公眾號：尤而小屋
作者：Peter
編輯：Peter

從26個字母中精選出23個Pandas常用的函數，將它們的使用方法介紹給大家。其中o、y、z沒有相應的函數。

import?pandas?as?pd import?numpy?as?np

下面介紹每個函數的使用方法，更多詳細的內容請移步官網：https://pandas.pydata.org/docs/reference/general_functions.html

assign函數

df?=?pd.DataFrame({'temp_c':?[17.0,?25.0]},index=['Portland',?'Berkeley']) df
temp_cPortlandBerkeley

17.0

25.0

#?生成新的字段df.assign(temp_f=df['temp_c']?*?9?/?5?+?32)
temp_ctemp_fPortlandBerkeley

17.0	62.6
25.0	77.0

df??#?原來DataFrame是不改變的
temp_cPortlandBerkeley

17.0

25.0

如果是通過下面的方式來生成新的字段，那么原來的數據則會改變：df["temp_f1"]?=?df["temp_c"]?*?9?/?5?+?32 df
temp_ctemp_f1PortlandBerkeley

17.0	62.6
25.0	77.0

df
temp_ctemp_f1PortlandBerkeley

17.0	62.6
25.0	77.0

bool函數

返回單個Series或者DataFrame中單個元素的bool值：True或者False

pd.Series([True]).bool()Truepd.Series([False]).bool()Falsepd.DataFrame({'col':?[True]}).bool()Truepd.DataFrame({'col':?[False]}).bool()False#?#?多個元素引發報錯#?pd.DataFrame({'col':?[True,False]}).bool()

concat函數

該函數是用來表示多個DataFrame的拼接，橫向或者縱向皆可。

df1?=?pd.DataFrame({"sid":["s1","s2"],"name":["xiaoming","Mike"]}) df1
sidname01

s1	xiaoming
s2	Mike

df2?=?pd.DataFrame({"sid":["s3","s4"],"name":["Tom","Peter"]}) df2
sidname01

s3	Tom
s4	Peter

df3?=?pd.DataFrame({"address":["北京","深圳"],?????????????"sex":["Male","Female"]}) df3
addresssex01

北京	Male
深圳	Female

#?使用1：縱向 pd.concat([df1,df2])
sidname0101

s1	xiaoming
s2	Mike
s3	Tom
s4	Peter

#?使用2：橫向 pd.concat([df1,df3],axis=1)
sidnameaddresssex01

s1	xiaoming	北京	Male
s2	Mike	深圳	Female

dropna函數

刪除空值：可以對整個DataFrame刪除，也可以指定某個屬性來刪除

df4?=?pd.DataFrame({"sid":["s1","s2",?np.nan],?????????????"name":["xiaoming",np.nan,?"Mike"]}) df4
sidname012

s1	xiaoming
s2	NaN
NaN	Mike

df4.dropna()
sidname0

s1	xiaoming

df4.dropna(subset=["name"])
sidname02

s1	xiaoming
NaN	Mike

explode函數

爆炸函數的使用：將寬表轉成長表。爆炸之后原數據是沒有改變的

df5?=?pd.DataFrame({"sid":["s1","s2"],???????"phones":[["華為","小米","一加"],["三星","蘋果"]]}) df5
sidphones01

s1	[華為, 小米, 一加]
s2	[三星, 蘋果]

df5.explode("phones")
sidphones00011

s1	華為
s1	小米
s1	一加
s2	三星
s2	蘋果

df5 # 原數據沒有變
sidphones01

s1	[華為, 小米, 一加]
s2	[三星, 蘋果]

fillna函數

填充缺失值；可以整體填充，也可以對每個屬性單獨填充

df4
sidname012

s1	xiaoming
s2	NaN
NaN	Mike

df4.fillna({"sid":"s3","name":"Peter"})
sidname012

s1	xiaoming
s2	Peter
s3	Mike

groupby函數

同組統計的功能

圖解Pandas的groupby機制

#?借用這個結果 df6?=?df5.explode("phones") df6
sidphones00011

s1	華為
s1	小米
s1	一加
s2	三星
s2	蘋果

df6.groupby("sid")["phones"].count()sid s1 3 s2 2 Name: phones, dtype: int64

head函數

查看前幾行的數據，默認是前5行

df7?=?pd.DataFrame({"sid":list(range(10)),????????????????"name":list(range(80,100,2))}) df7
sidname0123456789

0	80
1	82
2	84
3	86
4	88
5	90
6	92
7	94
8	96
9	98

df7.head()???#?默認前5行
sidname01234

0	80
1	82
2	84
3	86
4	88

df7.head(3)??#?指定前3行
sidname012

0	80
1	82
2	84

isnull函數

判斷是否存在缺失值，超級常用的函數

df4
sidname012

s1	xiaoming
s2	NaN
NaN	Mike

df4.isnull()??#?True表示缺失
sidname012

False	False
False	True
True	False

df4.isnull().sum()??#?每個字段缺失的總和sid 1 name 1 dtype: int64df6.isnull().sum()???#?沒有缺失值sid 0 phones 0 dtype: int64

join函數

用于連接不同的DataFrame：圖解Pandas數據合并：concat、join、append

df7?=?pd.DataFrame({'key':?['K0',?'K1',?'K2',?'K3',?'K4',?'K5'],'A':?['A0',?'A1',?'A2',?'A3',?'A4',?'A5']}) df7
keyA012345

K0	A0
K1	A1
K2	A2
K3	A3
K4	A4
K5	A5

df8?=?pd.DataFrame({'key':?['K0',?'K1',?'K2'],'B':?['B0',?'B1',?'B2']}) df8
keyB012

K0	B0
K1	B1
K2	B2

df7.join(df8,lsuffix="_df7",rsuffix="_df8")
key_df7Akey_df8B012345

K0	A0	K0	B0
K1	A1	K1	B1
K2	A2	K2	B2
K3	A3	NaN	NaN
K4	A4	NaN	NaN
K5	A5	NaN	NaN

kurt函數

查找數據的峰度值：從統計和數據角度出發，如何看待房價？

df9?=?pd.DataFrame({"A":[12,?4,?5,?44,?1],?"B":[5,?2,?54,?3,?2],?"C":[20,?16,?7,?3,?8],?"D":[14,?3,?17,?2,?6]})? df9
ABCD01234

12	5	20	14
4	2	16	3
5	54	7	17
44	3	3	2
1	2	8	6

df9.kurt()A 3.936824 B 4.941512 C -1.745717 D -2.508808 dtype: float64

loc函數

loc就是location的縮寫，定位查找數據

df9
ABCD01234

12	5	20	14
4	2	16	3
5	54	7	17
44	3	3	2
1	2	8	6

df9.loc[1,:]??#?第一行全部列的數據A 4 B 2 C 16 D 3 Name: 1, dtype: int64df9.loc[1:3,"B"]??#?1到3行的B列1 2 2 54 3 3 Name: B, dtype: int64

merge函數

同樣也是數據的合并函數，類似SQL中的join，功能最為強大

df7
keyA012345

K0	A0
K1	A1
K2	A2
K3	A3
K4	A4
K5	A5

df8
keyB012

K0	B0
K1	B1
K2	B2

pd.merge(df7,df8)??#?默認how的參數是inner
keyAB012

K0	A0	B0
K1	A1	B1
K2	A2	B2

pd.merge(df7,df8,how="outer")
keyAB012345

K0	A0	B0
K1	A1	B1
K2	A2	B2
K3	A3	NaN
K4	A4	NaN
K5	A5	NaN

nunique函數

用于統計數據的唯一值

df10?=?pd.DataFrame({"sid":list("acbdefg"),"score":[9,8,9,7,8,9,3]}) df10
sidscore0123456

a	9
c	8
b	9
d	7
e	8
f	9
g	3

df10.nunique()sid 7 score 4 dtype: int64

pct_change函數

計算當前時期和前一個時期的比值

s?=?pd.Series([90,?91,?85]) s0 90 1 91 2 85 dtype: int64s.pct_change()0 NaN 1 0.011111 2 -0.065934 dtype: float64(91?-?90)?/?900.011111111111111112(85?-?91)?/?91-0.06593406593406594#?和前兩個時期相比 s.pct_change(periods=2)0 NaN 1 NaN 2 -0.055556 dtype: float64#?如果存在空值，用填充方法 s?=?pd.Series([90,?91,?None,?85]) s0 90.0 1 91.0 2 NaN 3 85.0 dtype: float64s.pct_change(fill_method='ffill')0 NaN 1 0.011111 2 0.000000 3 -0.065934 dtype: float64

query函數

根據條件查詢取值

df10
sidscore0123456

a	9
c	8
b	9
d	7
e	8
f	9
g	3

df10.query("score?>=?8")
sidscore01245

a	9
c	8
b	9
e	8
f	9

rank函數

進行排名的函數，類似SQL的窗口函數功能：

df10
sidscore0123456

a	9
c	8
b	9
d	7
e	8
f	9
g	3

df10["rank_10"]?=?df10["score"].rank() df10
sidscorerank_100123456

a	9	6.0
c	8	3.5
b	9	6.0
d	7	2.0
e	8	3.5
f	9	6.0
g	3	1.0

df10["rank_10_max"]?=?df10["score"].rank(method="max") df10
sidscorerank_10rank_10_max0123456

a	9	6.0	7.0
c	8	3.5	4.0
b	9	6.0	7.0
d	7	2.0	2.0
e	8	3.5	4.0
f	9	6.0	7.0
g	3	1.0	1.0

df10["rank_10_min"]?=?df10["score"].rank(method="min") df10
sidscorerank_10rank_10_maxrank_10_min0123456

a	9	6.0	7.0	5.0
c	8	3.5	4.0	3.0
b	9	6.0	7.0	5.0
d	7	2.0	2.0	2.0
e	8	3.5	4.0	3.0
f	9	6.0	7.0	5.0
g	3	1.0	1.0	1.0

sort_values函數

根據數據進行排序的函數

df9
ABCD01234

12	5	20	14
4	2	16	3
5	54	7	17
44	3	3	2
1	2	8	6

df9.sort_values("A")??#?默認是升序排列
ABCD41203

1	2	8	6
4	2	16	3
5	54	7	17
12	5	20	14
44	3	3	2

#?先根據B升序，如果B相同，再根據D降序df9.sort_values(["B","D"],?ascending=[True,False])
ABCD41302

1	2	8	6
4	2	16	3
44	3	3	2
12	5	20	14
5	54	7	17

tail函數

查看末尾的數據

df7.tail()
keyA12345

K1	A1
K2	A2
K3	A3
K4	A4
K5	A5

df7.tail(3)
keyA345

K3	A3
K4	A4
K5	A5

unique函數

查找每個字段的唯一元素

df10
sidscorerank_10rank_10_maxrank_10_min0123456

a	9	6.0	7.0	5.0
c	8	3.5	4.0	3.0
b	9	6.0	7.0	5.0
d	7	2.0	2.0	2.0
e	8	3.5	4.0	3.0
f	9	6.0	7.0	5.0
g	3	1.0	1.0	1.0

df10["score"].unique()array([9, 8, 7, 3])df10["rank_10"].unique()array([6. , 3.5, 2. , 1. ])

value_counts函數

用于統計字段中每個唯一值的個數

df6
sidphones00011

s1	華為
s1	小米
s1	一加
s2	三星
s2	蘋果

df6["sid"].value_counts()s1 3 s2 2 Name: sid, dtype: int64df6["phones"].value_counts()華為 1 蘋果 1 三星 1 一加 1 小米 1 Name: phones, dtype: int64

where函數

用于查找Series或者DataFrame中滿足某個條件的數據

w?=?pd.Series(range(7)) w0 0 1 1 2 2 3 3 4 4 5 5 6 6 dtype: int64#?滿足條件的顯示；不滿足的用空值代替 w.where(w>3)0 NaN 1 NaN 2 NaN 3 NaN 4 4.0 5 5.0 6 6.0 dtype: float64#?不滿足條件的用8代替 w.where(w?>?1,?8)0 8 1 8 2 2 3 3 4 4 5 5 6 6 dtype: int64

xs函數

該函數是用于多層級索引中用于獲取指定索引處的值，使用一個關鍵參數來選擇多索引特定級別的數據。

d?=?{'num_legs':?[4,?4,?2,?2],'num_wings':?[0,?0,?2,?2],'class':?['mammal',?'mammal',?'mammal',?'bird'],'animal':?['cat',?'dog',?'bat',?'penguin'],'locomotion':?['walks',?'walks',?'flies',?'walks']} #?生成數據 df11?=?pd.DataFrame(data=d) #?重置索引 df11?=?df11.set_index(['class',?'animal',?'locomotion']) df11


num_legsnum_wingsclassanimallocomotion

mammalcatwalksdogwalksbatfliesbirdpenguinwalks

4	0
4	0
2	2
2	2

#?獲取指定索引的值 df11.xs('mammal')

num_legsnum_wingsanimallocomotion

catwalksdogwalksbatflies

4	0
4	0
2	2

#?指定多個索引處的值 df11.xs(('mammal',?'dog'))
num_legsnum_wingslocomotion

walks

4	0

#?獲取指定索引和級別(level)的值 df11.xs('cat',?level=1)

num_legsnum_wingsclasslocomotion

mammalwalks

4	0

df11


num_legsnum_wingsclassanimallocomotion

mammalcatwalksdogwalksbatfliesbirdpenguinwalks

4	0
4	0
2	2
2	2

#?獲取多個索引和級別的值 df11.xs(('bird',?'walks'),level=[0,?'locomotion'])
num_legsnum_wingsanimal

penguin

2	2

#?獲取指定列和軸上的值 df11.xs('num_wings',?axis=1)class animal locomotion mammal cat walks 0dog walks 0bat flies 2 bird penguin walks 2 Name: num_wings, dtype: int64往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載黃海廣老師《機器學習課程》視頻課黃海廣老師《機器學習課程》711頁完整版課件

本站qq群955171419，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【Python】精选23个Pandas常用函数的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。