溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹了pandas常規操作有哪些，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。
在數組中經常使用的聚合方式
data[['counts', 'ches_name']].agg([np.mean, np.std])
agg({'xx':np.mean, 'xx2':[np.sum, np.std]})如： 將指定列的全部數據 * 2
方式一 data['counts'].transform(lambda x: x*2)
方式二:按照函數內既定的規則，進行指定數據的操作 def transform_func(values): """自定義函數，定義數據操作規則""" return values*2 data['counts'].transform(transform_func) # 一維 data1 = data.groupby(by='品牌')['銷售額'].transform(tran_func) # 分組之后自定義聚合
推薦好課：Python 自動化辦公
源碼參數分析 def pivot_table( data, # Dataframe,對哪張表進行操作 values=None, # 顯示的字段 index=None, # 行分組鍵，可以是數組，列表，如果是數組，必須有一樣的長度 columns=None, # 列分組鍵 aggfunc="mean", # 聚合函數， 默認是mean fill_value=None, # 填充空值, 將為Nan的值填充為對應的值 margins=False, # 匯總開關，默認是False dropna=True, margins_name="All", # 匯總的列或者行的bolumns，可以指定修改名稱 observed=False,
pd.pivot_table(data, index=['order_id', 'dishes_name'], aggfunc=[np.mean, np.sum], values=['add_inprice', 'counts']) mean sum add_inprice counts add_inprice counts order_id dishes_name 137 農夫山泉NFC果汁100% 0 1 0 1 涼拌菠菜 0 1 0 1 番茄燉牛腩\r\n 0 1 0 1 白飯/小碗 0 4 0 4 西瓜胡蘿卜沙拉 0 1 0 1 ... ... ... ... ... 1323 番茄燉秋葵 0 1 0 1 芝士燴波士頓龍蝦 0 1 0 1 芹黃鱔絲 0 1 0 1 蒜蓉生蠔 0 1 0 1 谷稻小莊 0 1 0 1 [2778 rows x 4 columns]
pd.pivot_table(data, columns= ['order_id', 'amounts'], aggfunc=[np.mean, np.sum], values=['add_inprice', 'counts']) # 列分組鍵，可以說是行分組鍵的轉置 mean ... sum order_id 137 165 ... 1323 amounts 1 6 26 27 35 99 9 ... 39 49 58 65 78 80 175 add_inprice 0.0 0.0 0.0 0.0 0.0 0.0 0.0 ... 0 0 0 0 0 0 0 counts 4.0 1.0 1.0 1.0 1.0 1.0 1.5 ... 1 1 1 1 1 1 1 [2 rows x 4956 columns]
# aggfunc 聚合函數 # fill_value 為空的，怎么顯示，默認為Nan # margins 匯總，默認是不匯總 # margins_name 匯總列或者行字段名稱，默認為all pd.pivot_table(data, index=['dishes_name'], columns='order_id', values='counts', aggfunc=np.sum, fill_value=0, margins=True, margins_name='總') dishes_name 42度海之藍 北冰洋汽水 38度劍南春 50度古井貢酒 ... 黃油曲奇餅干 黃花菜炒木耳 黑米戀上葡萄 總 order_id ... 137 0 0 0 0 ... 0 0 0 9 165 0 0 1 0 ... 0 1 0 21 166 0 0 0 0 ... 0 0 0 7 171 0 0 0 0 ... 0 0 0 10 177 0 0 0 0 ... 0 0 0 4 ... ... ... ... ... ... ... ... ... ... 1314 0 0 1 0 ... 0 0 0 12 1317 0 0 0 0 ... 0 0 0 18 1319 0 0 0 0 ... 0 0 0 9 1323 0 0 1 0 ... 0 0 0 15 總 5 45 6 5 ... 5 15 18 3088
推薦好課：Python 自動化管理
def crosstab( index, # 行分組鍵 columns, # 列分組鍵 values=None, # 顯示的字段 rownames=None, # 行name colnames=None, # 列name aggfunc=None, # 聚合函數 margins=False, # 匯總 margins_name: str = "All", # 匯總列或者行的名稱 dropna: bool = True, normalize=False,
pd.crosstab(index = data['dishes_name'], columns=data['order_id'], values=data['counts'], aggfunc = np.sum) dishes_name 42度海之藍 北冰洋汽水 38度劍南春 ... 黃油曲奇餅干 黃花菜炒木耳 黑米戀上葡萄 order_id ... 137 NaN NaN NaN ... NaN NaN NaN 165 NaN NaN 1.0 ... NaN 1.0 NaN 166 NaN NaN NaN ... NaN NaN NaN 171 NaN NaN NaN ... NaN NaN NaN 177 NaN NaN NaN ... NaN NaN NaN ... ... ... ... ... ... ... ... 1309 NaN NaN NaN ... NaN NaN NaN 1314 NaN NaN 1.0 ... NaN NaN NaN 1317 NaN NaN NaN ... NaN NaN NaN 1319 NaN NaN NaN ... NaN NaN NaN 1323 NaN NaN 1.0 ... NaN NaN NaN [278 rows x 156 columns]
axis = 0 : 縱向合并axis = 1：橫向合并，索引對應合并
函數源碼 def concat( objs: Union[Iterable["NDFrame"], Mapping[Label, "NDFrame"]], # 傳入的是Df格式 axis=0, # 進行合并的方向 join="outer", # 默認使用的外連接 ignore_index: bool = False, # 重置排序索引 keys=None, levels=None, names=None, verify_integrity: bool = False, sort: bool = False, copy: bool = True,
left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K3'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'], 'key2': ['K0', 'K0', 'K0', 'K0'], 'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']}) pd.concat((left, right), axis = 0, join = 'inner') # 指定使用內連接，進行合并，默認使用的是outer pd.concat((left, right), axis = 1, join = 'inner')def merge(
left, # 左表
right, # 右表
how: str = "inner", # 默認是內連接，
on=None, # 必須是兩張表中有公共的主鍵，才能作為主鍵
left_on=None, # 左表主鍵
right_on=None, # 右表主鍵
left_index: bool = False,
right_index: bool = False,
sort: bool = False,
suffixes=("_x", "_y"),
copy: bool = True,
indicator: bool = False,
validate=None,（1） 兩表中有相同的主鍵
on 連接的主鍵，兩表中共有的主鍵 how 連接的方式，默認使用的是內連接 outer外連接，返回全部 inner內連接返回等值連接 left以左表為主 right以右表為主 pd.merge(left, right, on='key1', how='outer') key1 key2_x A B key2_y C D 0 K0 K0 A0 B0 K0 C0 D0 1 K0 K1 A1 B1 K0 C0 D0 2 K1 K0 A2 B2 K0 C1 D1 3 K1 K0 A2 B2 K0 C2 D2 4 K3 K1 A3 B3 NaN NaN NaN 5 K2 NaN NaN NaN K0 C3 D3
多個相同主鍵連接 pd.merge(left, right, on=['key1', 'key2'], how='outer') key1 key2 A B C D 0 K0 K0 A0 B0 C0 D0 1 K0 K1 A1 B1 NaN NaN 2 K1 K0 A2 B2 C1 D1 3 K1 K0 A2 B2 C2 D2 4 K3 K1 A3 B3 NaN NaN 5 K2 K0 NaN NaN C3 D3
（2） 兩表中沒有相同的主鍵
left_on ： 指定左表中的主鍵 right_on ： 指定右表中的主鍵 pd.merge(left, right, left_on = 'key1', right_on = 'key2', how='outer') key1_x key2_x A B key1_y key2_y C D 0 K0 K0 A0 B0 K0 K0 C0 D0 1 K0 K0 A0 B0 K1 K0 C1 D1 2 K0 K0 A0 B0 K1 K0 C2 D2 3 K0 K0 A0 B0 K2 K0 C3 D3 4 K0 K1 A1 B1 K0 K0 C0 D0 5 K0 K1 A1 B1 K1 K0 C1 D1 6 K0 K1 A1 B1 K1 K0 C2 D2 7 K0 K1 A1 B1 K2 K0 C3 D3 8 K1 K0 A2 B2 NaN NaN NaN NaN 9 K3 K1 A3 B3 NaN NaN NaN NaN
（3） 更改表格名稱的方法
left.rename(columns={'key1': 'key11111'}, inplace=True)
print(left)
key11111 key2 A B（4） 重疊合并，目的是將殘缺的表，合并為完整的表df1.combine_first(df2)
主表.combine_first(附表) dict1 = {'ID':[1,2,3,4,5,6,7,8,9], 'System':['W10','w10',np.nan,'w10',np.nan,np.nan,'w7','w7','w8']}dict2 = {'ID':[1,2,3,4,5,6,7,8,9],'System':[np.nan,np.nan,'w7','w7','w7','w7','w8',np.nan,np.nan]}df1 = pd.DataFrame(dict1)df2 = pd.DataFrame(dict2)print(df1,df2) # 誰在前，為主表，主表中沒有的補全，有的值，不動print(df1.combine_first(df2))ID System 0 1 W10 1 2 w10 2 3 w7 3 4 w10 4 5 w7 5 6 w7 6 7 w7 7 8 w7 8 9 w8
感謝你能夠認真閱讀完這篇文章，希望小編分享的“pandas常規操作有哪些”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
