Python3.5 Pandas模块之DataFrame用法实例分析

Python  /  管理员 发布于 7年前   164

本文实例讲述了Python3.5 Pandas模块之DataFrame用法。分享给大家供大家参考，具体如下：

1、DataFrame的创建

（1）通过二维数组方式创建

#!/usr/bin/env python# -*- coding:utf-8 -*-# Author:ZhengzhengLiuimport numpy as npimport pandas as pdfrom pandas import Series,DataFrame#1.DataFrame通过二维数组创建print("======DataFrame直接通过二维数组创建======")d1 = DataFrame([["a","b","c","d"],[1,2,3,4]])print(d1)print("======DataFrame借助array二维数组创建======")arr = np.array([  ["jack",78],  ["lili",86],  ["amy",97],  ["tom",100]])d2 = DataFrame(arr,index=["01","02","03","04"],columns=["姓名","成绩"])print(d2)print("========打印行索引========")print(d2.index)print("========打印列索引========")print(d2.columns)print("========打印值========")print(d2.values)

运行结果：

======DataFrame直接通过二维数组创建======
   0  1  2  3
0  a  b  c  d
1  1  2  3  4
======DataFrame借助array二维数组创建======
      姓名   成绩
01  jack   78
02  lili   86
03   amy   97
04   tom  100
========打印行索引========
Index(['01', '02', '03', '04'], dtype='object')
========打印列索引========
Index(['姓名', '成绩'], dtype='object')
========打印值========
[['jack' '78']
 ['lili' '86']
 ['amy' '97']
 ['tom' '100']]

（2）通过字典方式创建

#2.DataFrame通过字典创建，键作为列索引，键值作为数据值，行索引值自动生成data = {  "apart":['1101',"1102","1103","1104"],  "profit":[2000,4000,5000,3500],  "month":8}d3 = DataFrame(data)print(d3)print("========行索引========")print(d3.index)print("========列索引========")print(d3.columns)print("========数据值========")print(d3.values)

运行结果：

apart  month  profit
0  1101      8    2000
1  1102      8    4000
2  1103      8    5000
3  1104      8    3500
========行索引========
RangeIndex(start=0, stop=4, step=1)
========列索引========
Index(['apart', 'month', 'profit'], dtype='object')
========数据值========
[['1101' 8 2000]
 ['1102' 8 4000]
 ['1103' 8 5000]
 ['1104' 8 3500]]

2、DataFrame数据获取

import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#3.DataFrame获取数据data = {  "apart":['1101',"1102","1103","1104"],  "profit":[2000,4000,5000,3500],  "month":8}d3 = DataFrame(data)print(d3)print("======获取一列数据======")print(d3["apart"])print("======获取一行数据======")print(d3.ix[1])print("======修改数据值======")d3["month"] = [7,8,9,10]        #修改值d3["year"] = [2001,2001,2003,2004]   #新增列d3.ix["4"] = np.NaNprint(d3)

运行结果：

 apart  month  profit
0  1101      8    2000
1  1102      8    4000
2  1103      8    5000
3  1104      8    3500
======获取一列数据======
0    1101
1    1102
2    1103
3    1104
Name: apart, dtype: object
======获取一行数据======
apart     1102
month        8
profit    4000
Name: 1, dtype: object
======修改数据值======
  apart  month  profit    year
0  1101    7.0  2000.0  2001.0
1  1102    8.0  4000.0  2001.0
2  1103    9.0  5000.0  2003.0
3  1104   10.0  3500.0  2004.0
4   NaN    NaN     NaN     NaN

3、pandas基本功能

（1）pandas数据文件读取

import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#pandas基本操作#1.数据文件读取df = pd.read_csv("data.csv")print(df)

运行结果：

    name  age  source
0  gerry   18    98.5
1    tom   21    78.2
2   lili   24    98.5
3   john   20    89.2

（2）数据过滤获取

import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#pandas基本操作#1.数据文件读取df = pd.read_csv("data.csv")print(df)#2.数据过滤获取columns = ["姓名","年龄","成绩"]df.columns = columns    #更改列索引print("=======更改列索引========")print(df)#获取几列的值df1 = df[columns[1:]]print("=======获取几列的值========")print(df1)print("=======获取几行的值========")print(df.ix[1:3])#删除含有NaN值的行df2 = df1.dropna()print("=======删除含有NaN值的行=======")print(df2)

运行结果：

 name  age  source
0  gerry   18    98.5
1    tom   21     NaN
2   lili   24    98.5
3   john   20    89.2
=======更改列索引========
      姓名  年龄    成绩
0  gerry  18  98.5
1    tom  21   NaN
2   lili  24  98.5
3   john  20  89.2
=======获取几列的值========
   年龄    成绩
0  18  98.5
1  21   NaN
2  24  98.5
3  20  89.2
=======获取几行的值========
     姓名  年龄    成绩
1   tom  21   NaN
2  lili  24  98.5
3  john  20  89.2
=======删除含有NaN值的行=======
   年龄    成绩
0  18  98.5
2  24  98.5
3  20  89.2

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数学运算技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。