from pandas import Series, DataFrame, Index import numpy as np from numpy import nan as NAobj = Series(range(3), index=['a', 'b', 'c']) print(obj) index = obj.index print(index) print(index[1:]) # index[1] = 'd' index對象時不可以被修改的 為了安全和共享 index = Index(np.arange(3)) obj2 = Series([1.5, -2.6, 0], index=index) print(obj2.index is index) # 嵌套字典（字典的字典） pop = {'nevada': {2001: 2.4,2002: 2.9},'ohio': {2000: 1.5,2001: 1.7,2002: 3.6} } frame3 = DataFrame(pop) frame3.index.name = 'year' frame3.columns.name = 'state' print(frame3) print('ohio' in frame3.columns) print(2003 in frame3.index) # index有很多的方法和屬性（有時間呢，可以摸索一下）# reindex創建適應新索引的新對象（這里我不是很懂） obj = Series([2.3, 4.5, -23.3, 4.3], index=['d', 'b', 'a', 'c']) print(obj) obj2 = obj.reindex(['a', 'b', 'c', 'd', 'e']) print(obj2) # 索引和值一一對應，根據新索引進行重排 obj2 = obj.reindex(['a', 'b', 'c', 'd', 'e'], fill_value=0) print(obj2) # 索引不存在，可以引入缺失值 obj3 = Series(['blue', 'purple', 'yellow'], index=[0, 2, 4]) print(obj3) # obj3 = obj3.reindex(range(6), method='ffill') # 或者pad # print(obj3) # 向前值填充 obj3 = obj3.reindex(range(6), method='bfill') # 或者pad print(obj3) # 向后值填充# 成員資格方法 data = DataFrame({'qu1': [1, 3, 4, 3, 4], 'qu2': [2, 3, 1, 2, 3], 'qu3': [1, 5, 2, 4, 4]}) print(data)# 處理缺失數據 string = Series(['aar', 'art', np.nan, 'avo']) print(string) print(string.isnull())# 過濾掉缺失數據 data = Series([1, NA, 3.5, NA, 7]) print(data.dropna()) # 過濾掉NA print(data.notnull())data = DataFrame([[1, 6.5, 3], [1, NA, NA], [NA, NA, NA], [NA, 6.5, 3]]) print(data) print(data.dropna()) # 丟棄掉含有NA的所有行 print(data.dropna(how='all')) # 丟我掉全為NA的行 data[4] = NA print(data) print(data.dropna(axis=1, how='all')) # 丟棄掉全為NA的列 df = DataFrame(np.random.randn(7, 3)) df.ix[:4, 1] = NA # 要錢也要后 df.ix[:2, 2] = NA print(df) print(df.dropna(thresh=3)) # thresh對應的值是觀測的數據個數# 填充缺失數據 print(df.fillna(0)) print(df.fillna({1: 0.4})) # 指定的列進行填充 _ = df.fillna(0, inplace=True) # 本地填充修改， 不產生新對象 print(df)df = DataFrame(np.random.randn(6, 3)) df.ix[2:, 1] = NA # 要錢也要后 df.ix[4:, 2] = NA print(df) print(df.fillna(method='ffill')) # 向前填充 print(df.fillna(method='ffill', limit=2)) # 填充限制 data = Series([1, NA, 3.5, NA, 7]) print(data) print(data.fillna(data.mean())) # 用平均值填充na值

?

轉載于:https://www.cnblogs.com/zhangboblogs/p/9452655.html

總結

以上是生活随笔為你收集整理的pandas 入门（2）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。