#行處理

#df.iloc[1] 行索引號——獲取行

#df.iloc[0,1] 行列索引號——獲取一個元素

#df.iloc[[0,1]] 雙括號默認都是行索引號——獲取n行

#df.iloc[0:2,1:3] 行列索引號——獲取區域元素

#df.loc["A"] 行名稱——獲取行

#df.loc["A","c1"] 行列名稱——獲取一個元素

#df.loc[["A","B"]] 雙括號默認都是行名稱號——獲取n行

#df.loc["A":"B","c1":"c2"] 行列名稱——獲取區域元素

#列處理

#df["c2"] 列名稱——獲取列

#df[["c1","c2"] 列名稱——獲取n列

#修改某一值

#df.iloc[0,1] = 2

#df.loc["A","c1"] =2

#修改某一行信息 map與apply 當apply中axis=0時表示行

#df.loc["A"]=df.loc["A"].map(lambda x:x*2) -- A行信息數*2

#df.iloc[1]=df.iloc[1].map(lambda x:x*2) -- 索引號1，行信息數*2

#df.loc['A'] = df.apply(lambda x: x['B'] + 2 * x['C'], axis=0)

#修改某一列信息 map與apply 當apply中axis=1時表示列

#df["c1"]=df["c1"].map(lambda x:x*2) -- c1列信息數*2

#df['c3'] = df.apply(lambda x: x['c1'] + 2 * x['c2'], axis=1)

#map、apply，mapapply比較

#apply對DataFrame的數據進行按行或按列操作，axis=0時表示行，axis=1時表示列，可添加min與max

#apply運用到Series中，執行的是對每個元素的運算

#applymap自動對DataFrame每一個元素進行處理，不能添加統計函數比如min與max

#map 是對 行、列，series 等 進行每個元素的單獨操作，不能添加統計函數比如min與max

#某列值為**顯示此列

#df[df['c1']==9] -- 列c1值為9的行

import numpy as np

import pandas as pd

a=np.random.randint(5,10,size=(5,5))

df = pd.DataFrame(a,index=["A","B","C","D","E"],columns=['c1', 'c2', 'c3', 'c4', 'c5'])

#print(type(df))

print(df)

'''

#iloc 按照索引號切片取信息左閉右開

df1=df.iloc[0:2,1:3]

print(df1)

#loc 按照行列名稱取信息

df2=df.loc["A":"B","c2":"c3"]

print(df2)

#列索引

print(df['c2'])

# 返回前n行

print(df.head(2))

# 返回后n行

print(df.tail(2))

# 按照行列名稱取信息,n個注意用【 】擴起

df3 = df[["c2","c3"]]

print(df3)

#修改某一數據

df.iloc[1,2]="apple"

print(df)

#修改列數據 使用map方法，其中lambda函數中x代表當前的列

#df['c2'] = df['c2'].map(lambda x: x**2)

#print(df)

#修改行數據

df.iloc[1]=df.iloc[1].map(lambda x:x*2)

#修改多列數據 apply方法 c3=c1+2*c2

df['c3'] = df.apply(lambda x: x['c1'] + 2 * x['c2'], axis=1)

#排序

print(df['c2'].sort_values(ascending=False))

#apply使用統計函數

df1=df.apply(lambda x: x.max()-x.min())

#print(df)

#增加列數據

df["c6"]=[1,2,3,4,5]

print(df)

#某列數值等于**顯示此列

print(df[df['c1']==9])

'''

總結

以上是生活随笔為你收集整理的python frame用法_python—dataframe用法的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。