当前位置： 首页 > news >正文

渭南网站建设远景网站友情链接代码

news 2025/10/10 3:26:26
渭南网站建设远景,网站友情链接代码,公司用的邮箱哪种好用,资阳网站建设方案一、安装，导入 1、安装 使用包管理器安装： pip3 install pandas 2、导入 import pandas as pd as是为了方便引用起的别名 二、DateFrame 在Pandas库中，DataFrame 是一种非常重要的数据结构，它提供了一种灵活的方式来存储和…

一、安装，导入

1、安装

使用包管理器安装：

pip3 install pandas

2、导入

import pandas as pd

as是为了方便引用起的别名

二、DateFrame

在Pandas库中，DataFrame 是一种非常重要的数据结构，它提供了一种灵活的方式来存储和操作结构化数据。DataFrame 类似于Excel中的表格，具有行和列，其中每列可以是不同的数据类型（数值、字符串、布尔值等）。

1、创建DateFrame

import pandas as pd  # 从字典创建 DataFrame  
data = {'Name': ['Alice', 'Bob', 'Charlie'],  'Age': [25, 30, 35],  'City': ['New York', 'Los Angeles', 'Chicago']}  
df = pd.DataFrame(data)  # 从列表的字典创建 DataFrame  
data_list = [{'Name': 'Alice', 'Age': 25, 'City': 'New York'},  {'Name': 'Bob', 'Age': 30, 'City': 'Los Angeles'},  {'Name': 'Charlie', 'Age': 35, 'City': 'Chicago'}]  
df_list = pd.DataFrame(data_list)

两个对象存储情况：

 Name  Age         City
0    Alice   25     New York
1      Bob   30  Los Angeles
2  Charlie   35      Chicago


      Name  Age         City
0    Alice   25     New York
1      Bob   30  Los Angeles
2  Charlie   35      Chicago

2、查看 DateFrame

# 查看前几行  
print(df.head())  # 查看后几行  
print(df.tail())  # 查看数据的基本信息  
print(df.info())  # 查看数值列的统计信息  
print(df.describe())

head和tail括号内都可以写数值指定要前几行。默认是5行。

3、选择数据

你可以通过列名、行标签（索引）或条件来选择数据。

# 选择单列  
print(df['Name'])  # 选择多列  
print(df[['Name', 'Age']])  # 通过行标签选择（假设设置了索引）  
# df.set_index('Name', inplace=True)  
# print(df.loc['Alice'])  # 通过条件选择  
print(df[df['Age'] > 30])

当你使用 inplace=True 参数时，这个操作会直接在原DataFrame上进行，而不会返回一个新的DataFrame。之后，你可以使用 .loc[] 索引器来根据新的索引值选择数据。

可以通过设置index属性自定义输出的顺序。

app=data['apples']
#自定义输出序列下标顺序
app=pd.Series(app,index=[0,2,1,3])

执行后，会根据索引值的0213顺序赋值给app. 

4、添加或删除数据

# 添加新列  
df = df.assign(Salary=pd.Series([50000, 60000, 70000]))  # 删除列  
df = df.drop(columns=['City'])  # 删除行（通过索引或条件）  
# df = df.drop(index=0)  # 删除第一行  
# df = df[df['Age'] != 30]  # 删除 Age 为 30 的行

5、数据处理

Pandas 提供了丰富的数据处理功能，如分组（groupby）、聚合（aggregate）、合并（merge）、连接（join）等。

# 分组和聚合  
grouped = df.groupby('City').agg({'Age': 'mean', 'Salary': 'sum'})  # 合并两个 DataFrame  
df1 = pd.DataFrame({'Key': ['K0', 'K1', 'K2', 'K3'],  'A': ['A0', 'A1', 'A2', 'A3']})  
df2 = pd.DataFrame({'Key': ['K0', 'K1', 'K2', 'K3'],  'B': ['B0', 'B1', 'B2', 'B3']})  
merged = pd.merge(df1, df2, on='Key')

6、导出数据

你可以将 DataFrame 导出为CSV、Excel等格式的文件。

# 导出为CSV文件  
df.to_csv('output.csv', index=False)  # 导出为Excel文件  
df.to_excel('output.xlsx', index=False)

将index设置为false可以去掉下标。

7、其他操作

（1）转置

print(date.T)

使用DateFrame对象打点调用T可以将矩阵进行转置，也就是将行转为列，列转为行。

（2）排序


#根据内容排序,ascending=False是降序，默认升序
print(date.sort_values(by='A',ascending=False))

也可以根据索引排序，就是使用date.sort_values。

三、时间序列和Resample函数

时间序列数据在Pandas中通常存储为DataFrame或Series对象，其中时间戳作为索引。这种结构使得Pandas能够轻松地对数据进行时间相关的操作，如按时间筛选、滚动窗口计算、时间差计算等。

resample()函数是Pandas时间序列对象（DataFrame或Series）的一个方法，它允许用户按照指定的频率对数据进行重新采样。重新采样的过程通常包括两个步骤：首先，根据新的频率对数据进行分组；其次，对每个分组应用聚合函数（如求和、平均、最大值、最小值等）来计算新的值。

# 假设df是一个时间序列DataFrame，时间戳作为索引  
# 对数据进行按月重新采样，并计算每个月的平均值  
monthly_mean = df.resample('M').mean()

参数：

  • rule：字符串或数字，指定新的采样频率。
  • on：可选参数，指定用于重新采样的列名（如果DataFrame的索引不是时间戳）。
  • closed：可选参数，指定区间的开闭性，'left'、'right'或None（默认为'right'）。
  • label：可选参数，指定标签的位置，'left'、'right'或'both'（默认为'right'），或者是一个时间戳数组。
  • convention：可选参数，指定'start'、'end'或'e'（默认为'end'），用于确定在区间边界上的值的归属。
  • loffset：可选参数，用于调整标签的位置。
  • base：可选参数，用于指定时间间隔的起始点（0到23之间的整数）。
  • how或aggregate：可选参数，指定应用于每个分组的聚合函数（如'mean'、'sum'等）。在较新版本的Pandas中，建议使用aggregate参数。

常用的resample聚合函数 

  1. mean()：计算每个分组的平均值。这是时间序列数据分析中最常用的聚合函数之一，用于获取数据的平均水平。

  2. sum()：计算每个分组的总和。这个函数可以用于计算某个时间段内的累积值。

  3. count()：计算每个分组中非空（非NA/null）值的数量。这个函数可以用于检查数据的完整性或缺失情况。

  4. first()：获取每个分组的第一个值。这个函数可以用于提取时间序列数据中的起始点。

  5. last()：获取每个分组的最后一个值。这个函数可以用于提取时间序列数据中的结束点。

  6. min()：计算每个分组的最小值。这个函数可以用于识别数据中的最低点或阈值。

  7. max()：计算每个分组的最大值。这个函数可以用于识别数据中的最高点或峰值。

  8. ohlc()：计算每个分组的开盘价（first）、最高价（max）、最低价（min）和收盘价（last）。这个函数通常用于金融时间序列数据的分析。

  9. prod()：计算每个分组的乘积。这个函数可以用于计算某个时间段内数据的累积效应。

  10. std()：计算每个分组的标准差。这个函数用于衡量数据的离散程度或波动性。

  11. var()：计算每个分组的方差。方差是标准差的平方，同样用于衡量数据的离散程度。

  12. median()：计算每个分组的中位数。中位数是一种位置平均数，对于偏态分布的数据具有较好的代表性。

  13. quantile()：计算每个分组的指定分位数。这个函数允许用户指定一个介于0和1之间的数值作为分位数，以获取数据的不同分位点。

  14. apply()：应用一个自定义的函数到每个分组。这个函数提供了极大的灵活性，允许用户根据自己的需求编写复杂的聚合逻辑。

四、plot快速可视化

 plot可视化需要安装一个matplotlib包

使用包管理器安装matplotlib

pip3 install matplotlib

案例：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#单样本
df=np.random.rand(1000)
df=pd.DataFrame(df,index=pd.date_range('20210101',periods=1000))
print(df)
df.plot()
plt.show()

df是一个新的DataFrame，然后设置一个新的索引，这个索引是一个日期范围，从'20210101'开始，包含1000个日期。plot 方法实际上是Pandas对Matplotlib绘图库的封装，为用户提供了一个简洁的接口来快速生成图表。plt.show是展示出来。

展示图表：

 五、读取与存储（pandas）

读取是pandas打点调用‘’read_格式‘’函数，读什么格式的文件就用什么格式。

案例：

读取csv的文件：

pd.read_csv('txt.csv')

以下是一些Pandas可读取的主要文件类型：

  1. CSV（Comma-Separated Values）文件：
    • CSV是一种常见的文本文件格式，用于存储表格数据。
    • 每行表示一条记录，字段之间用逗号分隔。
    • Pandas使用read_csv函数读取CSV文件。
  2. Excel文件：
    • Excel是一种常见的电子表格文件格式，通常包含多个工作表。
    • Pandas使用read_excel函数读取Excel文件，并可以指定要读取的工作表名称或索引。
  3. JSON（JavaScript Object Notation）文件：
    • JSON是一种轻量级的数据交换格式，易于阅读和编写。
    • Pandas使用read_json函数读取JSON文件。
  4. SQL数据库：
    • Pandas支持从SQL数据库中读取数据，需要使用SQLAlchemy库来创建数据库连接。
    • 使用read_sql或read_sql_table函数从SQL数据库中读取数据。
  5. Parquet文件：
    • Parquet是一种高效的列式存储格式，适用于大规模数据集。
    • Pandas使用read_parquet函数读取Parquet文件。
  6. HDF5文件：
    • HDF5是一种用于存储大量数据的文件格式，支持分层数据存储。
    • Pandas使用read_hdf函数读取HDF5文件，需要指定数据集的键（key）。
  7. Feather文件：
    • Feather是一种轻量级的二进制文件格式，适用于快速读写。
    • Pandas使用read_feather函数读取Feather文件。
  8. Pickle文件：
    • Pickle是Python的一种序列化格式，用于存储Python对象。
    • Pandas使用read_pickle函数读取Pickle文件。
  9. HTML文件：
    • Pandas可以读取HTML文件中的表格数据。
    • 使用read_html函数读取HTML文件，该函数返回一个DataFrame列表，其中每个DataFrame对应HTML文件中的一个表格。
  10. TXT文件：
    • 虽然Pandas没有专门为TXT文件设计的读取函数，但可以使用read_csv函数通过指定适当的分隔符来读取TXT文件。如果TXT文件的字段是用制表符（\t）分隔的，可以使用sep='\t'参数。

案例2：

向Excel写入：

data.to_excel('excel.xlsx',sheet_name='a')

上述代码实现了创建sheet页:a,并向excel.xlsx文件输入data数据。若想追加sheet页：

with pd.ExcelWriter('writerExcel.xlsx',mode='a',engine='openpyxl') as writer:data.to_excel(writer,sheet_name='d')

需要在打开文件时设置属性mode值为:a表示追加

engine参数用于指定用于写入Excel文件的底层引擎。Pandas支持多种引擎来处理Excel文件，但最常用的引擎是openpyxl（用于.xlsx文件）和xlsxwriter。这两个引擎都提供了丰富的功能来创建和修改Excel文件。

  • openpyxl：这是一个用于读写Excel 2010 xlsx/xlsm/xltx/xltm文件的Python库。它支持对Excel文件的读取和写入，包括公式、图表、图像等复杂元素。

  • xlsxwriter：这是一个Python库，用于创建Excel .xlsx文件。它提供了丰富的功能来格式化单元格、添加图表、创建工作表等。

同时添加多个sheet页：

with pd.ExcelWriter('writerExcel.xlsx') as writer:data.to_excel(writer,sheet_name='a')data.to_excel(writer, sheet_name='b')data.to_excel(writer, sheet_name='c')

http://www.yayakq.cn/news/761711/

相关文章：

  • 惠州 商城网站建设网页设计期末作业代码
  • 菠菜网站怎么做推广比较好建网站的免费空间
  • 中石化网站群建设南京做网站找哪家好
  • 简单网页模板免费下载关键词seo排名公司
  • 企业网站快照更新一等一网站建设
  • 子商务网站建设的一般流程微信微网站开发价格
  • 网站制作成本包含网站建设前期规划方案
  • 绍兴做网站价格沧州公司网站建设
  • 潮州建设网站营销型网站的特点
  • 同一个阿里云可以做两个网站吗鹤壁企业网站建设
  • 做网站的公司 苏迪域名注册信息查询
  • 东莞建域名网站定制高端网站建设企业
  • 做外贸哪些网站可以发布产品房屋模拟装修软件
  • 服装网站建设目标客户湛江专门做网站
  • 在一呼百应上做网站行吗建网站带支付链接
  • 什么是网站外部链接建设衬衫定做公司
  • 临沂网站建设和轶件安装个人网站转为企业网站
  • 绵阳集团网站建设王也道长古风头像
  • 广州网站优化指导前端需要会wordpress
  • 客户网站留言公司内部 网站开发
  • 网站关停公告怎么做网站后台教程
  • 导购网站免费推广wordpress评论没有收到邮箱
  • 一个具体网站的seo优化友情链接检查工具
  • 云彩网站服务器租用租赁
  • 怎样才可以知道网站是否优化手机百度网页版登录入口
  • 商机网网站源码随州seo
  • 没有域名网站吗网站做301
  • 温岭手机网站建设如何做公司自己的网站首页
  • 静态网页建站备案域名注册
  • 高端的响应式网站建设公司个人备案做公司网站