pandas

pandas
1.表格數(shù)據(jù)操作；【增刪改查】
2.實現(xiàn)多個表格的處理；
3.數(shù)據(jù)清洗操作： 缺失值，重復(fù)值，異常值，數(shù)據(jù)標準化，數(shù)據(jù)轉(zhuǎn)換的操作；
4.實現(xiàn)excel的特殊操作：生成透視表，交叉表；
5.完成統(tǒng)計分析；

import pandas as pd import numpy as np

一、構(gòu)建dataframe

創(chuàng)建方法一：

df = pd.DataFrame(data=[['ss',20, '男','0831'],['lx',20, '女','0830'],['lx',22, '女','0830']], index=['a','c', 'b'], columns=['name','age','sex','class'],) print(df) name age sex class a ss 20 男 0831 c lx 20 女 0830 b lx 22 女 0830

創(chuàng)建方法二：

df2 = pd.DataFrame(data={'name':['ss','lx'],'age':[20, 18], 'sex':['男','女'], 'class':['0831','0830']}) print(type(df2)) <class 'pandas.core.frame.DataFrame'>

二、dataframe屬性

print('df結(jié)構(gòu)：\n', df.shape) print('df維度：\n', df.ndim) print('df元素個數(shù)：\n', df.size)print('df數(shù)據(jù)類型：\n', df.dtypes) print('df的列索引:\n', df.columns) print('df的行索引:\n', df.index) print('df的元素：\n', type(df.values)) #<class 'numpy.ndarray'> df結(jié)構(gòu)：(3, 4) df維度：2 df元素個數(shù)：12 df數(shù)據(jù)類型：name object age int64 sex object class object dtype: object df的列索引:Index(['name', 'age', 'sex', 'class'], dtype='object') df的行索引:Index(['a', 'c', 'b'], dtype='object') df的元素：<class 'numpy.ndarray'>

三、df的查找

series是一維的類型，只有一個軸

切一列值的方法

ser = df['name'] # 一維的切法，返回的是series類型 print(type(ser)) # <class 'pandas.core.series.Series'> <class 'pandas.core.series.Series'>

2.切多列值的方法

df[['name', 'age']][:2] nameageac

ss	20
lx	20

索引; df.loc[行索引名稱/條件, 列的索引名稱]

print(df) name age sex class a ss 20 男 0831 c lx 20 女 0830 b lx 22 女 0830 # print(df.loc['a', 'name']) # print(df.loc[['a','b'], 'name']) # print(df.loc[['a','b'], ['name','age']]) print(df.loc[:'b', 'name']) # 前閉后閉 a ss c lx b lx Name: name, dtype: object

3.條件切片

例： 獲取所有年齡大于18歲的同學(xué)

mask = df['age'] > 18 print(mask) a True c True b True Name: age, dtype: bool df.loc[mask, 'name'] a ss c lx b lx Name: name, dtype: object

例： 獲取所有年齡大于18歲的女同學(xué)

mask1 = df['age']>18 mask2 = df['sex'] == '女' mask3 = mask1 & mask2 df.loc[mask3, :] nameagesexclasscb

lx	20	女	0830
lx	22	女	0830

df.iloc[行的位置索引, 列的位置索引]

print(df) name age sex class a ss 20 男 0831 c lx 20 女 0830 b lx 22 女 0830 df.iloc[:, 1] a 20 c 20 b 22 Name: age, dtype: int64 df.iloc[:2, 2:] # 前閉后開 sexclassac

男	0831
女	0830

df.iloc[-1, :].index Index(['name', 'age', 'sex', 'class'], dtype='object')

4.df增加方法

（1）增加一列：

df['address'] = ['北京','上海','北京']print(df) name age sex class address a ss 20 男 0831 北京 c lx 20 女 0830 上海 b lx 22 女 0830 北京 df['address'] = '北京' print(df) name age sex class address a ss 20 男 0831 北京 c lx 20 女 0830 北京 b lx 22 女 0830 北京

（2）增加一行：

df_mini = pd.DataFrame(data={'name':['ss','lx'],'age':[20, 18], 'sex':['男','女'], 'class':['0831','0830']},index=['a','b'])df3 = df.append(df_mini,ignore_index=True ) #ignore_index: 表示忽略原始索引，重新設(shè)置索引print(df3) address age class name sex 0 北京 20 0831 ss 男 1 北京 20 0830 lx 女 2 北京 22 0830 lx 女 3 NaN 20 0831 ss 男 4 NaN 18 0830 lx 女

刪除方法

inplace: 表示是否對原表進行修改，True為直接修改原始表格， False為不修改；

#刪除列： df3.drop(labels=['address','class'], axis=1) agenamesex01234

20	ss	男
20	lx	女
22	lx	女
20	ss	男
18	lx	女

df3.drop(labels=[0, 2], axis=0, inplace=True) print(df3) address age class name sex 1 北京 20 0830 lx 女 3 NaN 20 0831 ss 男 4 NaN 18 0830 lx 女

df更改數(shù)值方法

print(df) name age sex class address a ss 20 男 0831 北京 c lx 20 女 0830 北京 b lx 22 女 0830 北京 # 例： 將名字為“l(fā)x”的人的班級改為“有問題”； df.loc[df['name']=='lx', 'class'] = '有問題' print(df) name age sex class address a ss 20 男 0831 北京 c lx 20 女 有問題 北京 b lx 22 女 有問題 北京

四、統(tǒng)計分析

numpy 統(tǒng)計方法：

print(df) name age sex class address a ss 20 男 0831 北京 c lx 20 女 有問題 北京 b lx 22 女 有問題 北京 #2. 延用numpy中的10個統(tǒng)計分析方法： np.mean(df['age']) 20.666666666666668 #3. 其它方法： np.ptp(df['age']) #極差 ： max-min 2 print(df) name age sex class address a ss 20 男 0831 北京 c lx 20 女 有問題 北京 b lx 22 女 有問題 北京 #4. pandas中的方法： # (1) 針對series: # df['age'].min() #df與series中通用 # df['age'].std() #df與series中通用 # df['age'].argmax() #只能在series中使用# df['name'].mode() # 眾數(shù) #df與series中通用 # df['name'].count() # 非空數(shù)目 #df與series中通用 # df['name'].value_counts() # 頻數(shù)統(tǒng)計 #只能在series中使用 #(2) 針對df類型 print(df) df['grade'] = [98, 90, 92] name age sex class address a ss 20 男 0831 北京 c lx 20 女 有問題 北京 b lx 22 女 有問題 北京 print(df[['age', 'grade']].idxmax(axis=1)) # 最大值索引, 橫向比較； a grade c grade b grade dtype: object print(df[['age', 'grade']].idxmax(axis=0)) # 最大值索引，縱向比較；【一維，二維都可以使用] age b grade a dtype: object print(df.mode()) #眾數(shù) 【ser和pandas中都可以使用】 name age sex class address grade 0 lx 20.0 女 有問題 北京 90 1 NaN NaN NaN NaN NaN 92 2 NaN NaN NaN NaN NaN 98 print(df[['age','grade']].describe()) age grade count 3.000000 3.000000 mean 20.666667 93.333333 std 1.154701 4.163332 min 20.000000 90.000000 25% 20.000000 91.000000 50% 20.000000 92.000000 75% 21.000000 95.000000 max 22.000000 98.000000 print(df[['name','sex']].describe())""" describe()作用在類別型df中返回值： count:非空數(shù)目 unique: 去重之后有幾個值； top：眾數(shù) freq:眾數(shù)出現(xiàn)的頻數(shù) """ name sex count 3 3 unique 2 2 top lx 女 freq 2 2'\ndescribe()作用在類別型df中返回值：\ncount:非空數(shù)目\nunique: 去重之后有幾個值；\ntop：眾數(shù)\nfreq:眾數(shù)出現(xiàn)的頻數(shù)\n' print(df[['age','name']].describe()) age count 3.000000 mean 20.666667 std 1.154701 min 20.000000 25% 20.000000 50% 20.000000 75% 21.000000 max 22.000000

五、excel文件讀取：

detail = pd.read_excel(r'C:\Users\ibm\Desktop\meal_order_detail.xlsx')

作業(yè)：

刪除表格中取值全部為空值的列 或 取值全部相同的列，刪完以后結(jié)構(gòu)為多少？

該飯店中8月1日一共銷售了多少個訂單？

該飯店中8月份第一周共收入多少錢？

該飯店中一共出售多少種菜品，哪種菜品最受歡迎？【請認真思考返回值是否符合邏輯】

該飯店中菜品均價為多少？最高價格與最低價格差距多大？

補充內(nèi)容：

1、series構(gòu)建

pd.Series(data=['lx', 'ss', 'zs'], index=[0, 1, 2]) 0 lx 1 ss 2 zs dtype: object

六、讀取excel數(shù)據(jù)：

1.sheetname； 切換sheet表格
1. 可以傳入int，表示從0開始的索引；
2. 可以傳入string,表示表名稱；
3. 可以傳入None，表示一次性獲取所有表格；
4. 可以傳入list, [‘sheetname’, 2]

data = pd.read_excel(r'C:\Users\ibm\Desktop\meal_order_detail.xlsx',sheetname=['meal_order_detail2','meal_order_detail1']) data = pd.read_excel(r'C:\Users\ibm\Desktop\meal_order_detail.xlsx', sheetname=None) print('查看當前表格中所有sheet的名稱：\n', list(data.keys()))print('參看第一張表格數(shù)據(jù):\n', data['meal_order_detail1']) 查看當前表格中所有sheet的名稱：['meal_order_detail1', 'meal_order_detail2', 'meal_order_detail3'] 參看第一張表格數(shù)據(jù):detail_id order_id dishes_id logicprn_name parent_class_name \ 0 2956 417 610062 NaN NaN 1 2958 417 609957 NaN NaN 2 2961 417 609950 NaN NaN 3 2966 417 610038 NaN NaN 4 2968 417 610003 NaN NaN 5 1899 301 610019 NaN NaN 6 1902 301 609991 NaN NaN 7 1906 301 609983 NaN NaN 8 1907 301 609981 NaN NaN 9 1908 301 610030 NaN NaN 10 1910 301 610011 NaN NaN 11 2916 413 609966 NaN NaN 12 2919 413 609965 NaN NaN 13 2921 413 609936 NaN NaN 14 2923 413 609978 NaN NaN 15 2925 413 609983 NaN NaN 16 2927 413 610050 NaN NaN 17 2926 413 609984 NaN NaN 18 2928 413 610013 NaN NaN 19 2930 413 610032 NaN NaN 20 2932 413 609973 NaN NaN 21 2934 413 610007 NaN NaN 22 2938 415 609964 NaN NaN 23 2935 413 609992 NaN NaN 24 2936 413 610012 NaN NaN 25 2940 415 610064 NaN NaN 26 2937 413 610023 NaN NaN 27 2939 413 609931 NaN NaN 28 2643 392 609930 NaN NaN 29 2942 415 609959 NaN NaN ... ... ... ... ... ... 2749 6335 732 609944 NaN NaN 2750 6336 732 609952 NaN NaN 2751 5074 616 609970 NaN NaN 2752 5075 616 610001 NaN NaN 2753 6088 716 609970 NaN NaN 2754 6091 716 609942 NaN NaN 2755 6094 716 609946 NaN NaN 2756 6098 716 609953 NaN NaN 2757 6106 716 609957 NaN NaN 2758 6103 716 609944 NaN NaN 2759 5076 616 610000 NaN NaN 2760 5080 616 610033 NaN NaN 2761 6111 716 609960 NaN NaN 2762 6115 716 609955 NaN NaN 2763 6120 716 609983 NaN NaN 2764 6116 716 609974 NaN NaN 2765 6125 716 609991 NaN NaN 2766 6127 716 610011 NaN NaN 2767 6131 716 610038 NaN NaN 2768 6128 716 610022 NaN NaN 2769 6135 716 610020 NaN NaN 2770 6137 716 610031 NaN NaN 2771 6734 774 609941 NaN NaN 2772 6736 774 609944 NaN NaN 2773 6739 774 609994 NaN NaN 2774 6750 774 610011 NaN NaN 2775 6742 774 609996 NaN NaN 2776 6756 774 609949 NaN NaN 2777 6763 774 610014 NaN NaN 2778 6764 774 610017 NaN NaN dishes_name itemis_add counts amounts cost \ 0 蒜蓉生蠔 0 1 49 NaN 1 蒙古烤羊腿 0 1 48 NaN 2 大蒜莧菜 0 1 30 NaN 3 芝麻烤紫菜 0 1 25 NaN 4 蒜香包 0 1 13 NaN 5 白斬雞 0 1 88 NaN 6 香烤牛排 0 1 55 NaN 7 干鍋田雞 0 1 88 NaN 8 桂圓枸杞鴿子湯 0 1 48 NaN 9 番茄有機花菜 0 1 32 NaN 10 白飯/大碗 0 1 10 NaN 11 芝士燴波士頓龍蝦 0 1 175 NaN 12 蔥姜炒蟹 0 1 109 NaN 13 皮蛋瘦肉粥 0 1 16 NaN 14 爆炒鱔碌 0 1 55 NaN 15 干鍋田雞 0 1 88 NaN 16 番茄甘藍 0 1 33 NaN 17 重慶特色油燒兔 0 1 69 NaN 18 番茄燉秋葵 0 1 35 NaN 19 長城窖釀解百納紅酒干紅葡萄酒 0 1 35 NaN 20 紫薯面包卷 0 1 20 NaN 21 桂圓肉紅豆八寶飯 0 1 39 NaN 22 避風(fēng)塘炒蟹 0 1 48 NaN 23 番茄燉牛腩\r\n\r\n\r\n 0 1 35 NaN 24 香菇鵪鶉蛋 0 1 39 NaN 25 花蛤蒸蛋 0 1 37 NaN 26 啤酒鴨 0 1 48 NaN 27 燜豬手 0 1 58 NaN 28 豌豆薯仔豬骨湯 0 1 39 NaN 29 小炒羊腰\r\n\r\n\r\n 0 1 36 NaN ... ... ... ... ... ... 2749 水煮魚 0 1 65 NaN 2750 美妙絕倫之白蓮花 0 1 29 NaN 2751 麻辣小龍蝦 0 1 99 NaN 2752 土豆西紅柿湯面 0 1 13 NaN 2753 麻辣小龍蝦 0 1 99 NaN 2754 辣炒魷魚 0 1 58 NaN 2755 谷稻小莊 0 1 38 NaN 2756 涼拌菠菜 0 1 27 NaN 2757 蒙古烤羊腿\r\n\r\n\r\n 0 1 48 NaN 2758 水煮魚 0 1 65 NaN 2759 酸辣湯面 0 1 16 NaN 2760 張裕葡萄酒張裕赤霞珠干紅\r\n\r\n\r\n 0 1 32 NaN 2761 白胡椒胡蘿卜羊肉湯 0 1 35 NaN 2762 紅酒燉羊肉 0 1 108 NaN 2763 干鍋田雞 0 1 88 NaN 2764 南瓜枸杞小餅干 0 1 19 NaN 2765 香烤牛排\r\n\r\n\r\n 0 1 55 NaN 2766 白飯/大碗 0 1 10 NaN 2767 芝麻烤紫菜 0 1 25 NaN 2768 杭椒雞珍 0 1 58 NaN 2769 泡椒鳳爪\r\n\r\n\r\n 0 1 58 NaN 2770 糖醋蕃茄溜青花 0 1 33 NaN 2771 清蒸海魚 0 1 78 NaN 2772 水煮魚 0 1 65 NaN 2773 獨家薄荷鮮蝦牛肉卷\r\n\r\n\r\n 0 1 45 NaN 2774 白飯/大碗 0 1 10 NaN 2775 牛尾湯 0 1 40 NaN 2776 意文檸檬汁 0 1 13 NaN 2777 金玉良緣 0 1 30 NaN 2778 酸辣藕丁 0 1 33 NaN place_order_time discount_amt discount_reason kick_back \ 0 2016-08-01 11:05:36 NaN NaN NaN 1 2016-08-01 11:07:07 NaN NaN NaN 2 2016-08-01 11:07:40 NaN NaN NaN 3 2016-08-01 11:11:11 NaN NaN NaN 4 2016-08-01 11:11:30 NaN NaN NaN 5 2016-08-01 11:15:57 NaN NaN NaN 6 2016-08-01 11:19:12 NaN NaN NaN 7 2016-08-01 11:22:21 NaN NaN NaN 8 2016-08-01 11:22:53 NaN NaN NaN 9 2016-08-01 11:23:56 NaN NaN NaN 10 2016-08-01 11:31:15 NaN NaN NaN 11 2016-08-01 12:42:52 NaN NaN NaN 12 2016-08-01 12:43:21 NaN NaN NaN 13 2016-08-01 12:43:34 NaN NaN NaN 14 2016-08-01 12:44:08 NaN NaN NaN 15 2016-08-01 12:44:12 NaN NaN NaN 16 2016-08-01 12:45:09 NaN NaN NaN 17 2016-08-01 12:45:24 NaN NaN NaN 18 2016-08-01 12:46:26 NaN NaN NaN 19 2016-08-01 12:48:48 NaN NaN NaN 20 2016-08-01 12:49:27 NaN NaN NaN 21 2016-08-01 12:50:03 NaN NaN NaN 22 2016-08-01 12:51:38 NaN NaN NaN 23 2016-08-01 12:51:46 NaN NaN NaN 24 2016-08-01 12:52:18 NaN NaN NaN 25 2016-08-01 12:52:37 NaN NaN NaN 26 2016-08-01 12:53:39 NaN NaN NaN 27 2016-08-01 12:54:30 NaN NaN NaN 28 2016-08-01 12:58:44 NaN NaN NaN 29 2016-08-01 12:59:03 NaN NaN NaN ... ... ... ... ... 2749 2016-08-10 20:19:03 NaN NaN NaN 2750 2016-08-10 20:19:22 NaN NaN NaN 2751 2016-08-10 20:37:48 NaN NaN NaN 2752 2016-08-10 20:39:37 NaN NaN NaN 2753 2016-08-10 20:41:10 NaN NaN NaN 2754 2016-08-10 20:41:29 NaN NaN NaN 2755 2016-08-10 20:46:41 NaN NaN NaN 2756 2016-08-10 20:47:14 NaN NaN NaN 2757 2016-08-10 20:47:17 NaN NaN NaN 2758 2016-08-10 20:47:36 NaN NaN NaN 2759 2016-08-10 20:48:31 NaN NaN NaN 2760 2016-08-10 20:49:20 NaN NaN NaN 2761 2016-08-10 20:50:11 NaN NaN NaN 2762 2016-08-10 20:50:12 NaN NaN NaN 2763 2016-08-10 20:51:37 NaN NaN NaN 2764 2016-08-10 20:51:42 NaN NaN NaN 2765 2016-08-10 20:52:09 NaN NaN NaN 2766 2016-08-10 20:52:12 NaN NaN NaN 2767 2016-08-10 20:53:09 NaN NaN NaN 2768 2016-08-10 20:53:26 NaN NaN NaN 2769 2016-08-10 20:56:10 NaN NaN NaN 2770 2016-08-10 20:57:11 NaN NaN NaN 2771 2016-08-10 21:50:35 NaN NaN NaN 2772 2016-08-10 21:53:17 NaN NaN NaN 2773 2016-08-10 21:55:58 NaN NaN NaN 2774 2016-08-10 21:56:24 NaN NaN NaN 2775 2016-08-10 21:56:48 NaN NaN NaN 2776 2016-08-10 22:01:52 NaN NaN NaN 2777 2016-08-10 22:03:58 NaN NaN NaN 2778 2016-08-10 22:04:30 NaN NaN NaN add_inprice add_info bar_code picture_file emp_id 0 0 NaN NaN caipu/104001.jpg 1442 1 0 NaN NaN caipu/202003.jpg 1442 2 0 NaN NaN caipu/303001.jpg 1442 3 0 NaN NaN caipu/105002.jpg 1442 4 0 NaN NaN caipu/503002.jpg 1442 5 0 NaN NaN caipu/204002.jpg 1095 6 0 NaN NaN caipu/201001.jpg 1095 7 0 NaN NaN caipu/205003.jpg 1095 8 0 NaN NaN caipu/205001.jpg 1095 9 0 NaN NaN caipu/304004.jpg 1095 10 0 NaN NaN caipu/601005.jpg 1095 11 0 NaN NaN caipu/101001.jpg 1147 12 0 NaN NaN caipu/102005.jpg 1147 13 0 NaN NaN caipu/602002.jpg 1147 14 0 NaN NaN caipu/106003.jpg 1147 15 0 NaN NaN caipu/205003.jpg 1147 16 0 NaN NaN caipu/301004.jpg 1147 17 0 NaN NaN caipu/205004.jpg 1147 18 0 NaN NaN caipu/302002.jpg 1147 19 0 NaN NaN caipu/401001.jpg 1147 20 0 NaN NaN caipu/502003.jpg 1147 21 0 NaN NaN caipu/601001.jpg 1147 22 0 NaN NaN caipu/102004.jpg 1166 23 0 NaN NaN caipu/201002.jpg 1147 24 0 NaN NaN caipu/302001.jpg 1147 25 0 NaN NaN caipu/104003.jpg 1166 26 0 NaN NaN caipu/204006.jpg 1147 27 0 NaN NaN caipu/203002.jpg 1147 28 0 NaN NaN caipu/203001.jpg 1094 29 0 NaN NaN caipu/202005.jpg 1166 ... ... ... ... ... ... 2749 0 NaN NaN caipu/103005.jpg 1153 2750 0 NaN NaN caipu/303003.jpg 1153 2751 0 NaN NaN caipu/101006.jpg 1133 2752 0 NaN NaN caipu/603005.jpg 1133 2753 0 NaN NaN caipu/101006.jpg 1112 2754 0 NaN NaN caipu/103003.jpg 1112 2755 0 NaN NaN caipu/404002.jpg 1112 2756 0 NaN NaN caipu/303004.jpg 1112 2757 0 NaN NaN caipu/202003.jpg 1112 2758 0 NaN NaN caipu/103005.jpg 1112 2759 0 NaN NaN caipu/603004.jpg 1133 2760 0 NaN NaN caipu/402002.jpg 1133 2761 0 NaN NaN caipu/202006.jpg 1112 2762 0 NaN NaN caipu/202001.jpg 1112 2763 0 NaN NaN caipu/205003.jpg 1112 2764 0 NaN NaN caipu/502004.jpg 1112 2765 0 NaN NaN caipu/201001.jpg 1112 2766 0 NaN NaN caipu/601005.jpg 1112 2767 0 NaN NaN caipu/105002.jpg 1112 2768 0 NaN NaN caipu/204005.jpg 1112 2769 0 NaN NaN caipu/204003.jpg 1112 2770 0 NaN NaN caipu/304005.jpg 1112 2771 0 NaN NaN caipu/103002.jpg 1138 2772 0 NaN NaN caipu/103005.jpg 1138 2773 0 NaN NaN caipu/201004.jpg 1138 2774 0 NaN NaN caipu/601005.jpg 1138 2775 0 NaN NaN caipu/201006.jpg 1138 2776 0 NaN NaN caipu/404005.jpg 1138 2777 0 NaN NaN caipu/302003.jpg 1138 2778 0 NaN NaN caipu/302006.jpg 1138 [2779 rows x 19 columns]

2.header：表示選擇哪一行作為列索引， 默認為第一行， 當header不為0時， 會將默認為列索引之前的行全部刪掉不讀；

data = pd.read_excel(r'C:\Users\ibm\Desktop\meal_order_detail.xlsx',sheet_name=0, header=2) print(data) 2958 417 609957 NA NA.1 蒙古烤羊腿 0 1 48 NA.2 \ 0 2961 417 609950 NaN NaN 大蒜莧菜 0 1 30 NaN 1 2966 417 610038 NaN NaN 芝麻烤紫菜 0 1 25 NaN 2 2968 417 610003 NaN NaN 蒜香包 0 1 13 NaN 3 1899 301 610019 NaN NaN 白斬雞 0 1 88 NaN 4 1902 301 609991 NaN NaN 香烤牛排 0 1 55 NaN 5 1906 301 609983 NaN NaN 干鍋田雞 0 1 88 NaN 6 1907 301 609981 NaN NaN 桂圓枸杞鴿子湯 0 1 48 NaN 7 1908 301 610030 NaN NaN 番茄有機花菜 0 1 32 NaN 8 1910 301 610011 NaN NaN 白飯/大碗 0 1 10 NaN 9 2916 413 609966 NaN NaN 芝士燴波士頓龍蝦 0 1 175 NaN 10 2919 413 609965 NaN NaN 蔥姜炒蟹 0 1 109 NaN 11 2921 413 609936 NaN NaN 皮蛋瘦肉粥 0 1 16 NaN 12 2923 413 609978 NaN NaN 爆炒鱔碌 0 1 55 NaN 13 2925 413 609983 NaN NaN 干鍋田雞 0 1 88 NaN 14 2927 413 610050 NaN NaN 番茄甘藍 0 1 33 NaN 15 2926 413 609984 NaN NaN 重慶特色油燒兔 0 1 69 NaN 16 2928 413 610013 NaN NaN 番茄燉秋葵 0 1 35 NaN 17 2930 413 610032 NaN NaN 長城窖釀解百納紅酒干紅葡萄酒 0 1 35 NaN 18 2932 413 609973 NaN NaN 紫薯面包卷 0 1 20 NaN 19 2934 413 610007 NaN NaN 桂圓肉紅豆八寶飯 0 1 39 NaN 20 2938 415 609964 NaN NaN 避風(fēng)塘炒蟹 0 1 48 NaN 21 2935 413 609992 NaN NaN 番茄燉牛腩\r\n\r\n\r\n 0 1 35 NaN 22 2936 413 610012 NaN NaN 香菇鵪鶉蛋 0 1 39 NaN 23 2940 415 610064 NaN NaN 花蛤蒸蛋 0 1 37 NaN 24 2937 413 610023 NaN NaN 啤酒鴨 0 1 48 NaN 25 2939 413 609931 NaN NaN 燜豬手 0 1 58 NaN 26 2643 392 609930 NaN NaN 豌豆薯仔豬骨湯 0 1 39 NaN 27 2942 415 609959 NaN NaN 小炒羊腰\r\n\r\n\r\n 0 1 36 NaN 28 2652 392 609936 NaN NaN 皮蛋瘦肉粥 0 1 16 NaN 29 2650 392 609935 NaN NaN 山藥養(yǎng)生粥 0 1 19 NaN ... ... ... ... .. ... ... .. .. ... ... 2747 6335 732 609944 NaN NaN 水煮魚 0 1 65 NaN 2748 6336 732 609952 NaN NaN 美妙絕倫之白蓮花 0 1 29 NaN 2749 5074 616 609970 NaN NaN 麻辣小龍蝦 0 1 99 NaN 2750 5075 616 610001 NaN NaN 土豆西紅柿湯面 0 1 13 NaN 2751 6088 716 609970 NaN NaN 麻辣小龍蝦 0 1 99 NaN 2752 6091 716 609942 NaN NaN 辣炒魷魚 0 1 58 NaN 2753 6094 716 609946 NaN NaN 谷稻小莊 0 1 38 NaN 2754 6098 716 609953 NaN NaN 涼拌菠菜 0 1 27 NaN 2755 6106 716 609957 NaN NaN 蒙古烤羊腿\r\n\r\n\r\n 0 1 48 NaN 2756 6103 716 609944 NaN NaN 水煮魚 0 1 65 NaN 2757 5076 616 610000 NaN NaN 酸辣湯面 0 1 16 NaN 2758 5080 616 610033 NaN NaN 張裕葡萄酒張裕赤霞珠干紅\r\n\r\n\r\n 0 1 32 NaN 2759 6111 716 609960 NaN NaN 白胡椒胡蘿卜羊肉湯 0 1 35 NaN 2760 6115 716 609955 NaN NaN 紅酒燉羊肉 0 1 108 NaN 2761 6120 716 609983 NaN NaN 干鍋田雞 0 1 88 NaN 2762 6116 716 609974 NaN NaN 南瓜枸杞小餅干 0 1 19 NaN 2763 6125 716 609991 NaN NaN 香烤牛排\r\n\r\n\r\n 0 1 55 NaN 2764 6127 716 610011 NaN NaN 白飯/大碗 0 1 10 NaN 2765 6131 716 610038 NaN NaN 芝麻烤紫菜 0 1 25 NaN 2766 6128 716 610022 NaN NaN 杭椒雞珍 0 1 58 NaN 2767 6135 716 610020 NaN NaN 泡椒鳳爪\r\n\r\n\r\n 0 1 58 NaN 2768 6137 716 610031 NaN NaN 糖醋蕃茄溜青花 0 1 33 NaN 2769 6734 774 609941 NaN NaN 清蒸海魚 0 1 78 NaN 2770 6736 774 609944 NaN NaN 水煮魚 0 1 65 NaN 2771 6739 774 609994 NaN NaN 獨家薄荷鮮蝦牛肉卷\r\n\r\n\r\n 0 1 45 NaN 2772 6750 774 610011 NaN NaN 白飯/大碗 0 1 10 NaN 2773 6742 774 609996 NaN NaN 牛尾湯 0 1 40 NaN 2774 6756 774 609949 NaN NaN 意文檸檬汁 0 1 13 NaN 2775 6763 774 610014 NaN NaN 金玉良緣 0 1 30 NaN 2776 6764 774 610017 NaN NaN 酸辣藕丁 0 1 33 NaN 2016-08-01 11:07:07 NA.3 NA.4 NA.5 0.1 NA.6 NA.7 caipu/202003.jpg \ 0 2016-08-01 11:07:40 NaN NaN NaN 0 NaN NaN caipu/303001.jpg 1 2016-08-01 11:11:11 NaN NaN NaN 0 NaN NaN caipu/105002.jpg 2 2016-08-01 11:11:30 NaN NaN NaN 0 NaN NaN caipu/503002.jpg 3 2016-08-01 11:15:57 NaN NaN NaN 0 NaN NaN caipu/204002.jpg 4 2016-08-01 11:19:12 NaN NaN NaN 0 NaN NaN caipu/201001.jpg 5 2016-08-01 11:22:21 NaN NaN NaN 0 NaN NaN caipu/205003.jpg 6 2016-08-01 11:22:53 NaN NaN NaN 0 NaN NaN caipu/205001.jpg 7 2016-08-01 11:23:56 NaN NaN NaN 0 NaN NaN caipu/304004.jpg 8 2016-08-01 11:31:15 NaN NaN NaN 0 NaN NaN caipu/601005.jpg 9 2016-08-01 12:42:52 NaN NaN NaN 0 NaN NaN caipu/101001.jpg 10 2016-08-01 12:43:21 NaN NaN NaN 0 NaN NaN caipu/102005.jpg 11 2016-08-01 12:43:34 NaN NaN NaN 0 NaN NaN caipu/602002.jpg 12 2016-08-01 12:44:08 NaN NaN NaN 0 NaN NaN caipu/106003.jpg 13 2016-08-01 12:44:12 NaN NaN NaN 0 NaN NaN caipu/205003.jpg 14 2016-08-01 12:45:09 NaN NaN NaN 0 NaN NaN caipu/301004.jpg 15 2016-08-01 12:45:24 NaN NaN NaN 0 NaN NaN caipu/205004.jpg 16 2016-08-01 12:46:26 NaN NaN NaN 0 NaN NaN caipu/302002.jpg 17 2016-08-01 12:48:48 NaN NaN NaN 0 NaN NaN caipu/401001.jpg 18 2016-08-01 12:49:27 NaN NaN NaN 0 NaN NaN caipu/502003.jpg 19 2016-08-01 12:50:03 NaN NaN NaN 0 NaN NaN caipu/601001.jpg 20 2016-08-01 12:51:38 NaN NaN NaN 0 NaN NaN caipu/102004.jpg 21 2016-08-01 12:51:46 NaN NaN NaN 0 NaN NaN caipu/201002.jpg 22 2016-08-01 12:52:18 NaN NaN NaN 0 NaN NaN caipu/302001.jpg 23 2016-08-01 12:52:37 NaN NaN NaN 0 NaN NaN caipu/104003.jpg 24 2016-08-01 12:53:39 NaN NaN NaN 0 NaN NaN caipu/204006.jpg 25 2016-08-01 12:54:30 NaN NaN NaN 0 NaN NaN caipu/203002.jpg 26 2016-08-01 12:58:44 NaN NaN NaN 0 NaN NaN caipu/203001.jpg 27 2016-08-01 12:59:03 NaN NaN NaN 0 NaN NaN caipu/202005.jpg 28 2016-08-01 12:59:16 NaN NaN NaN 0 NaN NaN caipu/602002.jpg 29 2016-08-01 12:59:26 NaN NaN NaN 0 NaN NaN caipu/602001.jpg ... ... ... ... ... ... ... ... ... 2747 2016-08-10 20:19:03 NaN NaN NaN 0 NaN NaN caipu/103005.jpg 2748 2016-08-10 20:19:22 NaN NaN NaN 0 NaN NaN caipu/303003.jpg 2749 2016-08-10 20:37:48 NaN NaN NaN 0 NaN NaN caipu/101006.jpg 2750 2016-08-10 20:39:37 NaN NaN NaN 0 NaN NaN caipu/603005.jpg 2751 2016-08-10 20:41:10 NaN NaN NaN 0 NaN NaN caipu/101006.jpg 2752 2016-08-10 20:41:29 NaN NaN NaN 0 NaN NaN caipu/103003.jpg 2753 2016-08-10 20:46:41 NaN NaN NaN 0 NaN NaN caipu/404002.jpg 2754 2016-08-10 20:47:14 NaN NaN NaN 0 NaN NaN caipu/303004.jpg 2755 2016-08-10 20:47:17 NaN NaN NaN 0 NaN NaN caipu/202003.jpg 2756 2016-08-10 20:47:36 NaN NaN NaN 0 NaN NaN caipu/103005.jpg 2757 2016-08-10 20:48:31 NaN NaN NaN 0 NaN NaN caipu/603004.jpg 2758 2016-08-10 20:49:20 NaN NaN NaN 0 NaN NaN caipu/402002.jpg 2759 2016-08-10 20:50:11 NaN NaN NaN 0 NaN NaN caipu/202006.jpg 2760 2016-08-10 20:50:12 NaN NaN NaN 0 NaN NaN caipu/202001.jpg 2761 2016-08-10 20:51:37 NaN NaN NaN 0 NaN NaN caipu/205003.jpg 2762 2016-08-10 20:51:42 NaN NaN NaN 0 NaN NaN caipu/502004.jpg 2763 2016-08-10 20:52:09 NaN NaN NaN 0 NaN NaN caipu/201001.jpg 2764 2016-08-10 20:52:12 NaN NaN NaN 0 NaN NaN caipu/601005.jpg 2765 2016-08-10 20:53:09 NaN NaN NaN 0 NaN NaN caipu/105002.jpg 2766 2016-08-10 20:53:26 NaN NaN NaN 0 NaN NaN caipu/204005.jpg 2767 2016-08-10 20:56:10 NaN NaN NaN 0 NaN NaN caipu/204003.jpg 2768 2016-08-10 20:57:11 NaN NaN NaN 0 NaN NaN caipu/304005.jpg 2769 2016-08-10 21:50:35 NaN NaN NaN 0 NaN NaN caipu/103002.jpg 2770 2016-08-10 21:53:17 NaN NaN NaN 0 NaN NaN caipu/103005.jpg 2771 2016-08-10 21:55:58 NaN NaN NaN 0 NaN NaN caipu/201004.jpg 2772 2016-08-10 21:56:24 NaN NaN NaN 0 NaN NaN caipu/601005.jpg 2773 2016-08-10 21:56:48 NaN NaN NaN 0 NaN NaN caipu/201006.jpg 2774 2016-08-10 22:01:52 NaN NaN NaN 0 NaN NaN caipu/404005.jpg 2775 2016-08-10 22:03:58 NaN NaN NaN 0 NaN NaN caipu/302003.jpg 2776 2016-08-10 22:04:30 NaN NaN NaN 0 NaN NaN caipu/302006.jpg 1442 0 1442 1 1442 2 1442 3 1095 4 1095 5 1095 6 1095 7 1095 8 1095 9 1147 10 1147 11 1147 12 1147 13 1147 14 1147 15 1147 16 1147 17 1147 18 1147 19 1147 20 1166 21 1147 22 1147 23 1166 24 1147 25 1147 26 1094 27 1166 28 1094 29 1094 ... ... 2747 1153 2748 1153 2749 1133 2750 1133 2751 1112 2752 1112 2753 1112 2754 1112 2755 1112 2756 1112 2757 1133 2758 1133 2759 1112 2760 1112 2761 1112 2762 1112 2763 1112 2764 1112 2765 1112 2766 1112 2767 1112 2768 1112 2769 1138 2770 1138 2771 1138 2772 1138 2773 1138 2774 1138 2775 1138 2776 1138 [2777 rows x 19 columns]

3.當文件中沒有給出表頭的時候，需要將header設(shè)置為None, 并且傳入與列數(shù)量一致的list,
name=[ ]

data = pd.read_excel(r'C:\Users\ibm\Desktop\meal_order_detail.xlsx',names=np.arange(19),header=None) print(data.head()) 0 1 2 3 4 \ 0 detail_id order_id dishes_id logicprn_name parent_class_name 1 2956 417 610062 NaN NaN 2 2958 417 609957 NaN NaN 3 2961 417 609950 NaN NaN 4 2966 417 610038 NaN NaN 5 6 7 8 9 10 \ 0 dishes_name itemis_add counts amounts cost place_order_time 1 蒜蓉生蠔 0 1 49 NaN 2016-08-01 11:05:36 2 蒙古烤羊腿 0 1 48 NaN 2016-08-01 11:07:07 3 大蒜莧菜 0 1 30 NaN 2016-08-01 11:07:40 4 芝麻烤紫菜 0 1 25 NaN 2016-08-01 11:11:11 11 12 13 14 15 16 \ 0 discount_amt discount_reason kick_back add_inprice add_info bar_code 1 NaN NaN NaN 0 NaN NaN 2 NaN NaN NaN 0 NaN NaN 3 NaN NaN NaN 0 NaN NaN 4 NaN NaN NaN 0 NaN NaN 17 18 0 picture_file emp_id 1 caipu/104001.jpg 1442 2 caipu/202003.jpg 1442 3 caipu/303001.jpg 1442 4 caipu/105002.jpg 1442

4.skiprows:

data = pd.read_excel(r'C:\Users\ibm\Desktop\meal_order_detail.xlsx', skiprows=[1, 10], header=0) # print(data.head(6)) # 從頭開始讀，讀前幾行信息 print(data.tail(5)) # 從尾部讀，讀后幾行信息 detail_id order_id dishes_id logicprn_name parent_class_name \ 2772 6750 774 610011 NaN NaN 2773 6742 774 609996 NaN NaN 2774 6756 774 609949 NaN NaN 2775 6763 774 610014 NaN NaN 2776 6764 774 610017 NaN NaN dishes_name itemis_add counts amounts cost place_order_time \ 2772 白飯/大碗 0 1 10 NaN 2016-08-10 21:56:24 2773 牛尾湯 0 1 40 NaN 2016-08-10 21:56:48 2774 意文檸檬汁 0 1 13 NaN 2016-08-10 22:01:52 2775 金玉良緣 0 1 30 NaN 2016-08-10 22:03:58 2776 酸辣藕丁 0 1 33 NaN 2016-08-10 22:04:30 discount_amt discount_reason kick_back add_inprice add_info \ 2772 NaN NaN NaN 0 NaN 2773 NaN NaN NaN 0 NaN 2774 NaN NaN NaN 0 NaN 2775 NaN NaN NaN 0 NaN 2776 NaN NaN NaN 0 NaN bar_code picture_file emp_id 2772 NaN caipu/601005.jpg 1138 2773 NaN caipu/201006.jpg 1138 2774 NaN caipu/404005.jpg 1138 2775 NaN caipu/302003.jpg 1138 2776 NaN caipu/302006.jpg 1138

讀取csv文件

1.csv屬于文本文件， 逗號分隔符文件，編碼一般為gbk;

2.read_csv方法中參數(shù)說明：
1.sep: 元素分隔符，csv文件中默認分隔符為逗號；
2.engine:底層編譯方式，默認為c語言，如果遇到編碼問題，可以嘗試將engine改為Python；

order = pd.read_csv(r'C:\Users\ibm\Desktop\meal_order_info.csv', sep=',', encoding='gbk',engine='python' ) print(order.head()) info_id emp_id number_consumers mode dining_table_id \ 0 417 1442 4 NaN 1501 1 301 1095 3 NaN 1430 2 413 1147 6 NaN 1488 3 415 1166 4 NaN 1502 4 392 1094 10 NaN 1499 dining_table_name expenditure dishes_count accounts_payable \ 0 1022 165 5 165 1 1031 321 6 321 2 1009 854 15 854 3 1023 466 10 466 4 1020 704 24 704 use_start_time ... lock_time cashier_id pc_id order_number \ 0 2016/8/1 11:05 ... 2016/8/1 11:11 NaN NaN NaN 1 2016/8/1 11:15 ... 2016/8/1 11:31 NaN NaN NaN 2 2016/8/1 12:42 ... 2016/8/1 12:54 NaN NaN NaN 3 2016/8/1 12:51 ... 2016/8/1 13:08 NaN NaN NaN 4 2016/8/1 12:58 ... 2016/8/1 13:07 NaN NaN NaN org_id print_doc_bill_num lock_table_info order_status phone \ 0 330 NaN NaN 1 18688880641 1 328 NaN NaN 1 18688880174 2 330 NaN NaN 1 18688880276 3 330 NaN NaN 1 18688880231 4 330 NaN NaN 1 18688880173 name 0 苗宇怡 1 趙穎 2 徐毅凡 3 張大鵬 4 孫熙凱 [5 rows x 21 columns]

擴展：讀取文本文件的方法：.txt, .csv

pd.read_table(r'C:\Users\ibm\Desktop\meal_order_info.csv', sep=',', encoding='gbk',engine='python') info_idemp_idnumber_consumersmodedining_table_iddining_table_nameexpendituredishes_countaccounts_payableuse_start_time...lock_timecashier_idpc_idorder_numberorg_idprint_doc_bill_numlock_table_infoorder_statusphonename01234567891011121314151617181920212223242526272829...915916917918919920921922923924925926927928929930931932933934935936937938939940941942943944

417	1442	4	NaN	1501	1022	165	5	165	2016/8/1 11:05	...	2016/8/1 11:11	NaN	NaN	NaN	330	NaN	NaN	1	18688880641	苗宇怡
301	1095	3	NaN	1430	1031	321	6	321	2016/8/1 11:15	...	2016/8/1 11:31	NaN	NaN	NaN	328	NaN	NaN	1	18688880174	趙穎
413	1147	6	NaN	1488	1009	854	15	854	2016/8/1 12:42	...	2016/8/1 12:54	NaN	NaN	NaN	330	NaN	NaN	1	18688880276	徐毅凡
415	1166	4	NaN	1502	1023	466	10	466	2016/8/1 12:51	...	2016/8/1 13:08	NaN	NaN	NaN	330	NaN	NaN	1	18688880231	張大鵬
392	1094	10	NaN	1499	1020	704	24	704	2016/8/1 12:58	...	2016/8/1 13:07	NaN	NaN	NaN	330	NaN	NaN	1	18688880173	孫熙凱
381	1243	4	NaN	1487	1008	239	7	239	2016/8/1 13:15	...	2016/8/1 13:23	NaN	NaN	NaN	330	NaN	NaN	1	18688880441	沈曉雯
429	1452	4	NaN	1501	1022	699	15	699	2016/8/1 13:17	...	2016/8/1 13:34	NaN	NaN	NaN	330	NaN	NaN	1	18688880651	苗澤坤
433	1109	8	NaN	1490	1011	511	14	511	2016/8/1 13:38	...	2016/8/1 13:50	NaN	NaN	NaN	330	NaN	NaN	1	18688880212	李達明
569	1143	6	NaN	1488	1009	326	9	326	2016/8/1 17:06	...	2016/8/1 17:18	NaN	NaN	NaN	330	NaN	NaN	1	18688880272	陳有浩
655	1268	8	NaN	1492	1013	263	10	263	2016/8/1 17:32	...	2016/8/1 17:44	NaN	NaN	NaN	330	NaN	NaN	1	18688880466	沈丹丹
577	1150	7	NaN	1492	1013	380	7	380	2016/8/1 17:37	...	2016/8/1 17:50	NaN	NaN	NaN	330	NaN	NaN	1	18688880279	胡煜
622	1220	4	NaN	1483	1004	164	7	164	2016/8/1 17:40	...	2016/8/1 17:47	NaN	NaN	NaN	330	NaN	NaN	1	18688880419	徐駿太
651	1593	3	NaN	1485	1006	137	5	137	2016/8/1 18:12	...	2016/8/1 18:20	NaN	NaN	NaN	330	NaN	NaN	1	18688880792	高僖桐
694	1122	8	NaN	1492	1013	819	10	819	2016/8/1 18:26	...	2016/8/1 18:37	NaN	NaN	NaN	330	NaN	NaN	1	18688880316	朱鈺
462	1187	7	NaN	1490	1011	431	13	431	2016/8/1 18:45	...	2016/8/1 18:49	NaN	NaN	NaN	330	NaN	NaN	1	18688880366	孫新瀟
458	1455	2	NaN	1480	1001	700	14	700	2016/8/1 19:27	...	2016/8/1 19:31	NaN	NaN	NaN	330	NaN	NaN	1	18688880654	牛長金
467	1213	10	NaN	1495	1016	615	15	615	2016/8/1 19:40	...	NaN	NaN	NaN	NaN	330	NaN	NaN	0	18688880412	趙英
562	1552	8	NaN	1508	1029	366	7	366	2016/8/1 19:44	...	2016/8/1 19:57	NaN	NaN	NaN	330	NaN	NaN	1	18688880751	王嘉淏
486	1156	7	NaN	1492	1013	443	12	443	2016/8/1 20:31	...	2016/8/1 20:36	NaN	NaN	NaN	330	NaN	NaN	1	18688880285	張芳語
517	1008	2	NaN	1480	1001	294	7	294	2016/8/1 21:11	...	2016/8/1 21:21	NaN	NaN	NaN	330	NaN	NaN	1	18688880027	許和怡
452	1114	8	NaN	1492	1013	167	7	167	2016/8/1 21:19	...	2016/8/1 21:29	NaN	NaN	NaN	330	NaN	NaN	1	18688880193	邵昱笑
448	1449	6	NaN	1505	1026	609	14	609	2016/8/1 21:37	...	2016/8/1 21:52	NaN	NaN	NaN	330	NaN	NaN	1	18688880648	苗秋蘭
193	1084	3	NaN	1401	1005	238	8	238	2016/8/2 11:20	...	2016/8/2 11:33	NaN	NaN	NaN	328	NaN	NaN	1	18688880163	張靖雯
166	986	2	NaN	1402	1003	260	7	260	2016/8/2 11:22	...	2016/8/2 11:30	NaN	NaN	NaN	328	NaN	NaN	1	18688880005	莫子建
342	1450	2	NaN	1402	1003	109	5	109	2016/8/2 11:58	...	2016/8/2 12:10	NaN	NaN	NaN	328	NaN	NaN	1	18688880649	苗家暢
260	990	4	NaN	1421	1022	302	9	302	2016/8/2 12:35	...	2016/8/2 12:53	NaN	NaN	NaN	328	NaN	NaN	1	18688880009	張馥雨
367	1119	4	NaN	1483	1004	639	13	639	2016/8/2 12:58	...	2016/8/2 13:17	NaN	NaN	NaN	330	NaN	NaN	1	18688880198	康雅欣
368	1125	4	NaN	1500	1021	211	6	211	2016/8/2 13:08	...	2016/8/2 13:22	NaN	NaN	NaN	330	NaN	NaN	1	18688880317	周子軒
365	992	2	NaN	460	1002	146	6	146	2016/8/2 13:19	...	2016/8/2 13:29	NaN	NaN	NaN	304	NaN	NaN	1	18688880011	姜晗昱
171	1463	3	NaN	1403	1004	299	10	299	2016/8/2 13:51	...	2016/8/2 14:00	NaN	NaN	NaN	328	NaN	NaN	1	18688880662	范小萱
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
387	1095	8	NaN	1490	1011	551	16	551	2016/8/30 12:00	...	2016/8/30 12:12	NaN	NaN	NaN	330	NaN	NaN	1	18688880307	任紅嬌
168	990	2	NaN	1402	1003	1105	9	1105	2016/8/30 12:07	...	2016/8/30 12:19	NaN	NaN	NaN	328	NaN	NaN	1	18688880009	張馥雨
446	1166	2	NaN	1482	1003	143	6	143	2016/8/30 18:06	...	2016/8/30 18:15	NaN	NaN	NaN	330	NaN	NaN	1	18688880231	張大鵬
735	1132	2	NaN	1481	1002	270	8	270	2016/8/30 18:13	...	2016/8/30 18:18	NaN	NaN	NaN	330	NaN	NaN	1	18688880120	陸濤
671	1084	2	NaN	1482	1003	163	8	163	2016/8/30 19:25	...	2016/8/30 19:44	NaN	NaN	NaN	330	NaN	NaN	1	18688880104	任文琪
603	1102	3	NaN	1485	1006	459	11	459	2016/8/30 19:30	...	2016/8/30 19:45	NaN	NaN	NaN	330	NaN	NaN	1	18688880110	陶璐
661	1096	8	NaN	1492	1013	812	13	812	2016/8/30 20:00	...	2016/8/30 20:18	NaN	NaN	NaN	330	NaN	NaN	1	18688880108	卓艷妍
565	1105	6	NaN	1489	1010	717	8	717	2016/8/30 20:14	...	2016/8/30 20:30	NaN	NaN	NaN	330	NaN	NaN	1	18688880111	黃哲
539	1110	10	NaN	1519	1040	238	6	238	2016/8/30 20:30	...	2016/8/30 20:43	NaN	NaN	NaN	330	NaN	NaN	1	18688880312	李佩珊
636	1089	2	NaN	1480	1001	349	9	349	2016/8/30 20:52	...	2016/8/30 21:10	NaN	NaN	NaN	330	NaN	NaN	1	18688880305	王靜宇
461	1075	3	NaN	1484	1005	303	8	303	2016/8/30 21:46	...	2016/8/30 21:56	NaN	NaN	NaN	330	NaN	NaN	1	18688880101	趙玉倩
777	1076	7	NaN	1491	1012	824	24	824	2016/8/30 21:49	...	2016/8/30 21:59	NaN	NaN	NaN	330	NaN	NaN	1	18688880201	趙倩
515	1161	2	NaN	1482	1003	143	5	143	2016/8/30 21:57	...	2016/8/30 22:00	NaN	NaN	NaN	330	NaN	NaN	1	18688880329	盧玲
289	991	2	NaN	1402	1003	121	5	121	2016/8/31 11:52	...	2016/8/31 12:01	NaN	NaN	NaN	328	NaN	NaN	1	18688880010	麥凱澤
419	1071	6	NaN	1489	1010	264	6	264	2016/8/31 12:19	...	2016/8/31 12:29	NaN	NaN	NaN	330	NaN	NaN	1	18688880096	姜妮妮
395	1021	4	NaN	1485	1006	617	13	617	2016/8/31 12:51	...	2016/8/31 13:02	NaN	NaN	NaN	330	NaN	NaN	1	18688880040	葉瀟逸
411	1097	4	NaN	1485	1006	214	2	214	2016/8/31 13:29	...	NaN	NaN	NaN	NaN	330	NaN	NaN	0	18688880208	原程心
336	996	2	NaN	1406	1007	131	5	131	2016/8/31 13:59	...	2016/8/31 14:06	NaN	NaN	NaN	328	NaN	NaN	1	18688880015	張昭陽
507	1128	8	NaN	1506	1027	474	10	474	2016/8/31 17:50	...	2016/8/31 18:00	NaN	NaN	NaN	330	NaN	NaN	2	18688880318	余思言
763	1135	4	NaN	1484	1005	296	7	296	2016/8/31 18:05	...	2016/8/31 18:09	NaN	NaN	NaN	330	NaN	NaN	1	18688880121	方祥文
599	1102	8	NaN	1491	1012	729	19	729	2016/8/31 18:05	...	2016/8/31 18:18	NaN	NaN	NaN	330	NaN	NaN	1	18688880110	關(guān)凱月
721	1129	6	NaN	1486	1007	624	15	624	2016/8/31 18:28	...	2016/8/31 18:42	NaN	NaN	NaN	330	NaN	NaN	1	18688880119	夏雪
533	1118	1	NaN	1482	1003	717	11	717	2016/8/31 18:40	...	2016/8/31 18:57	NaN	NaN	NaN	330	NaN	NaN	1	18688880215	黃青蕓
551	1086	8	NaN	1519	1040	1101	19	1101	2016/8/31 19:14	...	2016/8/31 19:19	NaN	NaN	NaN	330	NaN	NaN	1	18688880304	張小雨
695	1096	6	NaN	1486	1007	810	16	810	2016/8/31 20:25	...	2016/8/31 20:39	NaN	NaN	NaN	330	NaN	NaN	1	18688880108	陳宇
641	1095	8	NaN	1492	1013	679	12	679	2016/8/31 21:23	...	2016/8/31 21:31	NaN	NaN	NaN	330	NaN	NaN	1	18688880307	李靖
672	1089	6	NaN	1489	1010	800	24	800	2016/8/31 21:24	...	2016/8/31 21:56	NaN	NaN	NaN	330	NaN	NaN	1	18688880305	莫言
692	1155	8	NaN	1492	1013	735	10	735	2016/8/31 21:25	...	2016/8/31 21:33	NaN	NaN	NaN	330	NaN	NaN	1	18688880327	習(xí)一冰
647	1094	4	NaN	1485	1006	262	9	262	2016/8/31 21:37	...	2016/8/31 21:55	NaN	NaN	NaN	330	NaN	NaN	1	18688880207	章春華
570	1113	8	NaN	1517	1038	589	13	589	2016/8/31 21:41	...	2016/8/31 21:32	NaN	NaN	NaN	330	NaN	NaN	1	18688880313	唐雅嘉

945 rows × 21 columns

保存文件

order.to_excel('11.xlsx') order.to_csv('11.csv')

作業(yè)：

刪除表格中取值全部為空值的列 或 取值全部相同的列，刪完以后結(jié)構(gòu)為多少？

該飯店中8月1日一共銷售了多少個訂單？

該飯店中8月份第一周共收入多少錢？

該飯店中一共出售多少種菜品，哪種菜品最受歡迎？【請認真思考返回值是否符合邏輯】

該飯店中菜品均價為多少？最高價格與最低價格差距多大？

(1) 刪除全為空值的列

detail_count = detail.count() mask = detail_count==0 drop_nan_index = detail_count[mask].index print(drop_nan_index) Index(['logicprn_name', 'parent_class_name', 'cost', 'discount_amt','discount_reason', 'kick_back', 'add_info', 'bar_code'],dtype='object') detail.drop(labels=list(drop_nan_index), axis=1, inplace=True) print(detail.shape) (2779, 11)

(2)全部為一樣的值：

mask2 = detail.astype('str').describe().loc['unique',:] ==1 # mask2 = detail.astype('str').describe().loc['unique',:] ==1 column_ser = pd.Series(list(mask2.index)) print(column_ser) 0 detail_id 1 order_id 2 dishes_id 3 dishes_name 4 itemis_add 5 counts 6 amounts 7 place_order_time 8 add_inprice 9 picture_file 10 emp_id dtype: object drop_index_unique = column_ser.loc[mask2.values].values detail.drop(labels=drop_index_unique, axis=1, inplace=True) print(detail.shape) (2779, 9)

2.該飯店中8月1日一共銷售了多少個訂單？

df = detail.loc[detail['place_order_time'].dt.day==1, :] # df['order_id'].value_counts().size # 去重 df['order_id'].unique().size 22

該飯店中8月份第一周共收入多少錢？

detail['pay_num'] = detail['amounts'] * detail['counts']df2 = detail.loc[detail['place_order_time'].dt.day<8, 'pay_num'].sum() print(df2) 104568

4.該飯店中一共出售多少種菜品，哪種菜品最受歡迎？【請認真思考返回值是否符合邏輯】

detail['dishes_id'].value_counts() detail.loc[detail['dishes_id']== 609953, 'dishes_name'].head() 51 涼拌菠菜 99 涼拌菠菜 110 涼拌菠菜 137 涼拌菠菜 202 涼拌菠菜 Name: dishes_name, dtype: object

該飯店中菜品均價為多少？最高價格與最低價格差距多大？

drop_dishes_index = detail['amounts'].mean() print(drop_dishes_index) print(detail['amounts'].ptp()) 45.33717164447643 177

總結(jié)

以上是生活随笔為你收集整理的初识pandas及基本的增删改查的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。