上古卷轴5控制台代码大全武器(上古卷轴5控制台代码大全)
15个基本且常用Pandas代码片段
Pandas提供了强大的数据操作和分析功能,是数据科学的日常基本工具。在本文中,我们将介绍最常用的15个Pandas代码片段。这些片段将帮助简化数据分析任务,从数据集中提取有价值的见解。
1、过滤数据Pandas提供了多种方法来过滤数据。
import pandas as pd# Create a DataFramedata = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],'Age': [25, 30, 35, 40]}df = pd.DataFrame(data)# Filter rows where Age is greater than 30filtered_df = df[df['Age'] > 30]print(filtered_df)2、分组和聚合数据
# Grouping by a column and calculating the meangrouped = dfby('Age')an()print(grouped)3、数据缺失值
# Check for missing valuesmissing_values = df.isnull().sum()# Fill missing values with a specific valuedf['Age'].fillna(0, inplace=True)4、将函数应用于列
apply() 函数允许在 DataFrame 的行或列上应用自定义函数,以实现更复杂的数据处理和转换操作。
df['Age'] = df['Age']ly(lambda x: x * 2)5、连接DataFrames
这里的连接主要是行的连接,也就是说将两个相同列结构的DataFrame进行连接
# Concatenate two DataFramesdf1 = pd.DataFrame({'A': ['A0', 'A1'], 'B': ['B0', 'B1']})df2 = pd.DataFrame({'A': ['A2', 'A3'], 'B': ['B2', 'B3']})result = pdncat([df1, df2], ignore_index=True)print(result)6、合并DataFrames
这里的合并指的是列的合并,也就是说根据一个或若干个相同的列,进行合并
# Merge two DataFramesleft = pd.DataFrame({'key': ['A', 'B', 'C'], 'value': [1, 2, 3]})right = pd.DataFrame({'key': ['B', 'C', 'D'], 'value': [4, 5, 6]})merged = pdrge(left, right, on='key', how='inner')print(merged)7、数据透视表
pivot_table 是用于数据透视的重要函数之一。它根据一个或多个列的值对数据进行重新排列和汇总,以便更好地理解数据的结构和关系。
# Creating a pivot tablepivot_table = df.pivot_table(index='Name', columns='Age', values='Value')print(pivot_table)8、处理时间/日期类型数据
# Converting a column to DateTimedf['Date'] = pd.to_datetime(df['Date'])9、数据重塑
pandaslt() 是用于将宽格式(wide format)的数据表格转换为长格式(long format)。这个函数通常用于数据重塑(data reshaping)操作,以便更容易进行数据分析和可视化。
pandaslt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)
参数说明:
frame:要进行重塑操作的数据表格(DataFrame)。id_vars:需要保留的列,它们将成为长格式中的标识变量(identifier variable),不被"融化"。value_vars:需要"融化"的列,它们将被整合成一列,并用新的列名表示。var_name:用于存储"融化"后的列名的新列的名称。value_name:用于存储"融化"后的值的新列的名称。col_level:如果输入数据是多级索引(MultiIndex),则可以指定在哪个级别上应用"融化"操作。下面是一个示例,演示如何使用 melt() 函数将宽格式数据转换为长格式,假设有以下的宽格式数据表格 df:
ID Name Math English History0 1 Amy 90 85 881 2 Bob 78 92 762 3 John 88 79 90
我们要将 Math、English 和 History 列"融化"为一个长格式数据表格,可以这样做:
melted_df = pdlt(df, id_vars=['ID', 'Name'], value_vars=['Math', 'English', 'History'], var_name='Subject', value_name='Score')
转换后的长格式数据表格 melted_df 如下所示:
ID Name Subject Score0 1 Amy Math 901 2 Bob Math 782 3 John Math 883 1 Amy English 854 2 Bob English 925 3 John English 796 1 Amy History 887 2 Bob History 768 3 John History 90
通过这种方式,你可以将宽格式数据表格中的多列数据整合到一个列中,以更容易进行分析、可视化或其他操作。melt() 函数在数据清洗和转换阶段非常有用。
melt() 或者可以理解为上面pivot_table 或者unstack的反操作。
10、分类数据astype('category') 是用于将一列数据类型转换为分类(Category)类型的方法。将数据列转换为分类类型有助于节省内存和提高性能,特别是当数据列中包含有限的不同取值时。
# Encoding categorical variablesdf['Category'] = df['Category'].astype('category')df['Category'] = df['Category'].catdes11、数据抽样
# Randomly sample rows from a DataFramesampled_df = df.sample(n=2)12、计算累加和
# Calculating cumulative sumdf['Cumulative_Sum'] = df['Values'].cumsum()13、删除重复的数据
# Removing duplicate rowsdf.drop_duplicates(subset=['Column1', 'Column2'], keep='first', inplace=True)14、创建虚拟变量
pandas.get_dummies() 是 Pandas 中用于执行独热编码(One-Hot Encoding)的函数。
# Creating dummy variables for categorical datadummy_df = pd.get_dummies(df, columns=['Category'])15、数据导出
有很多个to方法,可以到导出不同的格式
# Exporting DataFrame to CSVdf.to_csv('output.csv', index=False)总结
以上这15个Pandas代码片段是我们日常最常用的数据操作和分析操作。熟练的掌握它,并将它们合并到工作流程中,可以提高处理和探索数据集的效率和效果。
作者:pythonfundamentals
15个基本且常用Pandas代码片段
Pandas提供了强大的数据操作和分析功能,是数据科学的日常基本工具。在本文中,我们将介绍最常用的15个Pandas代码片段。这些片段将帮助简化数据分析任务,从数据集中提取有价值的见解。
1、过滤数据Pandas提供了多种方法来过滤数据。
import pandas as pd# Create a DataFramedata = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],'Age': [25, 30, 35, 40]}df = pd.DataFrame(data)# Filter rows where Age is greater than 30filtered_df = df[df['Age'] > 30]print(filtered_df)2、分组和聚合数据
# Grouping by a column and calculating the meangrouped = dfby('Age')an()print(grouped)3、数据缺失值
# Check for missing valuesmissing_values = df.isnull().sum()# Fill missing values with a specific valuedf['Age'].fillna(0, inplace=True)4、将函数应用于列
apply() 函数允许在 DataFrame 的行或列上应用自定义函数,以实现更复杂的数据处理和转换操作。
df['Age'] = df['Age']ly(lambda x: x * 2)5、连接DataFrames
这里的连接主要是行的连接,也就是说将两个相同列结构的DataFrame进行连接
# Concatenate two DataFramesdf1 = pd.DataFrame({'A': ['A0', 'A1'], 'B': ['B0', 'B1']})df2 = pd.DataFrame({'A': ['A2', 'A3'], 'B': ['B2', 'B3']})result = pdncat([df1, df2], ignore_index=True)print(result)6、合并DataFrames
这里的合并指的是列的合并,也就是说根据一个或若干个相同的列,进行合并
# Merge two DataFramesleft = pd.DataFrame({'key': ['A', 'B', 'C'], 'value': [1, 2, 3]})right = pd.DataFrame({'key': ['B', 'C', 'D'], 'value': [4, 5, 6]})merged = pdrge(left, right, on='key', how='inner')print(merged)7、数据透视表
pivot_table 是用于数据透视的重要函数之一。它根据一个或多个列的值对数据进行重新排列和汇总,以便更好地理解数据的结构和关系。
# Creating a pivot tablepivot_table = df.pivot_table(index='Name', columns='Age', values='Value')print(pivot_table)8、处理时间/日期类型数据
# Converting a column to DateTimedf['Date'] = pd.to_datetime(df['Date'])9、数据重塑
pandaslt() 是用于将宽格式(wide format)的数据表格转换为长格式(long format)。这个函数通常用于数据重塑(data reshaping)操作,以便更容易进行数据分析和可视化。
pandaslt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)
参数说明:
frame:要进行重塑操作的数据表格(DataFrame)。id_vars:需要保留的列,它们将成为长格式中的标识变量(identifier variable),不被"融化"。value_vars:需要"融化"的列,它们将被整合成一列,并用新的列名表示。var_name:用于存储"融化"后的列名的新列的名称。value_name:用于存储"融化"后的值的新列的名称。col_level:如果输入数据是多级索引(MultiIndex),则可以指定在哪个级别上应用"融化"操作。下面是一个示例,演示如何使用 melt() 函数将宽格式数据转换为长格式,假设有以下的宽格式数据表格 df:
ID Name Math English History0 1 Amy 90 85 881 2 Bob 78 92 762 3 John 88 79 90
我们要将 Math、English 和 History 列"融化"为一个长格式数据表格,可以这样做:
melted_df = pdlt(df, id_vars=['ID', 'Name'], value_vars=['Math', 'English', 'History'], var_name='Subject', value_name='Score')
转换后的长格式数据表格 melted_df 如下所示:
ID Name Subject Score0 1 Amy Math 901 2 Bob Math 782 3 John Math 883 1 Amy English 854 2 Bob English 925 3 John English 796 1 Amy History 887 2 Bob History 768 3 John History 90
通过这种方式,你可以将宽格式数据表格中的多列数据整合到一个列中,以更容易进行分析、可视化或其他操作。melt() 函数在数据清洗和转换阶段非常有用。
melt() 或者可以理解为上面pivot_table 或者unstack的反操作。
10、分类数据astype('category') 是用于将一列数据类型转换为分类(Category)类型的方法。将数据列转换为分类类型有助于节省内存和提高性能,特别是当数据列中包含有限的不同取值时。
# Encoding categorical variablesdf['Category'] = df['Category'].astype('category')df['Category'] = df['Category'].catdes11、数据抽样
# Randomly sample rows from a DataFramesampled_df = df.sample(n=2)12、计算累加和
# Calculating cumulative sumdf['Cumulative_Sum'] = df['Values'].cumsum()13、删除重复的数据
# Removing duplicate rowsdf.drop_duplicates(subset=['Column1', 'Column2'], keep='first', inplace=True)14、创建虚拟变量
pandas.get_dummies() 是 Pandas 中用于执行独热编码(One-Hot Encoding)的函数。
# Creating dummy variables for categorical datadummy_df = pd.get_dummies(df, columns=['Category'])15、数据导出
有很多个to方法,可以到导出不同的格式
# Exporting DataFrame to CSVdf.to_csv('output.csv', index=False)总结
以上这15个Pandas代码片段是我们日常最常用的数据操作和分析操作。熟练的掌握它,并将它们合并到工作流程中,可以提高处理和探索数据集的效率和效果。
作者:pythonfundamentals
声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送至邮件举报,一经查实,本站将立刻删除。转载务必注明出处:http://www.hixs.net/article/20230929/169494770919106.html