午夜福利爱爱,99ree,无码三级在线观看,骚逼美女网站,啪啪网站免费观看,日韩AAAAAA,成人毛片在线大全免费,伊人天堂视频

    
     
      
       
        
         
          來源：DeepHub IMBA
         
        
       
      
     
    
    
     
      
       
        
         本文約1500字，建議閱讀5分鐘
         本文為你分享15個日常最常用的數(shù)據(jù)操作和分析操作Pandas代碼片段。

Pandas提供了強(qiáng)大的數(shù)據(jù)操作和分析功能，是數(shù)據(jù)科學(xué)的日常基本工具。在本文中，我們將介紹最常用的15個Pandas代碼片段。這些片段將幫助簡化數(shù)據(jù)分析任務(wù)，從數(shù)據(jù)集中提取有價值的見解。

1、過濾數(shù)據(jù)

Pandas提供了多種方法來過濾數(shù)據(jù)。

 import pandas as pd
 # Create a DataFrame data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],        'Age': [25, 30, 35, 40]}
 df = pd.DataFrame(data)
 # Filter rows where Age is greater than 30 filtered_df = df[df['Age'] > 30] print(filtered_df)

2、分組和聚合數(shù)據(jù)

 # Grouping by a column and calculating the mean grouped = df.groupby('Age').mean() print(grouped)

3、數(shù)據(jù)缺失值

 # Check for missing values missing_values = df.isnull().sum()
 # Fill missing values with a specific value df['Age'].fillna(0, inplace=True)

4、將函數(shù)應(yīng)用于列

apply() 函數(shù)允許在 DataFrame 的行或列上應(yīng)用自定義函數(shù)，以實(shí)現(xiàn)更復(fù)雜的數(shù)據(jù)處理和轉(zhuǎn)換操作。

 df['Age'] = df['Age'].apply(lambda x: x * 2)

5、連接DataFrames

這里的連接主要是行的連接，也就是說將兩個相同列結(jié)構(gòu)的DataFrame進(jìn)行連接

 # Concatenate two DataFrames df1 = pd.DataFrame({'A': ['A0', 'A1'], 'B': ['B0', 'B1']}) df2 = pd.DataFrame({'A': ['A2', 'A3'], 'B': ['B2', 'B3']})
 result = pd.concat([df1, df2], ignore_index=True) print(result)

6、合并DataFrames

這里的合并指的是列的合并，也就是說根據(jù)一個或若干個相同的列，進(jìn)行合并

 # Merge two DataFrames left = pd.DataFrame({'key': ['A', 'B', 'C'], 'value': [1, 2, 3]}) right = pd.DataFrame({'key': ['B', 'C', 'D'], 'value': [4, 5, 6]})
 merged = pd.merge(left, right, on='key', how='inner') print(merged)

7、數(shù)據(jù)透視表

pivot_table 是用于數(shù)據(jù)透視的重要函數(shù)之一。它根據(jù)一個或多個列的值對數(shù)據(jù)進(jìn)行重新排列和匯總，以便更好地理解數(shù)據(jù)的結(jié)構(gòu)和關(guān)系。

 # Creating a pivot table pivot_table = df.pivot_table(index='Name', columns='Age', values='Value') print(pivot_table)

8、處理時間/日期類型數(shù)據(jù)

 # Converting a column to DateTime df['Date'] = pd.to_datetime(df['Date'])

9、數(shù)據(jù)重塑

pandas.melt() 是用于將寬格式（wide format）的數(shù)據(jù)表格轉(zhuǎn)換為長格式（long format）。這個函數(shù)通常用于數(shù)據(jù)重塑（data reshaping）操作，以便更容易進(jìn)行數(shù)據(jù)分析和可視化。

 pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)

參數(shù)說明：

frame：要進(jìn)行重塑操作的數(shù)據(jù)表格（DataFrame）。
id_vars：需要保留的列，它們將成為長格式中的標(biāo)識變量（identifier variable），不被"融化"。
value_vars：需要"融化"的列，它們將被整合成一列，并用新的列名表示。
var_name：用于存儲"融化"后的列名的新列的名稱。
value_name：用于存儲"融化"后的值的新列的名稱。
col_level：如果輸入數(shù)據(jù)是多級索引（MultiIndex），則可以指定在哪個級別上應(yīng)用"融化"操作。

下面是一個示例，演示如何使用 melt() 函數(shù)將寬格式數(shù)據(jù)轉(zhuǎn)換為長格式，假設(shè)有以下的寬格式數(shù)據(jù)表格 df：

    ID Name Math English History 0   1   Amy   90       85       88 1   2   Bob   78       92       76 2   3 John   88       79       90

我們要將 Math、English 和 History 列"融化"為一個長格式數(shù)據(jù)表格，可以這樣做：

 melted_df = pd.melt(df, id_vars=['ID', 'Name'], value_vars=['Math', 'English', 'History'],  var_name='Subject', value_name='Score')

轉(zhuǎn)換后的長格式數(shù)據(jù)表格 melted_df 如下所示：

    ID Name Subject Score 0   1   Amy     Math     90 1   2   Bob     Math     78 2   3 John     Math     88 3   1   Amy English     85 4   2   Bob English     92 5   3 John English     79 6   1   Amy History     88 7   2   Bob History     76 8   3 John History     90

通過這種方式，你可以將寬格式數(shù)據(jù)表格中的多列數(shù)據(jù)整合到一個列中，以更容易進(jìn)行分析、可視化或其他操作。melt() 函數(shù)在數(shù)據(jù)清洗和轉(zhuǎn)換階段非常有用。

melt() 或者可以理解為上面pivot_table 或者unstack的反操作。

10、分類數(shù)據(jù)

astype('category') 是用于將一列數(shù)據(jù)類型轉(zhuǎn)換為分類（Category）類型的方法。將數(shù)據(jù)列轉(zhuǎn)換為分類類型有助于節(jié)省內(nèi)存和提高性能，特別是當(dāng)數(shù)據(jù)列中包含有限的不同取值時。

 # Encoding categorical variables df['Category'] = df['Category'].astype('category') df['Category'] = df['Category'].cat.codes

11、數(shù)據(jù)抽樣

 # Randomly sample rows from a DataFrame sampled_df = df.sample(n=2)

12、計算累加和

 # Calculating cumulative sum df['Cumulative_Sum'] = df['Values'].cumsum()

13、刪除重復(fù)的數(shù)據(jù)

 # Removing duplicate rows df.drop_duplicates(subset=['Column1', 'Column2'], keep='first', inplace=True)

14、創(chuàng)建虛擬變量

pandas.get_dummies() 是 Pandas 中用于執(zhí)行獨(dú)熱編碼（One-Hot Encoding）的函數(shù)。

 # Creating dummy variables for categorical data dummy_df = pd.get_dummies(df, columns=['Category']

15、數(shù)據(jù)導(dǎo)出

有很多個to方法，可以到導(dǎo)出不同的格式

 # Exporting DataFrame to CSV df.to_csv('output.csv', index=False)

總結(jié)

以上這15個Pandas代碼片段是我們?nèi)粘Ｗ畛Ｓ玫臄?shù)據(jù)操作和分析操作。熟練的掌握它，并將它們合并到工作流程中，可以提高處理和探索數(shù)據(jù)集的效率和效果。

編輯：于騰凱

校對：龔力

15個基本且常用Pandas代碼片段

1、過濾數(shù)據(jù)

2、分組和聚合數(shù)據(jù)

3、數(shù)據(jù)缺失值

4、將函數(shù)應(yīng)用于列