pandas

e

DataFrame

赋值形式

源于Series字典

源于N维数组

子主题

源于已有结构

源于元祖的字典

\u00A0 \u00A0 \u00A0 \u00A0a \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 \u00A0 b \u00A0 \u00A0 \u00A0\u00A0 \u00A0 \u00A0 \u00A0a \u00A0 \u00A0 \u00A0 \u00A0 b \u00A0 \u00A0 \u00A0 c \u00A0 \u00A0 \u00A0 a \u00A0 \u00A0 \u00A0 \u00A0 bA B \u00A04.0 \u00A0 \u00A0 1.0 \u00A0 \u00A0 5.0 \u00A0 \u00A08.0 \u00A0 \u00A0 \u00A010.0\u00A0 \u00A0 C \u00A03.0 \u00A0 \u00A0 2.0 \u00A0 \u00A0 6.0 \u00A0 \u00A07.0 \u00A0 \u00A0 \u00A0NaN\u00A0 \u00A0 D \u00A0NaN \u00A0NaN \u00A0NaN \u00A0NaN \u00A0 9.0

它的固有属性

DataFrame.index \u00A0行名\u00A0

DataFrame.columns 列名

DataFrame.value 内部的值

初步处理函数

DataFrame.describe()，计算简单的统计特性

DataFrame.T 转置

DataFrame.sort()以某一列排序，默认从小到大

切片

DataFrame['X']，X为列名

1.DataFrame[0:n] 取第一到第N行2.DataFrame['行名':'行名']，取2行之间所有行

逻辑选择

数字

DataFrame[表达式]，表达式可以是应用在整个DataFrame上的ex:DataFrame[DataFrame>1]找出数据框内所有大于1的数DataFrame[DataFrame.A>1]找出A列大于1的

非数字

缺省值处理

DataFrame.dropna(how='any')

DataFrame.fillna('值')用值填缺省DataFrame.fillna(method=\"ffill\"/'bfill')用前值/后DataFrame.fillna({列：值，列：值})

numpy.nan

对数据框应用函数（对一列或者一行，通过axis控制）

要求：函数的参数必须是一个array

形式：DataFrame.apply(函数名)

合并

Concat(列排列)

merge（类似SQL的JOIN）

append（将一行连接到一个DataFrame上）

result = df1.append(df2)

分组执行

Reshape(个人倾向于叫分类)

透视表

时间序列

时间表示

时间聚合

http://www.cnblogs.com/prpl/p/5537417.html  函数相对全

Series

形式

data内数据类型

Python字典

N维数组

标量

引用角度

可以用数组的方式引用

也可以用字典的方式引用

数学操作

加减乘除是矩阵形式的操作而非传统的字符数组拼接

统计相同值个数

Series.value_counts()

ol class=\"linenums\" style=\

应用

pd.value_counts(df["E"])，统计个数

df.describe()

筛选

1 df[(df.A >= -1) & (df.B <= 0)] # 值筛选2 df[df.E.str.contains(">")] # 包含某个字符，contains筛选的其实是正则表达式3 df[df.F.isin(['1'])] # 在列表内

采样