pandas 簡(jiǎn)介

numpy 能夠幫我們處理的是 數(shù)值型數(shù)據(jù)，但是這還不夠，很多時(shí)候，我們的數(shù)據(jù)除了數(shù)值之外，還有字符串，還有時(shí)間序列等，
這是就需要 pandas 幫我們處理它們了。
什么是Pandas?
Pandas的名稱來自于面板數(shù)據(jù)(panel data)
Pandas是一個(gè)強(qiáng)大的分析結(jié)構(gòu)化數(shù)據(jù)的工具集，基于NumPy構(gòu)建，提供了高級(jí)數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)操作工具，它是使Python成為強(qiáng)大而高效的數(shù)據(jù)分析環(huán)境的重要因素之一。
。一個(gè)強(qiáng)大的分析和操作大型結(jié)構(gòu)化數(shù)據(jù)集所需的工具集
?；A(chǔ)是NumPy，提供了高性能矩陣的運(yùn)算
。提供了大量能夠快速便捷地處理數(shù)據(jù)的函數(shù)和方法
。應(yīng)用于數(shù)據(jù)挖掘，數(shù)據(jù)分析
。提供數(shù)據(jù)清洗功能

pandas 的數(shù)據(jù)結(jié)構(gòu)

pandas 庫有兩個(gè)重要的數(shù)據(jù)結(jié)構(gòu)：

Series 系列 [?s??ri?z]

DataFrame Frame [fre?m] 框架

我們可以將 Series 看作顯示了索引的一維數(shù)組，將 DataFrame 看作顯示了縱橫軸索引的二維數(shù)組，因此 numpy 的許多方法與函數(shù)可以用在 Series 與 DataFrame 上。

Series對(duì)象

我們首先來了解 Series ，因?yàn)?Pandas 是基于NumPy構(gòu)建的，所以我們可以參考 一維數(shù)組 對(duì)象來理解 Series對(duì)象。

import numpy as np import pandas as pd list_1=list(range(1,6)) arr=np.array(list_1) ser=pd.Series(list_1) print(f'這是由 1 到 5 構(gòu)成的一維數(shù)組，只有數(shù)據(jù)元素：\n{arr}') print(f'這是由 1 到 5 構(gòu)成的Series對(duì)象，由數(shù)據(jù)元素及其索引：\n{ser}')

由此我們可以更好的理解 Ndarray 對(duì)象和 Series 對(duì)象，

數(shù)據(jù)類型不同：兩者都是一系列同類型數(shù)據(jù)的集合，不同之處在于 Ndarray 對(duì)象只能存儲(chǔ)數(shù)值型數(shù)據(jù)，而一個(gè)Series 對(duì)象中可以同時(shí)包含數(shù)值型數(shù)據(jù)；字符串和python 對(duì)象等等；

兩者的索引都是由 0 開始的，不同之處在于 Series 對(duì)象的索引可以重新指定，而 Ndarray 對(duì)象的索引不能變更；且 Series 對(duì)象的索引會(huì)在內(nèi)容中顯示出來，而Ndarray 對(duì)象的索引不會(huì)在內(nèi)容中顯示出來。

Series 對(duì)象的創(chuàng)建：

pandas. Series ( data , index , dtype , name , copy )

data：只要是數(shù)據(jù)都可以，當(dāng)data的類型為字典時(shí)，鍵為索引，值作內(nèi)容。

index：默認(rèn)從零開始，當(dāng)指定索引時(shí)，索引的個(gè)數(shù)要等于數(shù)據(jù)元素的個(gè)數(shù)。

dtype：元素的數(shù)據(jù)類型，默認(rèn)會(huì)自己判斷

name：設(shè)置索引和元素值的名稱
Series . name=str 設(shè)置元素值的名稱
Series . index.name=str 設(shè)置索引的名稱

copy：拷貝數(shù)據(jù)，默認(rèn)為 False

import numpy as np import pandas as pd data={'name':'張三','age':20,'class':'三班'} ser=pd.Series(data) print(ser) print('利用 Series 對(duì)象的屬性，index和values訪問其索引值與元素值：') print(ser.index) print(ser.values)

DataFrame 對(duì)象

DataFrame 是一個(gè)表格型的數(shù)據(jù)結(jié)構(gòu)，它含有一組有序的列，每列可以是不同的值類型（數(shù)值、字符串、布爾型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 組成的字典（共同用一個(gè)索引）。可以參考 excel 表格

DataFrame 構(gòu)造方法如下：

pandas.DataFrame( data, index, columns, dtype, copy)

參數(shù)說明：

data：一組數(shù)據(jù)(ndarray、series, map, lists, dict 等類型)。

index：索引值，或者可以稱為行標(biāo)簽，默認(rèn)為 RangeIndex (0, 1, 2, …, n) 。

columns：列標(biāo)簽，默認(rèn)為 RangeIndex (0, 1, 2, …, n) 。

dtype：數(shù)據(jù)類型。

copy：拷貝數(shù)據(jù)，默認(rèn)為 False。

Pandas DataFrame 是一個(gè)二維的數(shù)組結(jié)構(gòu)，類似二維數(shù)組。
DataFrame 的構(gòu)建

data 為字典類型：

鍵作索引，值作內(nèi)容。

由數(shù)組，列表或元組構(gòu)成的字典；

import numpy as np import pandas as pd data={'a':[1,2,3,4],'b':(4,5,6,7),'c':np.arange(9,13)} frame=pd.DataFrame(data) print(f'DataFrame對(duì)象：\n{frame}') string='''通過屬性 index 查看對(duì)象的行索引;columns查看對(duì)象列索引；values查看對(duì)象的值。''' print(string) print(f'行索引：{frame.index}') print(f'列索引：{frame.columns}') print(f'元素值：\n{frame.values}') print('指定索引：') frame=pd.DataFrame(data,index=['A','B','C','D'],columns=['a','b','c','d']) print(frame)

2. 由 Series對(duì)象構(gòu)成的字典；

import numpy as np import pandas as pd data={'a':pd.Series(np.arange(3)),'b':pd.Series(np.arange(3,5)) } frame=pd.DataFrame(data) print(frame)

由字典構(gòu)成的字典；

import numpy as np import pandas as pd data={'a':{'apple':3.6,'banana':5.6},'b':{'apple':3,'banana':5},'c':{'apple':3.6} } frame=pd.DataFrame(data) print(frame)

data 為列表類型：

data為二維數(shù)組時(shí)；

由 Series對(duì)象構(gòu)成的列表；

由字典構(gòu)成的列表；

import numpy as np import pandas as pd arr=np.arange(12).reshape(4,3) frame_arr=pd.DataFrame(arr) print('data為二維數(shù)組時(shí)；') print(frame_arr) list_dic=[{'apple':3.6,'banana':5.6},{'apple':3,'banana':5},{'apple':3.6}] frame_list_dic=pd.DataFrame(list_dic) print('由字典構(gòu)成的列表；') print(frame_list_dic) list_ser=[pd.Series(np.random.rand(3)),pd.Series(np.random.rand(2))] frame_list_ser=pd.DataFrame(list_ser) print(f'由字典構(gòu)成的列表；\n{frame_list_ser}')

索引

與python列表一樣，在 Series對(duì)象 和 DataFrame 對(duì)象 中我們同樣可以使用索引來進(jìn)行數(shù)據(jù)的 增，刪，改，查。

在 pandas 中索引分為以下種：

位置索引：對(duì)象默認(rèn)的索引，從 0 開始。Series 對(duì)象中的index 和 DataFrame對(duì)象中的 index 和 columns 都是默認(rèn)從 0 開始。

標(biāo)簽索引：對(duì)默認(rèn)索引進(jìn)行指定后的索引稱為標(biāo)簽索引。

布爾索引：用布爾運(yùn)算布爾運(yùn)算充當(dāng)索引，返回一個(gè)由布爾值組成的對(duì)象。

切邊索引：用逗號(hào)分隔不同維度，同一維度之間通過冒號(hào)分隔切片參數(shù) start:stop:step 來進(jìn)行切片操作，位置標(biāo)索引和標(biāo)簽索引都可以充當(dāng)切片參數(shù)。

import numpy as np import pandas as pd ser_1=pd.Series(['張三',24,'三班','男']) print(f'未指定索引時(shí)：\n{ser_1}') ser_2=pd.Series(['張三',24,'三班','男'],index=('name','age','class','sex')) print(f'重新編輯索引后：\n{ser_2}') arr=np.random.randint(0,12,(3,4)) df_1=pd.DataFrame(arr) print(f'未指定索引時(shí)：\n{df_1}') df_2=pd.DataFrame(arr,index=list('abc'),columns=list('ABCD')) print(f'重新編輯索引后：\n{df_2}')

我們可以通過兩種索引來進(jìn)行數(shù)據(jù)的增，刪，改，查。

通過索引獲取元素

因?yàn)?Pandas 是基于NumPy構(gòu)建的，所以 pandas 可以使用數(shù)組的操作，可以參考數(shù)組的索引來獲取元素值。

import numpy as np import pandas as pd data={'name':'張三','age':20,'class':'三班','sex':'男'} ser=pd.Series(data) print(f'Series對(duì)象：\n{ser}') print('獲取單個(gè)元素：') print(f'方法一通過下標(biāo) ser[1]：{ser[1]}') print(f"方法二通過標(biāo)簽名 ser['age']：{ser['age']}") print('獲取多個(gè)元素：') print(f'方法一通過下標(biāo)與標(biāo)簽名：\n下標(biāo):ser[[1,3]]=\n{ser[[1,3]]}') print(f"標(biāo)簽名：ser[['name','sex']]=\n{ser[['name','sex']]}") print(f"通過下標(biāo)切片：\n{ser[0:3]}") print(f"通過標(biāo)簽名切片：\n{ser['name':'sex']}")

Series對(duì)象的常用屬性與方法

屬性：

Series. index
Series.values

作用：訪問Series對(duì)象的索引值與元素值

import numpy as np import pandas as pd data={'name':'張三','age':20,'class':'三班'} ser=pd.Series(data) print(ser) print('利用 Series 對(duì)象的屬性，index和values訪問其索引值與元素值：') print(ser.index) print(ser.values)

方法

Series. isnull ( )
Series. notnull ( )

作用：查找缺失值，也就是 nan。

import numpy as np import pandas as pd from pandas.core.indexes.base import Index data={'name':'張三','age':20,'class':'三班'} string='''在使用字典作為數(shù)據(jù)時(shí)， 指定索引的個(gè)數(shù)可以超出元素值的個(gè)數(shù)， 多余的索引對(duì)應(yīng)值為 nan：''' print(string) ser=pd.Series(data,index=['name','age','class','sex']) print(ser) print(f'isnull()方法判斷Series對(duì)象中是否有缺失值 nan，空為True：\n{ser.isnull()}') print(f'notnull()方法與上述類似，這個(gè)是非空為True：\n{ser.notnull()}')

Series. head ( n : int = 5)
Series. tail ( n : int = 5)

作用：在 Series 對(duì)象中從前面取 n 行；從后面取 n 行，默認(rèn) n = 5

Series. unique ( ) - - - >array

作用：去重

Series. value_counts ( ) - - - >Series

作用：檢查每個(gè)元素出現(xiàn)的次數(shù)。

import numpy as np import pandas as pd ser=pd.Series([2,5,6,7,4,5,2,3,6,4]) print(ser) print('*'*20) print(ser.unique()) print('*'*20) print(ser.value_counts())

DataFrame對(duì)象常見的屬性與方法

屬性：

DataFrame. values - - -> 返回一個(gè)二維數(shù)組
DataFrame. index - - -> 返回一個(gè)Index對(duì)象
DataFramecolumns - - -> 返回一個(gè)Index對(duì)象

方法：

apply與applymap

DataFrame. apply ( func, axis = 0) -> DataFrame
DataFrame. applymap ( func )-> DataFrame

func：函數(shù)
apply 中應(yīng)用對(duì)象中于每列或每行的函數(shù) ；applymap中應(yīng)用于對(duì)象中每個(gè)有元素的函數(shù)。

axis : 軸：{0或’index’，1或’columns’}，默認(rèn)為0
沿其應(yīng)用功能的軸：
0或’index’：將函數(shù)應(yīng)用于每個(gè)縱軸。
1或’columns’：將函數(shù)應(yīng)用于每個(gè)橫軸。

apply ( ) 方法同樣適用于 Series 對(duì)象。

import numpy as np import pandas as pd df=pd.DataFrame(np.random.randn(4,3)) print(df) df=df.abs() print(f'求每個(gè)元素中的絕對(duì)值：\n{df}') f=lambda x : x.max() df_apply=df.apply(f) print(f'求每一列中的最大值：\n{df_apply}') f=lambda x:f'{x:.2f}' df_applymap=df.applymap(f) print(f'將每個(gè)元素保留兩位小數(shù)：\n{df_applymap}')

排序方法：

索引排序

sort_index( axis , ascending)

axis ['?ks?s] : int, default 0
指定軸來直接排序。對(duì)于系列，此值只能為0。
ascending [?’send??] 升序：布爾值或布爾值列表，默認(rèn)為True，當(dāng)索引為多索引時(shí)，可以單獨(dú)控制每個(gè)級(jí)別的排序方向。

import numpy as np import pandas as pd ser=pd.Series([2,1,4,3],index=list('cbda')) df=pd.DataFrame(np.arange(12).reshape(3,4),index=list('cab'),columns=list('DACB')) print(ser,df,sep='\n') print(f'按索引排序，默認(rèn)升序：\n{ser.sort_index()}') print(f'按 縱 軸排序，默認(rèn)升序：\n{df.sort_index()}') print(f'按 橫 軸排序，默認(rèn)升序：\n{df.sort_index(axis=1)}')

2. 按值排序

sort_values (by , axis , ascending)

by : str or list of str。指定要排序的名稱或名稱列表。
作用：沿任一軸按值排序。

import numpy as np import pandas as pd ser=pd.Series([2,1,4,3],index=list('cbda')) df=pd.DataFrame(np.random.randint(0,12,(4,3)),index=list('cabd'),columns=list('ACB')) print(ser,df,sep='\n') print(f"按值引排序，默認(rèn)升序：\n{ser.sort_values()}") print(f"按值引排序，指定單軸，默認(rèn)升序：\n{df.sort_values(by='A')}") print(f"按值引排序，指定多軸，默認(rèn)升序：\n{df.sort_values(by=['A','B'])}")

成員關(guān)系判斷

isin ( values )

參數(shù)
values : iterable, Series, DataFrame or dict
返回
DataFrame of booleans 布爾型數(shù)據(jù)框
Series of booleans 布爾型系列

處理缺失數(shù)據(jù)的方法

第一步：判斷是否存在缺失值

isnull ( ) - - - > DataFrame of booleans

第二步：丟失缺失數(shù)據(jù)或填充缺失數(shù)據(jù)

dropna ( axis = 0)
作用：丟失缺失值所在的行或列。

fillna ( values )
作用：將值 values 填充在 nan 值所在的位置

簡(jiǎn)介介紹：

轉(zhuǎn)置

print(f'轉(zhuǎn)置之后，行列交換：\n{frame.T}')

通過列索引獲取列數(shù)據(jù)（ Series 類型）

print(f"查看其中一列frame['a']：\n{frame['a']}")

增加列數(shù)據(jù)

frame['e']=9 frame['f']=[7,8,5,2]

刪除列

del frame['e'] del frame['f'] import numpy as np import pandas as pd arr=np.arange(12).reshape(4,3) frame=pd.DataFrame(arr,index=['A','B','C','D'],columns=['a','c','d']) print(f'DataFrame對(duì)象：\n{frame}') print(f'轉(zhuǎn)置之后，行列交換：\n{frame.T}') print(f"查看其中一列frame['a']：\n{frame['a']}") print(f"frame['a']的類型：{type(frame['a'])}") frame['e']=9 frame['f']=[7,8,5,2] print(f"插入一列：\n{frame}") del frame['e'] del frame['f'] print(f"刪除一列：\n{frame}")

索引操作：

Series 和 DataFrame 中的索引都是 Index 對(duì)象。

import numpy as np import pandas as pd arr=np.arange(12).reshape(4,3) ser=pd.Series(range(7)) frame=pd.DataFrame(arr,index=['A','B','C','D'],columns=['a','c','d']) print(f'Series對(duì)象的索引類型type(ser.index)：\n{type(ser.index)}') print(f'DataFrame對(duì)象的索引類型type(frame.index)：\n{type(frame.index)}') print(f'type(frame.columns)： {type(frame.columns)}')

重建索引：

Series. reindex ( )
DataFrame. reindex ( )

增：
增加Series對(duì)象的索引：

Series [ new_index ] = value
在原基礎(chǔ)上新增一個(gè)
Series. append ( other_Series )
將兩個(gè)對(duì)象合并成一個(gè)新的對(duì)象，并不改變?cè)瓉淼膶?duì)象

增加 DataFrame 對(duì)象的索引：

import numpy as np import pandas as pd arr=np.arange(9).reshape(3,3) ser=pd.Series(range(5),index=['a','b','c','d','e']) frame=pd.DataFrame(arr,index=['a','b','c'],columns=['A','B','C']) print(frame) print('默認(rèn)增加 列 :') frame['4']=9 frame['D']=[10,11,12] frame.insert(0,'E',[6,66,666]) print(frame) print('使用標(biāo)簽索引增加 行 ：') frame.loc['x']=[1,11,111,111,11,1] print(frame)

刪：

改：

查：

pandas庫的一些算數(shù)方法

pandas庫的一些統(tǒng)計(jì)方法

方法說明

count	非NA值的個(gè)數(shù)
min , max	最小值與最大值
idxmin , idxmax	最小值與最大值的索引值
sum , mean	總和與平均數(shù)
var , std	樣本值的方差與標(biāo)準(zhǔn)差
cumsum	樣本值的累計(jì)和
cumprod	樣本值的累計(jì)積
cummin , cummax	樣本值的累計(jì)最大值和最小值
describe	計(jì)算匯總統(tǒng)計(jì)

參數(shù)：

axis = 0 按縱軸求，默認(rèn)為0；axis = 1 按橫軸求。

skipna = True,跳過缺失值。

pandas庫的一些算術(shù)方法

方法描述

add , radd	加法（+）
sub , rsub	減法（-）
div , rdiv	除法（/）
floordiv , rfloordiv	整除（//）
mul , rmul	乘法（*）
pow , rpow	冪次方（**）

參數(shù)

• fill_value：填充值，將na值填充掉

r：r 代表者翻轉(zhuǎn)，即參數(shù)位置互換，除數(shù)變成被除數(shù)；被除數(shù)變成除數(shù)。

pandas庫中數(shù)據(jù)的加載與存儲(chǔ)

從電腦中讀取CSV文件：

方法說名

read_csv ( )	從文件對(duì)象中加載帶分隔符的數(shù)據(jù)，默認(rèn)逗號(hào)為分割符
read_table ( )	從文件對(duì)象中加載帶分隔符的數(shù)據(jù)，默認(rèn)制表符為分割符
read_excel ( )	從 excel 中讀取表格數(shù)據(jù)

參數(shù)：

參數(shù)說明

path	表示文件對(duì)象所在系統(tǒng)位置的字符串
sep	拆分每行字段的字符串或正則表達(dá)式
header	默認(rèn)第一行為列索引，若沒有索引時(shí)應(yīng)設(shè)置為None
index_col	從列索引中選一個(gè)或多個(gè)組成列表，當(dāng)作行索引
names	用于結(jié)果的列名稱，結(jié)合 header = None使用
skipeows	跳過幾行，（從 0 開始）
skip_footer	忽略幾行，（從文件末尾處算起）
nrows	讀取幾行，（從 0 開始）
na_values	替換 NA 值
iterator	布爾類型，返回一個(gè)TextParser進(jìn)行迭代讀取
chunksize	整型，作用同上，兩者結(jié)和文件對(duì)象方法 get_chunksize ( ) 使用。

將pandas數(shù)據(jù)寫入電腦

DataFrame. to_csv ( path )

path：寫入路徑

數(shù)據(jù)清洗與準(zhǔn)備

刪除缺失數(shù)據(jù)

方法說明

isnull	返回布爾值組成的對(duì)象，空為True
notnull	返回布爾值組成的對(duì)象，非空為True
dropna	刪除缺失值所在的行或列
fillna	替換缺失值

dropna (axis , how , thresh , inplace )

參數(shù)：

axis 軸：{0或’index’，1或’columns’}，默認(rèn)為0
刪除缺少值所在的行或列

how 如何刪除：{‘a(chǎn)ny’，‘a(chǎn)ll’}，默認(rèn)為’any’.
“any”：只要存在一個(gè)NA值，就刪除該行或列。
“all”：只有全部為NA值，才刪除該行或列。

thresh： int, optional，NA值的數(shù)量是 int 的行或列才會(huì)被刪除。

inplace就地；原地bool類型, default False
False：返回一個(gè)新對(duì)象，不改變?cè)瓕?duì)象
True：不返回對(duì)象，直接改變?cè)瓕?duì)象。

填充缺失數(shù)據(jù)

fillna ( value , axis , method , inplace , limit )

參數(shù)：

value ：替換NA值

axis ,

method 填充方法：{‘backfill’，‘bfill’，‘pad’，‘ffill’，None}，默認(rèn)無。
pad/ffill：將上一個(gè)有效觀察向前傳播到下一個(gè)有效觀察，
backfill / bfill：使用下一個(gè)有效觀測(cè)值填充間隙。

inplace , 同上

limit ：int, default None
如果指定了method方法，則這是要向前/向后填充的連續(xù)NaN值的最大數(shù)目。
如果未指定method方法，則這是沿整個(gè)軸填充NAN的最大條目數(shù)。
如果不是無，則必須大于0。

替換數(shù)據(jù)

replace ( to_replace , value , method , inplace , limit )

作用：將對(duì)象內(nèi)的值 to_replace 用指定值 value 進(jìn)行替換

刪除重復(fù)項(xiàng)

drop_duplicates ( subset , keep , inplace , ignore_index) - - -> DataFrame

參數(shù)：

subset ：列標(biāo)簽組成的列表，默認(rèn)情況下使用所有列。
以選中的列為標(biāo)準(zhǔn)，進(jìn)行去重

keep ：保留：{‘first’，‘last’，False}，默認(rèn)值為’first’
‘first’：除去第一次出現(xiàn)的重復(fù)項(xiàng)。
‘last’：刪除除最后一次出現(xiàn)之外的重復(fù)項(xiàng)。
False：刪除所有重復(fù)項(xiàng)。

inplace ：同上

ignore_index ：忽略索引：bool，默認(rèn)為False

軸索引的重命名：

區(qū)分：方法 reindex ( ) 只能調(diào)整索引的順序，而不能改變索引的名稱。

import numpy as np import pandas as pd df=pd.DataFrame(np.arange(12).reshape(3,4),index=['BeiJing','Tokyo','New York'],columns=['one','two','three','four']) print(df) print('*'*20) print(df.reindex(['BeiJing','New York','Tokyo'])) print('*'*20) print(df.reindex(['a','b','c']))

改變索引的名稱：

利用對(duì)象屬性 index , columns 進(jìn)行重命名，直接更改原對(duì)象。

import numpy as np import pandas as pd df=pd.DataFrame(np.arange(12).reshape(3,4),index=['BeiJing','Tokyo','New York'],columns=['one','two','three','four']) print(df) up=lambda x:x[:4].upper() df.index=df.index.map(up) print('*'*20) print(df) df.index=['a','b','c'] print('*'*20) print(df)

使用方法 rename 對(duì)索引進(jìn)行更新與重命名

rename ( index , columns , inplace)

import numpy as np from numpy.core.defchararray import index import pandas as pd df=pd.DataFrame(np.arange(12).reshape(3,4),index=['BeiJing','Tokyo','New York'],columns=['one','two','three','four']) print(df) print('*'*20) print(df.rename(index=str.title,columns=str.upper)) print('*'*20) print(df.rename(index={'Tokyo':'東京'},columns={'three':'第三年'}))

數(shù)據(jù)清洗總結(jié)：

常見問題解決方法檢測(cè)方法解決方法

異常數(shù)據(jù)	刪除異常數(shù)據(jù)所在的行		drop ( )
NA值問題	填充或刪除	isnull ( )	fillna( ) , dropna( )
重復(fù)數(shù)據(jù)	刪除重復(fù)數(shù)據(jù)	duplicated ( )	drop_duplicates ( )
數(shù)據(jù)類型變更	變更數(shù)據(jù)類型,指定新類型		astype ( )
部分?jǐn)?shù)據(jù)包含數(shù)值和字符串	進(jìn)行字符串操作，		map ( )
不利于分析的數(shù)據(jù)	替換數(shù)據(jù)元素		replace ( )

數(shù)據(jù)規(guī)整

層次化索引

數(shù)據(jù)連接

DataFrame. merge ( left , right , how=‘inner’ , on=None , left_on=None , right_on = None )

未完待續(xù)！！！！！

總結(jié)

以上是生活随笔為你收集整理的pandas的一些理解的全部?jī)?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(cuò)，歡迎將生活随笔推薦給好友。