我要评论一、安装pandas
创建虚拟环境：
#创建虚拟环境
mkvirtualenv -p python3 pandas_env
#进入虚拟环境
workon pandas_env安装pandas
# 1、安装包
$ pip install pandas 测试
# 2、进入python的交互式界面
$ python -i
# 3、使用Pandas
>>> import pandas as pd
>>> df = pd.DataFrame()
>>> print(df)
# 4、输出结果
Empty DataFrame
Columns: []
Index: []安装处理excel的xlrd
pip install xlrd使用pandas读取excel并打印
from pandas import pandas as pd
df = pd.read_excel("C:/Users/zixuan/Desktop/test.xlsx")
print(df)
输出：
name age class sex
0 wzx 25 c g
1 lzq 24 c m
2 jjj 5 c mexcel内容如下：
二、数据结构
pandas的数据结构分为两种： Series（一维数据）与 DataFrame（二维数据）。
| 维数 | 名称 | 描述 |
|---|---|---|
| 1 | Series | 带标签的一维同构数组 |
| 2 | DataFrame | 带标签的，大小可变的，二维异构表格 |
Pandas 数据结构就像是低维数据的容器。比如，DataFrame 是 Series 的容器，Series 则是标量的容器。使用这种方式，可以在容器中以字典的形式插入或删除对象。
1.DataFrame
在DataFrame中，index是行，columns是列。如上面的例子中，pandas会将第一行的数据当作表头，即列名。从第二行开始，以0为起始，作为DF的行。
DataFrame 的每一列都是一个Series。如：
for col in df.columns:
series = df[col]
print(series)
输出：
0 wzx
1 lzq
2 jjj
Name: name, dtype: object
0 25
1 24
2 5
Name: age, dtype: int64
0 c
1 c
2 c
Name: class, dtype: object
0 g
1 m
2 m
Name: sex, dtype: objectPandas 所有数据结构的值都是可变的，但数据结构的大小并非都是可变的，比如，Series 的长度不可改变，但 DataFrame 里就可以插入列。
Pandas 里，绝大多数方法都不改变原始的输入数据，而是复制数据，生成新的对象。 一般来说，原始输入数据不变更稳妥。
三、DF的操作
一、属性
1.将df转换成数组
df.values
输出：
[['wzx' 25 'c' 'g']
['lzq' 24 'c' 'm']
['jjj' 5 'c' 'm']]2.查看所有列名
for col in df.columns:
print(col)
输出：
name
age
class
sex3.查看所有索引
for index in df.index:
print(index)
输出:
0
1
24.查看df的形状
df.shape
输出：
(3, 4)
#三行四列，在excel中是四行四列，但第一行在pandas中被视为表头5.查看df的大小
df.size
输出：
12
#即一共有12个单元格6.查看每列的数据类型
df.dtypes
输出：
name object
age int64
class object
sex object
dtype: object二、行列操作和切片
1.指定某一列作为索引
#将第一列name设置为索引
df.set_index('name',inplace=True)
print(df.index)
输出：
Index(['wzx', 'lzq', 'jjj'], dtype='object', name='name')2.取指定列的数据
#查看age列
df['age']
#或
df.age
输出：
name
wzx 25
lzq 24
jjj 5
Name: age, dtype: int643.取指定行数据（使用loc）
#取索引为wzx的行
df.loc['wzx']
输出：
age 25
class c
sex g
Name: wzx, dtype: object
#取多行数据（索引为wzx lzq），可将多个索引以列表方式传入
df.loc[['wzx','lzq']]
输出：
age class sex
name
wzx 25 c g
lzq 24 c m 4.取指定行的指定列的数据（即某单元格的数据）
#取索引为wzx的age
df.loc['wzx','age']
输出：
25
#取索引为wzx lzq的age class
df.loc[['wzx','lzq'],['age','class']]
输出：
age class
name
wzx 25 c
lzq 24 c注意：loc可传入两个参数，第一个参数作为索引，第二个参数作为列名。如果不传第二个参数，则默认取所有列。
如：
- 取某个索引的某个列的例子中，字符串'wzx'作为第一个参数，字符串'age'作为第二个参数。
- 取多个索引的多个列的例子中，数组['wzx','lzq']作为第一个参数，数组['age','class']作为第二个参数。
5.行切片
#取wzx开始到jjj结束的所有行
df.loc['wzx':'jjj']
输出：
age class sex
name
wzx 25 c g
lzq 24 c m
jjj 5 c m6.列切片
#取age开始到sex结束的所有列
for col in df['age':'sex']:
series = df[col]
print(series)
print(col)
输出：
name
wzx 25
lzq 24
jjj 5
Name: age, dtype: int64
age
name
wzx c
lzq c
jjj c
Name: class, dtype: object
class
name
wzx g
lzq m
jjj m
Name: sex, dtype: object
sex 7.按行号取行
#取第0行和第2行数据
df.iloc[[0,2]]
输出：
age class sex
name
wzx 25 c g
jjj 5 c m
#从第0行起，取3行数据
df.iloc[0:3]
输出：
age class sex
name
wzx 25 c g
lzq 24 c m
jjj 5 c m
#取从第0行起，取3行数据的第1、2列
df.iloc[0:3,[1,2]]
输出：
class sex
name
wzx c g
lzq c m
jjj c m 8.转换成数组后取数据
#转换成数组，取数组中第0行第0列数据
df.values[0,0]
输出:
259.运算取索引
#取符合条件的索引（age=24的索引）
df.age==24
输出;
name
wzx False
lzq True
jjj False
Name: age, dtype: bool
#取符合条件的索引的所有数据
df[df.age==24]
输出：
age class sex
name
lzq 24 c m 10.对某列判空
#判断某列是否全为空
df['age'].isnull().all()
#判断某列是否含有空值
df['age'].isnull().any() 三、数据修改
1.修改某单元格的值
#将索引为wzx行的age修改为18
df.loc["wzx","age"] = 18
print(df.loc["wzx"])
输出：
age 18
class c
sex g
Name: wzx, dtype: object 2.添加一列
#1.创建Series，传入一个列表表示这列的值，还可以指定索引，列表的长度需要等于索引个数
s1 = pd.Series([1, 2, 3],index=df.index)
print(s1)
输出：
name
wzx 1
lzq 2
jjj 3
dtype: int64
#2.插入df，即指定df的某列为这个Series，如这个Series为df的id列
df["id"]=s1
print(df)
输出：
age class sex id
name
wzx 25 c g 1
lzq 24 c m 2
jjj 5 c m 3 3.添加一行
方法一：插入Series
#1.创建Series，传入一个列表表示这列的值，还可以指定索引，列表的长度需要等于索引个数
#创建Series可使用name参数指定Series的索引，如果不指定，也可以在插入df时指定
s1 = pd.Series([1, "c","m"],df.columns)
print(s1)
输出：
age 1
class c
sex m
dtype: object
#2.插入df，此时指定索引为xiaoxiao
df.loc["xiaoxiao"] = s1
print(df)
输出：
age class sex id
name
wzx 25 c g 1
lzq 24 c m 2
jjj 5 c m 3 方法二:使用append方法插入
#1.创建Series，传入一个列表表示这列的值，还可以指定索引，列表的长度需要等于索引个数
#创建Series使用name参数指定索引，如果指定了name，则在调用append方法时，则不能忽略索引，即ignore_index=False
s1 = pd.Series([1, "c","m"],index=["age","class","sex"],name="xiaoxiao")
df = df.append(s1,ignore_index=False)
print(df)
输出：
age class sex
name
wzx 25 c g
lzq 24 c m
jjj 5 c m
xiaoxiao 1 c m四、合并
1.concat垂直合并两个df
类似sql中的union all，但是两个df的结构（字段数量）可以不一致。如：
#1.创建两个相同的df
df1 = pd.read_excel(fileName , sheet_name=sheetName)
df2 = pd.read_excel(fileName , sheet_name=sheetName)
df1.set_index('name',inplace=True)
df2.set_index('name',inplace=True)
两个df内容相同：
age class sex
name
wzx 25 c g
lzq 24 c m
jjj 5 c m
#给df1添加一列
s1 = pd.Series([1, 2, 3],index=df.index)
df1["id"]=s1
#合并df1和df2
df = pd.concat([df1,df2])
print(df)
输出：
age class sex id
name
wzx 25 c g 1.0
lzq 24 c m 2.0
jjj 5 c m 3.0
wzx 25 c g NaN
lzq 24 c m NaN
jjj 5 c m NaN2.concat水平合并两个df
水平合并只需要在调用concat时指定axis=1即可。相当于sql的join，会将索引一致的数据合并在一起。
如df2中没有索引为xiaoxiao的数据，则合并后，索引xiaoxiao的那行数据只有df1的值。
同样创建两个内容相同的df：
age class sex
name
wzx 25 c g
lzq 24 c m
jjj 5 c m
#给df1添加一行
s1 = pd.Series([1, "c","m"],index=["age","class","sex"],name="xiaoxiao")
df1 = df1.append(s1,ignore_index=False)
输出：
age class sex
name
wzx 25 c g
lzq 24 c m
jjj 5 c m
xiaoxiao 1 c m
#水平合并
df = pd.concat([df1,df2],axis=1)
print(df)
输出：
age class sex age class sex
wzx 25 c g 25.0 c g
lzq 24 c m 24.0 c m
jjj 5 c m 5.0 c m
xiaoxiao 1 c m NaN NaN NaN3.使用merge合并
merge合并时，也类似于sql的join。并且可以指定join方式，要睡觉不写了。。。具体参考官网：df的merge
本文地址：https://blog.csdn.net/x950913/article/details/108716122
您可能感兴趣的文章:
如您对本文有疑问或者有任何想说的，请点击进行留言回复，万千网友为您解惑！
网友评论