1. 可直接使用NumPy的函數(shù)

示例代碼：

# Numpy ufunc 函數(shù)df = pd.DataFrame(np.random.randn(5,4) - 1)print(df) print(np.abs(df))

運行結果：

0 1 2 30 -0.062413 0.844813 -1.853721 -1.9807171 -0.539628 -1.975173 -0.856597 -2.6124062 -1.277081 -1.088457 -0.152189 0.5303253 -1.356578 -1.996441 0.368822 -2.2114784 -0.562777 0.518648 -2.007223 0.059411 0 1 2 30 0.062413 0.844813 1.853721 1.9807171 0.539628 1.975173 0.856597 2.6124062 1.277081 1.088457 0.152189 0.5303253 1.356578 1.996441 0.368822 2.2114784 0.562777 0.518648 2.007223 0.059411

2. 通過apply將函數(shù)應用到列或行上

示例代碼：

# 使用apply應用行或列數(shù)據(jù)#f = lambda x : x.max()print(df.apply(lambda x : x.max()))

運行結果：

0 -0.0624131 0.8448132 0.3688223 0.530325dtype: float64

3.注意指定軸的方向，默認axis=0，方向是列

示例代碼：

# 指定軸方向，axis=1，方向是行print(df.apply(lambda x : x.max(), axis=1))

運行結果：

0 0.8448131 -0.5396282 0.5303253 0.3688224 0.518648dtype: float64

4. 通過applymap將函數(shù)應用到每個數(shù)據(jù)上

示例代碼：

# 使用applymap應用到每個數(shù)據(jù)f2 = lambda x : ’%.2f’ % xprint(df.applymap(f2))

運行結果：

0 1 2 30 -0.06 0.84 -1.85 -1.981 -0.54 -1.98 -0.86 -2.612 -1.28 -1.09 -0.15 0.533 -1.36 -2.00 0.37 -2.214 -0.56 0.52 -2.01 0.06

1. 索引排序

sort_index()

排序默認使用升序排序，ascending=False 為降序排序

示例代碼：

# Seriess4 = pd.Series(range(10, 15), index = np.random.randint(5, size=5))print(s4) # 索引排序s4.sort_index() # 0 0 1 3 3

運行結果：

0 103 111 123 130 14dtype: int64 0 100 141 123 113 13dtype: int64

2.對DataFrame操作時注意軸方向

示例代碼：

# DataFramedf4 = pd.DataFrame(np.random.randn(3, 5), index=np.random.randint(3, size=3), columns=np.random.randint(5, size=5))print(df4) df4_isort = df4.sort_index(axis=1, ascending=False)print(df4_isort) # 4 2 1 1 0

運行結果：

1 4 0 1 22 -0.416686 -0.161256 0.088802 -0.004294 1.1641381 -0.671914 0.531256 0.303222 -0.509493 -0.3425731 1.988321 -0.466987 2.787891 -1.105912 0.889082 4 2 1 1 02 -0.161256 1.164138 -0.416686 -0.004294 0.0888021 0.531256 -0.342573 -0.671914 -0.509493 0.3032221 -0.466987 0.889082 1.988321 -1.105912 2.787891

3. 按值排序

sort_values(by=’column name’)

根據(jù)某個唯一的列名進行排序，如果有其他相同列名則報錯。

示例代碼：

# 按值排序df4_vsort = df4.sort_values(by=0, ascending=False)print(df4_vsort)

運行結果：

1 4 0 1 21 1.988321 -0.466987 2.787891 -1.105912 0.8890821 -0.671914 0.531256 0.303222 -0.509493 -0.3425732 -0.416686 -0.161256 0.088802 -0.004294 1.164138

示例代碼：

df_data = pd.DataFrame([np.random.randn(3), [1., 2., np.nan], [np.nan, 4., np.nan], [1., 2., 3.]])print(df_data.head())

運行結果：

0 1 20 -0.281885 -0.786572 0.4871261 1.000000 2.000000 NaN2 NaN 4.000000 NaN3 1.000000 2.000000 3.000000

1. 判斷是否存在缺失值：isnull()

示例代碼：

# isnullprint(df_data.isnull())

運行結果：

0 1 20 False False False1 False False True2 True False True3 False False False

2. 丟棄缺失數(shù)據(jù)：dropna()

根據(jù)axis軸方向，丟棄包含NaN的行或列。 示例代碼：

# dropnaprint(df_data.dropna()) print(df_data.dropna(axis=1))

運行結果：

0 1 20 -0.281885 -0.786572 0.4871263 1.000000 2.000000 3.000000 10 -0.7865721 2.0000002 4.0000003 2.000000

3. 填充缺失數(shù)據(jù)：fillna()

示例代碼：

# fillnaprint(df_data.fillna(-100.))

運行結果：

0 1 20 -0.281885 -0.786572 0.4871261 1.000000 2.000000 -100.0000002 -100.000000 4.000000 -100.0000003 1.000000 2.000000 3.000000

到此這篇關于Python數(shù)據(jù)分析之pandas函數(shù)詳解的文章就介紹到這了,更多相關python的pandas函數(shù)內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持好吧啦網(wǎng)！