame[‘name’]查看屬性列內(nèi)容，也可以fame.name這樣直接查看。 frame按照’屬性提取出來的每個列是一個Series類。 DataFrame類可以使用布爾型索引。 groupby(str|array…)函數(shù)：可以使用frame中對應(yīng)屬性的str或者和frame行數(shù)相同的array作為參數(shù)還可以使用一個會返回和frame長度相同list的函數(shù)作為參數(shù)，如果使用函數(shù)做分組參數(shù)，這個用做分組的函數(shù)傳入的參數(shù)將會是fame的index，參數(shù)個數(shù)任意。使用了groupby函數(shù)之后配合,size()函數(shù)就可以對groupby結(jié)果進行統(tǒng)計。 groupby后可以使用： size()：就是count sum()：分組求和 apply(func，axis=0)：在分組上單獨使用函數(shù)func返回frame，不groupby用在DataFrame會默認將func用在每個列上，如果axis=1表示將func用在行上。

reindex(index,column,method)：用來重新命名索引，和插值。 size()：會返回一個frame，這個frame是groupby后的結(jié)果。 sum(n).argsort()：如果frame中的值是數(shù)字，可以使用sum函數(shù)計算frame中摸個屬性，各個因子分別求和，并返回一個Series，這個Series可以做為frame.take的參數(shù)，拿到frame中對應(yīng)的行。 pivot_table(操作str1,index=str2,columns=str3,aggfunc=str4)透視圖函數(shù)： str1：是給函數(shù)str4作為參數(shù)的部分。 str2：是返回frame的行名。 str3：是返回frame的列名。 str4：是集合函數(shù)名，有’mean’,’sum’這些，按照str2，str3分組。 使用透視圖函數(shù)之后，可以使用.sum()這類型函數(shù)，使用后會按照index和columns的分組求和。 order_index(by,ascending): 返回一個根據(jù)by排序，asceding=True表示升序，False表示降序的frame concat(list)：將一個列表的frame行數(shù)加起來。 ix[index]：就是行索引，DataFrame的普通下標是列索引。 take(index)：作用和ix差不多，都是查詢行，但是ix傳入行號，take傳入行索引。 unstack()：將行信息變成列信息。 apply(func，axis=0)和applymap(func)：apply用在DataFrame會默認將func用在每個列上，如果axis=1表示將func用在行上。applymap表示func用在每個元素上。 combine_first(frame2)：combine_first會把frame中的空值用frame1中對應(yīng)位置的數(shù)據(jù)進行填充。Series方法也有相同的方法。 stack()函數(shù)，可以將DataFrame的列轉(zhuǎn)化成行，原來的列索引成為行的層次索引。(stack和unstack方法是兩個互逆的方法，可以用來進行Series和DataFrame之間的轉(zhuǎn)換) duplicated()：返回一個布爾型Series，表示各行是否重復(fù)。 drop_duplicates()：返回一個移除了重復(fù)行后的DataFrame pct_change()：Series也有這個函數(shù)，這個函數(shù)用來計算同colnums兩個相鄰的數(shù)字之間的變化率。 corr()：計算相關(guān)系數(shù)矩陣。 cov()：計算協(xié)方差系數(shù)矩陣。 corrwith(Series|list,axis=0)：axis=0時計算frame的每列和參數(shù)的相關(guān)系數(shù)。

數(shù)據(jù)框操作

df.head(1) 讀取頭幾條數(shù)據(jù) df.tail(1) 讀取后幾條數(shù)據(jù) df[‘date’] 獲取數(shù)據(jù)框的date列 df.head(1)[‘date’] 獲取第一行的date列 df.head(1)‘date’ 獲取第一行的date列的元素值 sum(df[‘a(chǎn)bility’]) 計算整個列的和 df[df[‘date’] == ‘20161111’] 獲取符合這個條件的行 df[df[‘date’] == ‘20161111’].index[0] 獲取符合這個條件的行的行索引的值 df.iloc[1] 獲取第二行 df.iloc1 獲取第二行的test2值 10 mins to pandas df.index 獲取行的索引 df.index[0] 獲取第一個行索引 df.index[-1] 獲取最后一個行索引,只是獲取索引值 df.columns 獲取列標簽 df[0:2] 獲取第1到第2行，從0開始，不包含末端 df.loc[1] 獲取第二行 df.loc[:,’test1’] 獲取test1的那一列,這個冒號的意思是所有行，逗號表示行與列的區(qū)分 df.loc[:,[‘test1’,’test2’]] 獲取test1列和test2列的數(shù)據(jù) df.loc[1,[‘test1’,’test2’]] 獲取第二行的test1和test2列的數(shù)據(jù) df.at[1,’test1’] 表示取第二行，test1列的數(shù)據(jù)，和上面的方法類似 df.iloc[0] 獲取第一行 df.iloc[0:2,0:2] 獲取前兩行前兩列的數(shù)據(jù) df.iloc[[1,2,4],[0,2]] 獲取第1，2，4行中的0，2列的數(shù)據(jù) (df[2] > 1).any() 對于Series應(yīng)用any()方法來判斷是否有符合條件的

總結(jié)

以上是生活随笔為你收集整理的python中的ix是啥_python ix的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。