dataframe 对象的操作

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了dataframe 对象的操作相关的知识,希望对你有一定的参考价值。

DataFrame是Pandas中的一个表结构的数据结构,包括三部分信息,表头(列的名称),表的内容(二维矩阵),索引(每行一个唯一的标记)。

一、DataFrame的创建

有多种方式可以创建DataFrame,下面举例介绍。

例1: 通过list创建

复制代码

>> import pandas as pd
>> df = pd.DataFrame([[1,2,3],[4,5,6]])
>> df
0 1 2
0 1 2 3
1 4 5 6

[2 rows x 3 columns]
复制代码
上面代表,创建了一个2行3列的表格,创建时只指定了表格的内容(通过一个嵌套的list),没有指定列名和索引。
这时列名就自动为 0,1,2 ;索引自动为数值0,1.

我们可以指定列表和索引,如:

复制代码

>> df = pd.DataFrame([[1,2,3],[4,5,6]],index=[‘row1‘,‘row2‘],columns=[‘c1‘,‘c2‘,‘c3‘])
>> df
c1 c2 c3
row1 1 2 3
row2 4 5 6

[2 rows x 3 columns]
复制代码
可以看出,上面代码通过index和 columns参数指定了索引和列名。

例2:创建例子

复制代码

>> import numpy as np
>> dates = pd.date_range(‘20121001‘,periods=6)
>> df = pd.DataFrame(np.random.randn(6,4) , index = dates,columns=list(‘abcd‘))
>> df
a b c d
2012-10-01 -0.236220 0.586985 0.784953 -0.507129
2012-10-02 -1.020807 -1.316997 -0.747997 1.909333
2012-10-03 0.085208 -0.281736 1.112287 1.572577
2012-10-04 0.008708 -0.925711 -0.615752 -1.183397
2012-10-05 1.158198 -1.393678 0.586624 0.202499
2012-10-06 1.149878 -2.383863 1.646403 1.647935

[6 rows x 4 columns]
复制代码
上面代码创建的dates是个时间索引,np.random.randn 方法创建一个6行4列的随机数矩阵。
最后的df使用 dates作为索引,使用np.random.randn 方法创建的矩阵作为内容,使用 list(‘abcd‘)作为列名。

二、 DataFrame的一些基本操作

1、获取数据的行数

len(df)

len(df.index)

2、显示索引、列和底层的numpy数据

复制代码

>> df.index
<class ‘pandas.tseries.index.DatetimeIndex‘>
[2012-10-01, ..., 2012-10-06]
Length: 6, Freq: D, Timezone: None
>> df.columns
Index([u‘a‘, u‘b‘, u‘c‘, u‘d‘], dtype=‘object‘)
>> df.values
array([[-0.2362202 , 0.58698529, 0.78495289, -0.50712897],
[-1.02080723, -1.31699704, -0.74799734, 1.90933343],
[ 0.08520807, -0.28173589, 1.11228743, 1.57257716],
[ 0.00870768, -0.92571109, -0.6157519 , -1.18339719],
[ 1.15819829, -1.39367835, 0.586624 , 0.20249899],
[ 1.14987847, -2.38386297, 1.64640287, 1.64793523]])
复制代码
说明,这个例子中的df使用的是上面创建的 DataFrame对象

3、显示数据

df.head([n]) # 获取df中的前n行数据,n不指定,则默认为5

df.tail([n]) # 获取df中的后n行数据,n不指定,则默认为5

复制代码

>> dates = pd.date_range(‘20121001‘,periods=100)
>>df = pd.DataFrame(np.random.randn(100,4) , index = dates,columns=list(‘abcd‘ ))
>> df.head()
a b c d
2012-10-01 -1.010746 0.176277 -0.838870 0.742626
2012-10-02 0.111174 0.182840 0.193215 1.517350
2012-10-03 -0.757385 1.137521 -0.247181 0.659187
2012-10-04 -1.157838 1.464957 -2.106226 1.160796
2012-10-05 0.141747 0.032917 0.647210 -0.861413

[5 rows x 4 columns]

>> df.tail()
a b c d
2013-01-04 -0.225416 -1.436526 -0.349813 -0.130948
2013-01-05 -1.544653 -0.214760 1.455662 0.050591
2013-01-06 0.582737 -0.646163 -1.763772 -1.463706
2013-01-07 -0.694467 0.710954 -2.227337 -0.257376
2013-01-08 0.282839 -1.100346 1.526374 1.658781
复制代码
注意,head 和 tail 返回的是一个新的dataframe,与原来的无关

4、按照索引排序

newdf = df.sort_index(ascending=False,inplace=True)

ascending=False 参数指定按照索引值的以降序方式排序,默认是以升序排序。

inplace=True 指定为True时,表示会直接对df中的数据进行排序,函数返回值为None,newdf的值为None;

如果不设置为True(默认为false),则不会对df中数据进行修改,会返回一个新的df,这时newdf就有内容,是一个新的排序后的df。

5、添加数据(append方法)

append方法可以添加数据到一个dataframe中,注意append方法不会影响原来的dataframe,会返回一个新的dataframe。

语法:

DataFrame.append(otherData, ignore_index=False, verify_integrity=False)

其中otherData参数是要添加的新数据,支持多种格式。

ignore_index 参数默认值为False,如果为True,会对新生成的dataframe使用新的索引(自动产生),忽略原来数据的索引。

verify_integrity参数默认值为False,如果为True,当ignore_index为False时,会检查添加的数据索引是否冲突,如果冲突,则会添加失败。

举例说明1:

复制代码
dates = pd.date_range(‘20121001‘,periods=10)
df = pd.DataFrame(np.random.randn(10,4) , index = dates,columns=list(‘abcd‘))

dates1 = pd.date_range(‘20121001‘,periods=2)
df1 = pd.DataFrame(np.random.randn(2,4) , index = dates1,columns=list(‘abcd‘))

df.append(df1) # df1中的2行数据会加到df中,且新产生的df的各行的索引就是原来数据的索引
df.append(df1,ignore_index=True) # df1中的2行数据会加到df中,且新产生的df的索引会重新自动建立
df.append(df1,verify_integrity=True) #会报错,因为df1的索引和df2的索引冲突了
复制代码
说明,df1的列名必须和df一致,否则不是简单的添加行。而是会添加列,再添加行。

举例2:

复制代码

>> df.append({‘a‘:10,‘b‘:11,‘c‘:12,‘d‘:13},ignore_index=True)
a b c d
0 -0.471061 -0.937725 -1.444073 0.640439
1 -0.732039 -1.617755 0.281875 1.179076
2 1.115559 0.136407 -2.225551 0.119433
3 0.695137 0.380088 -0.318689 -0.048248
4 1.483151 -0.124202 -0.722126 0.035601
5 0.326048 -0.139576 -0.172726 0.931670
6 0.858305 0.857661 -0.279078 0.583740
7 -0.041902 0.408085 -1.019313 0.005968
8 0.626730 0.143332 -0.404894 0.377950
9 -1.850168 0.430794 -0.534981 -0.738701
10 10.000000 11.000000 12.000000 13.000000
复制代码
上面代码是新产生的df会添加一行。这种操作,ignore_index参数值必须设置为True,否则会报错。

举例3:

复制代码

>> df.append({‘e‘:10},ignore_index=True)
a b c d e
0 -0.471061 -0.937725 -1.444073 0.640439 NaN
1 -0.732039 -1.617755 0.281875 1.179076 NaN
2 1.115559 0.136407 -2.225551 0.119433 NaN
3 0.695137 0.380088 -0.318689 -0.048248 NaN
4 1.483151 -0.124202 -0.722126 0.035601 NaN
5 0.326048 -0.139576 -0.172726 0.931670 NaN
6 0.858305 0.857661 -0.279078 0.583740 NaN
7 -0.041902 0.408085 -1.019313 0.005968 NaN
8 0.626730 0.143332 -0.404894 0.377950 NaN
9 -1.850168 0.430794 -0.534981 -0.738701 NaN
10 NaN NaN NaN NaN 10
复制代码
可以看出,如果插入的数据,指定的列名不存在,新产生的df不仅会增加行,还会增加列。

6、遍历数据

示例代码如下

for index,row in df.iterrows():
print index #获取行的索引
print row.a #根据列名获取字段
print row[0]#根据列的序号(从0开始)获取字段

7、查找数据

创建如下的dataframe

dates = pd.date_range(‘20121001‘,periods=10)
df = pd.DataFrame(np.random.randn(10,4) , index = dates,columns=list(‘abcd‘))

可以有各种方式获取df中的全部或部分数据

df[‘a‘] #按照列名获取指定的列,返回的是一个Series,其中key是索引,value是该列对应的字段值

df[:2] #获取前2行数据,效果等同 df[0:2],返回的是一个新的dataframe

df[2:5] #获取第3行~5行 这3条记录,返回的是一个新的dataframe

df.loc[‘20121009‘] #获取指定索引的行,等同于 df.loc[‘2012-10-09‘],返回的是一个Series,其中key是列名,value是该列对应的字段值

df.iloc[3] #获取指定序号的行,这里是第4行

8、删除数据

del df[‘a‘] #删除dataframe中指定的列,这个是直接影响当前的dataframe,注意 del不是函数,是python中的内置语句,没有返回值

df.drop([‘a‘],axis=1) #删除指定的列,与上面的区别是不会影响原来的dataframe,dop方法会返回一个删除了指定列的新的dataframe

说明,dop方法既可以删除列,也可以删除行,但上面创建的df无法被删除行(?),下面这个例子可以删除行

data = pd.DataFrame(np.arange(16).reshape((4, 4)),index=[‘Ohio‘, ‘Colorado‘, ‘Utah‘, ‘New York‘],columns=[‘one‘, ‘two‘, ‘three‘, ‘four‘])

data.drop([‘Colorado‘, ‘Ohio‘])
上面代码中的dop方法删除了指定索引的两行,注意同删除列一样,drop方法不会影响原来的dataframe,会返回一个删除后的新的dataframe

9、增加列

例子代码如下

dates = pd.date_range(‘20121001‘,periods=10)
df = pd.DataFrame(np.random.randn(10,3) , index = dates,columns=list(‘abc‘))

df[‘d‘] = pd.Series(np.random.randn(10),index=df.index)
上面代码先是创建了一个dataframe,然后通过df[‘d‘] 插入了一个新的列。如果指定的列名存在,会修改列的内容。

10、修改指定行或单元格数据

df.values[i][j]= xxx #其中i是行号,j是列号,都是从0开始

df.values[1]=12 # 会把一行中的所有列中的数据设置为同一个值,这里的参数1是序号,这里为第2行数据

df[‘a‘] = 12 #这样会把指定列的所有数据都设置为同一个值,如这里的12。注意,如果指定的列名不存在,会新增列

11、插入行

前面介绍的append方法是产生一个新的 dataframe,不会改变原来的dataframe。

那有没有办法直接在当前的frame中插入一行数据呢? 上面介绍的 df[列名] = xxx 是用来插入或修改列的信息。

以上是关于dataframe 对象的操作的主要内容,如果未能解决你的问题,请参考以下文章

SparkSql之DataFrame操作

Spark-SQL之DataFrame操作大全

Python——DataFrame基础操作

Spark-SQL之DataFrame操作大全

100天精通Python(数据分析篇)——第55天:Pandas之DataFrame对象大总结

4.DataFrame