前言
1. 基本使用：
2. 數據select, del, update。
3.運算。
4. Group by 操作。
5. 導出到csv文件
總結
前言Pandas是Python下一個開源數據分析的庫，它提供的數據結構DataFrame極大的簡化了數據分析過程中一些繁瑣操作。
1. 基本使用：創建DataFrame. DataFrame是一張二維的表，大家可以把它想象成一張Excel表單或者Sql表。
Excel 2007及其以後的版本的最大行數是1048576，最大列數是16384，超過這個規模的數據Excel就會彈出個框框“此文本包含多行文本，無法放置在一個工作表中”。
Pandas處理上千萬的數據是易如反掌的sh事情，同時隨後我們也將看到它比SQL有更強的表達能力，可以做很多復雜的操作，要寫的code也更少。 說了一大堆它的好處，要實際感觸還得動手碼代碼。
首要的任務就是創建一個DataFrame，它有幾種創建方式：
列表，序列(pandas.Series), numpy.ndarray的字典
二維numpy.ndarray
別的DataFrame
結構化的記錄(structured arrays)
其中，我最喜歡的是通過二維ndarray創建DataFrame，因為代碼敲得最少：
import pandas as pdimport numpy as npdf = pd.DataFrame(np.random.randn( 3 , 4 ))df0 1 2 30 0.236175 - 0.394792 - 0.171866 0.3040121 0.651926 0.989046 0.160389 0.4829362 - 1.039824 0.401105 - 0.492714 - 1.220438當然你還可以從mysql數據庫或者csv文件中載入數據到dataframe。
dataframe中index用來標識行，column標識列，shape表示維度。
# 獲得行索引信息df.index# 獲得列索引信息df.columns# 獲得df的sizedf.shape# 獲得df的行數df.shape[0]# 獲得df的 列數df.shape[1]# 獲得df中的值df.values通過describe方法，我們可以對df中的數據有個大概的了解：
df.describe()0 1 2 3count 3.000000 3.000000 3.000000 3.000000mean - 0.050574 0.331786 - 0.168064 - 0.144496std 0.881574 0.694518 0.326568 0.936077min - 1.039824 - 0.394792 - 0.492714 - 1.22043825 % - 0.401824 0.003156 - 0.332290 - 0.45821350 % 0.236175 0.401105 - 0.171866 0.30401275 % 0.444051 0.695076 - 0.005739 0.393474max 0.651926 0.989046 0.160389 0.4829362. 數據select, del, update。按照列名select:
df[ 0 ]0 0.2361751 0.6519262 - 1.039824按照行數select:
df[: 3 ] #選取前3行按照索引select:
df.loc[ 0 ]0 0.2361751 - 0.3947922 - 0.1718663 0.304012按照行數和列數select:
df.iloc[ 3 ] #選取第3行df.iloc[ 2 : 4 ] #選取第2到第3行df.iloc[ 0 , 1 ] #選取第0行1列的元素dat.iloc[: 2 , : 3 ] #選取第0行到第1行，第0列到第2列區域內的元素df1.iloc[[1,3,5],[1,3]] #選取第1，3，5行，第1，3列區域內的元素刪除某列：
del df[0]df1 2 30 - 0.394792 - 0.171866 0.3040121 0.989046 0.160389 0.4829362 0.401105 - 0.492714 - 1.220438刪除某行：
5df.drop(0)1 2 31 0.989046 0.160389 0.4829362 0.401105 - 0.492714 - 1.2204383.運算。基本運算：
df[ 4 ] = df[ 1 ] + df[ 2 ]1 2 3 40 - 0.394792 - 0.171866 0.304012 - 0.5666591 0.989046 0.160389 0.482936 1.1494352 0.401105 - 0.492714 - 1.220438 - 0.091609map運算，和python中的map有些類似：
df[ 4 ]. map ( int )0 01 12 0apply運算：
df. apply ( sum )1 0.9953592 - 0.5041923 - 0.4334894 0.4911674. Group by 操作。pandas中的group by 操作是我的最愛，不用把數據導入excel或者mysql就可以進行靈活的group by 操作，簡化了分析過程。
df[ 0 ] = [ 'A' , 'A' , 'B' ]df1 2 3 4 00 - 0.394792 - 0.171866 0.304012 - 0.566659 A1 0.989046 0.160389 0.482936 1.149435 A2 0.401105 - 0.492714 - 1.220438 - 0.091609 Bg = df.groupby([ 0 ])g.size()A 2B 1g. sum ()1 2 3 40A 0.594254 - 0.011478 0.786948 0.582776B 0.401105 - 0.492714 - 1.220438 - 0.0916095. 導出到csv文件dataframe可以使用to_csv方法方便地導出到csv文件中，如果數據中含有中文，一般encoding指定為”utf-8″,否則導出時程序會因為不能識別相應的字符串而拋出異常，index指定為False表示不用導出dataframe的index數據。
df.to_csv(file_path, encoding='utf-8', index=False)df.to_csv(file_path, index=False)總結到此這篇關於Pandas中DataFrame操作的文章就介紹到這了,更多相關Pandas DataFrame操作內容請搜索軟件開發網以前的文章或繼續浏覽下面的相關文章希望大家以後多多支持軟件開發網！
python learning summary 12 - rookie tutorial python basics, all built-in classes and methods of python
For a summary, see uploaded re
Python-Level1-day02: Basic operations on data: variables and their memory map, core data types, operators
1.獲取資源 2.The code execution p
