本文共 3054 字，大约阅读时间需要 10 分钟。

pandas可以指定每行每列的名字 基础： 创建一个Pandans的序列: result= pd.Series([1,2,3,4]) 创建一个时间的序列 dates = pd.date_range("20160304",periods=6) 创建一个二维数据（） 相当于二维的numpy） pd.DataFrame(np.random.randn(6,4),index=dates(已经定义好的变量),columns=['a','b','c','d']) 使用字典来创建二维数据: A,B,C pd.DateFrame({'A':1,'B':'fpp','C':'pd'}) result.dtypes  每列的类型 result.index    每列的序号 result.columns  每列的列名 result.values   所有值 result.describe()  描述  ，只能运算数字的一些操作 result.T  矩阵转至 result.sort_index(axis=1,ascending=False)  以列名来倒叙排序  1：列名排序  0：行排序   False:倒叙，True:正序 result.sort_values(by='E')  :排序当行的值 选择数据： result['A']/result.A   --->获取A列的值 result[2:3]    --->切片选择 pd.loc['行名',['列名','']] pd.iloc[3] 第三行的数据 pd.iloc[3,1] 第三第一列 pd.ix[行，列]   -结合iloc和loc pd[pd.A>8]  ----->A列大于8的所有信息 设置值： 通过选择数据后然后进行赋值 处理丢失数据： df.dropna(axis=0,how="any")  #how={'any',"all"} any：只要有none就丢掉，all:全为none才丢掉 df.fillna(value=0):填充none位置处的值 df.isnull():返回False,True列表 来查看是否缺失值 np.any（df.isnull（）==True）  -----检查是否至少有一个等于true 读取数据： data = pd.read_csv("文件名")  ----读取csv的文件 data.to_csv("文件名") 合并1concat    --->合并DataFrame 列名一样合并： 1.res = pd.concat([df1,df2,df3],axis=0,ignore_index=True)  ignore_index:忽略行名,axis=0是预设值，因此未设定任何参数时，函数默认axis=0。0：纵向，1：横向 2.#join,['inner','outer']  默认是"outer"依照column来做"纵向"合并,如果没有就用None填充，inner,只会合并相同的列, res = pd.concat([df1,df2,df3],axis=0,join="outer",ignore_index=True)     ignore_index:忽略行名 3. join_axes (依照 axes 合并)->依据哪一个的索引来左右合并 pd.concat([df1,df2],axis=1,join_axes=[df1.index],ignore_index=True)  依据df1的行名来左右合并  df1.append([数据1,数据2],ignore_index=True)  -->也可以指定行还是列添加 s1 =  pd.Series([1,2,3,4],index=['a','b','c','d']) df1.append([s1],ignore_index=True)  ->只在最后一行添加一行 合并2merge: 关于列名合并,但主要是用于两组有key column的数据,统一索引的数据. 通常也被用在Database的处理当中. pd.merge(date1,date2,on=["列名"])   ----》on依据哪一个列名合并,默认是how=inner-->只考虑相同的key how=[inner,outer,left,right]  ->left 以左边的dataframe的列名为主 res = pd.merge(left,right,on="key")  #on=""  依据那一列名合并 # 合并时有4种方法how = ['left', 'right', 'outer', 'inner']，预设值how='inner':找相同的合并 res = pd.merge(left,right,on=["key1","key2"],how="outer") #全部合并，没有值用none补充 res = pd.merge(left,right,on=["key1","key2"],how="left") #以第一个数据(left)的on为主 res = pd.merge(left,right,on=["key1","key2"],how="right",indicator="result")  #以第二个数据（right）的on为主,indicator="result"将合并的记录是否有值放在新的一列。 res=pd.merge(left,right,left_index=True,right_index=True,how="outer")   #left_index=True,right_index=True另个必须同时写，依据两个的行索引来合并 #使用suffixes解决overlapping的问题 res = pd.merge(boys, girls, on='k', suffixes=['_boy', '_girl'], how='outer') #suffixes 解决列名或者行名一样的问题，给两个一样的列名起个别名 plot：汇图 import numpy as np import pandas as pd import matplotlib.pyplot as plt #Series data = pd.Series(np.random.randn(1000),index=np.arange(1000)) data = data.cumsum() #每个数相加与前一个 data.plot()    #数据绘图 plt.show()    #plt显示图 #DataFrame data = pd.DataFrame(np.random.randn(1000,4),index=np.arange(1000),columns=['A','B','C','D']) data = data.cumsum() #data.plot() # plt.show() #plot method     #vbar,hist,box,kde,area,scatter,hexbin.....  #图的一些展示方式 ax = data.plot.scatter(x='A',y='B',color="DarkBlue",label="Class1") #data.plot.scatter(x='D',y='C',color="darkGreen",label="Class2",ax=ax)  #在一张图上画上多个class plt.show()

转载地址：http://exobi.baihongyu.com/