这篇文章主要讲解了“有哪些高效的Pandas函数”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“有哪些高效的Pandas函数”吧!介绍这些函数之前,第一步先要导入pandas和numpy。1. QueryQuery是pandas的过滤查询函数,使用布尔表达式来查询DataFrame的列,就是说按照列的规则进行过滤操作。用法:参数作用:expr:要评估的查询字符串;inplace=False:查询是应该修改数据还是返回修改后的副本kwargs:dict关键字参数首先生成一段df:过滤查询用起来比较简单,比如要查列value_1查询列year>=2016的行记录:2. InsertInsert用于在DataFrame的指定位置中插入新的数据列。默认情况下新列是添加到末尾的,但可以更改位置参数,将新列添加到任何位置。用法:参数作用:loc: int型,表示插入位置在第几列;若在第一列插入数据,则 loc=0column: 给插入的列取名,如 column=’新的一列’value:新列的值,数字、array、series等都可以allow_duplicates: 是否允许列名重复,选择Ture表示允许新的列名与已存在的列名重复接着用前面的df:在第三列的位置插入新列:3. CumsumCumsum是pandas的累加函数,用来求列的累加值。用法:参数作用:axis:index或者轴的名字skipna:排除NA/null值以前面的df为例,group列有A、B、C三组,year列有多个年份。我们只知道当年度的值value_1、value_2,现在求group分组下的累计值,比如A、2014之前的累计值,可以用cumsum函数来实现。当然仅用cumsum函数没办法对groups (A, B, C)进行区分,所以需要结合分组函数groupby分别对(A, B, C)进行值的累加。4. SampleSample用于从DataFrame中随机选取若干个行或列。用法:参数作用:n:要抽取的行数frac:抽取行的比例 例如frac=0.8,就是抽取其中80%replace:是否为有放回抽样, True:有放回抽样 False:未放回抽样weights:字符索引或概率数组random_state :随机数发生器种子axis:选择抽取数据的行还是列 axis=0:抽取行 axis=1:抽取列比如要从df中随机抽取5行:从df随机抽取60%的行,并且设置随机数种子,每次能抽取到一样的样本:5. WhereWhere用来根据条件替换行或列中的值。如果满足条件,保持原来的值,不满足条件则替换为其他值。默认替换为NaN,也可以指定特殊值。用法:参数作用:cond:布尔条件,如果 cond 为真,保持原来的值,否则替换为otherother:替换的特殊值inplace:inplace为真则在原数据上操作,为False则在原数据的copy上操作axis:行或列将df中列value_1里小于5的值替换为0:Where是一种掩码操作。「掩码」(英语:Mask)在计算机学科及数字逻辑中指的是一串二进制数字,通过与目标数字的按位操作,达到屏蔽指定位而实现需求。6. IsinIsin也是一种过滤方法,用于查看某列中是否包含某个字符串,返回值为布尔Series,来表明每一行的情况。用法:筛选df中year列值在[‘2010′,’2014′,’2017’]免费云主机、域名里的行:7. Loc and ilocLoc和iloc通常被用来选择行和列,它们的功能相似,但用法是有区别的。用法:loc:按标签(column和index)选择行和列iloc:按索引位置选择行和列选择df第1~3行、第1~2列的数据,使用iloc:使用loc:提示:使用loc时,索引是指index值,包括上边界。iloc索引是指行的位置,不包括上边界。选择第1、3、5行,year和value_1列:8. Pct_changePct_change是一个统计函数,用于表示当前元素与前面元素的相差百分比,两元素的区间可以调整。比如说给定三个元素[2,3,6],计算相差百分比后得到[NaN, 0.5, 1.0],从第一个元素到第二个元素增加50%,从第二个元素到第三个元素增加100%。用法:参数作用:periods:间隔区间,即步长fill_method:处理空值的方法对df的value_1列进行增长率的计算:9. RankRank是一个排名函数,按照规则(从大到小,从小到大)给原序列的值进行排名,返回的是排名后的名次。比如有一个序列[1,7,5,3],使用rank从小到大排名后,返回[1,4,3,2],这就是前面那个序列每个值的排名位置。用法:参数作用:axis:行或者列method:返回名次的方式,可选{‘average’, ‘min’, ‘max’, ‘first’, ‘dense’}method=average 默认设置: 相同的值占据前两名,分不出谁是1谁是2,那么去中值即1.5,下面一名为第三名method=max: 两人并列第 2 名,下一个人是第 3 名method=min: 两人并列第 1 名,下一个人是第 3 名method=dense: 两人并列第1名,下一个人是第 2 名method=first: 相同值会按照其在序列中的相对位置定值ascending:正序和倒序对df中列value_1进行排名:10. MeltMelt用于将宽表变成窄表,是 pivot透视逆转操作函数,将列名转换为列数据(columns name → column values),重构DataFrame。简单说就是将指定的列放到铺开放到行上变成两列,类别是variable(可指定)列,值是value(可指定)列。用法:参数作用:frame:它是指DataFrameid_vars [元组, 列表或ndarray, 可选]:不需要被转换的列名,引用用作标识符变量的列value_vars [元组, 列表或ndarray, 可选]:引用要取消透视的列。如果未指定, 请使用未设置为id_vars的所有列var_name [scalar]:指代用于”变量”列的名称。如果为None, 则使用- – frame.columns.name或’variable’value_name [标量, 默认为’value’]:是指用于” value”列的名称col_level [int或string, 可选]:如果列为MultiIndex, 它将使用此级别来融化例如有一串数据,表示不同城市和每天的人口流动:现在将day1、day2列变成变量列,再加一个值列:感谢各位的阅读,以上就是“有哪些高效的Pandas函数”的内容了,经过本文的学习后,相信大家对有哪些高效的Pandas函数这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是云技术,小编将为大家推送更多相关知识点的文章,欢迎关注!
本篇内容介绍了“redux应用加减求和功能怎么实现”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成! 1.去除Count组件自身的状态count组件为我们需要使用的…