我们可以使用 .corr() 方法来获取 Pandas 中两列之间的相关性。让我们来看一个例子，看看如何应用这个方法。步骤创建一个二维的、大小可变的、可能是异构的表格数据，df。打印输入 DataFrame，df。初始化两个变量，col1 和 col2，并将它们赋值为要查找相关性的列。使用 df[col1].corr(df[col2]) 查找 col1 和 col2 之间的相关性，并将相关性值保存在变量 corr 中。打印相关性值，corr。示例import pandas as pd df = pd.DataFrame(    {       "x": [5, 2, 7, 0],       "y": [4, ... 阅读更多

正则表达式 (regex) 是一系列定义搜索模式的字符。要在 Pandas 中使用正则表达式过滤行，我们可以使用 str.match() 方法。步骤创建一个二维的、大小可变的、可能是异构的表格数据，df。打印输入 DataFrame，df。为表达式初始化一个变量 regex。为 regex 提供一个字符串值，例如，字符串 'J.*' 将过滤所有以字母 'J' 开头的条目。使用 df.column_name.str.match(regex) 通过提供的正则表达式过滤给定列名中的所有条目。示例 import pandas as pd df = pd.DataFrame(    dict(       name=['John', 'Jacob', 'Tom', 'Tim', 'Ally'], ... 阅读更多

在 Pandas 中重命名 DataFrame 列名非常简单。您只需使用 rename() 方法并传递要更改的列名和新的列名即可。让我们来看一个例子，看看它是如何完成的。步骤创建一个二维的、大小可变的、可能是异构的表格数据，df。打印输入 DataFrame，df。使用 rename() 方法重命名列名。在这里，我们将列 "x" 重命名为它的新名称 "new_x"。打印具有重命名列的 DataFrame。示例 import pandas as pd df = pd.DataFrame(    {       "x": [5, 2, ... 阅读更多

要访问 Pandas DataFrame 中的一组行，我们可以使用 loc() 方法。例如，如果我们使用 df.loc[2:5]，那么它将选择从 2 到 5 的所有行。步骤创建一个二维的、大小可变的、可能是异构的表格数据，df。打印输入 DataFrame，df。使用 df.loc[2:5] 选择从 2 到 5 的行。打印 DataFrame。示例 import pandas as pd df = pd.DataFrame( { "x": [5, 2, 7, 0, 7, 0, 5, 2], "y": [4, 7, 5, 1, 5, 1, 4, 7], "z": [9, 3, 5, 1, 5, 1, 9, 3] } ) print "输入 DataFrame 为：", df df = df.loc[2:5] print "新的 DataFrame：", df输出 输入 DataFrame 为： x y z 0 5 4 9 1 2 7 3 2 7 5 5 3 0 1 1 4 7 5 5 5 0 1 1 6 5 4 9 7 2 7 3 新的 DataFrame： x y z 2 7 5 5 3 0 1 1 4 7 5 5 5 0 1 1

要在 Pandas 中删除 DataFrame 的前三行，我们可以使用 iloc() 方法。步骤创建一个二维的、大小可变的、可能是异构的表格数据，df。打印输入 DataFrame，df。使用 df.iloc[3:] 删除前三行。打印更新后的 DataFrame。示例 import pandas as pd df = pd.DataFrame(    {       "x": [5, 2, 7, 0, 7, 0, 5, 2],       "y": [4, 7, 5, 1, 5, 1, 4, 7],       "z": [9, 3, 5, 1, 5, 1, 9, 3]    } ) print "输入 DataFrame 为：", df df = df.iloc[3:] print "删除前 3 行后：", df输出 输入 DataFrame 为： x y z 0 5 4 9 1 2 7 3 2 7 5 5 3 0 1 1 4 7 5 5 5 0 1 1 6 5 4 9 7 2 7 3 删除前 3 行后： x y z 3 0 1 1 4 7 5 5 5 0 1 1 6 5 4 9 7 2 7 3

要将 Pandas DataFrame 转换为字典，我们可以使用 to_dict() 方法。让我们来看一个例子，看看它是如何完成的。步骤创建二维的、大小可变的、可能是异构的表格数据，df。打印输入 DataFrame，df。使用 to_dict() 方法将 DataFrame 转换为字典并打印它。示例 import pandas as pd df = pd.DataFrame( { "x": [5, 2, 7, 0], "y": [4, 7, 5, 1], "z": [9, 3, 5, 1] } ) print "输入 DataFrame 为：", df print "将 DataFrame 转换为字典：", df.to_dict()输出 输入 DataFrame 为： x y z 0 5 4 9 1 2 7 3 2 7 5 5 3 0 1 1 将 DataFrame 转换为字典： {'x': {0: 5, 1: 2, 2: 7, 3: 0}, 'y': {0: 4, 1: 7, 2: 5, 3: 1}, 'z': {0: 9, 1: 3, 2: 5, 3: 1}}

要将 Pandas DataFrame 放入 JSON 文件并再次读取它，我们可以使用 to_json() 和 read_json() 方法。步骤创建一个二维的、大小可变的、可能是异构的表格数据，df。打印输入 DataFrame，df。使用 to_json() 方法将 DataFrame 导出到 JSON 文件。使用 read_json() 方法读取 JSON 文件。示例import pandas as pd df = pd.DataFrame(    {       "x": [5, 2, 7, 0],       "y": [4, 7, 5, 1],       "z": [9, 3, 5, 1] } ) print "输入 DataFrame 为：", df print "输入 DataFrame 的 JSON 输出：", df.to_json("test.json") ... 阅读更多

要连接两个以上的 Pandas DataFrame，请使用 concat() 方法。将 axis 参数设置为 axis = 0 以沿行连接。首先，导入所需的库 −import pandas as pd让我们创建第一个 DataFrame −dataFrame1 = pd.DataFrame(    {       "Col1": [10, 20, 30], "Col2": [40, 50, 60], "Col3": [70, 80, 90], }, index=[0, 1, 2], ) 让我们创建第二个 DataFrame −dataFrame2 = pd.DataFrame(    {       "Col1": [100, 110, 120], "Col2": [130, 140, 150], "Col3": [160, 170, 180], }, ... 阅读更多

要将 Pandas DataFrame 保存到多个 Excel 工作表中，我们可以使用 pd.ExcelWriter() 方法。在使用 ExcelWriter() 之前，请确保已安装 openpyxl 包。步骤创建一个二维的、大小可变的、可能是异构的表格数据，df1。打印输入 DataFrame，df1。创建另一个 DataFrame，df2，并打印它。使用 ExcelWriter() 方法将给定的格式化单元格写入 Excel 工作表。示例import pandas as pd df1 = pd.DataFrame( [[5, 2], [4, 1]], index=["One", "Two"], columns=["Rank", "Subjects"] ) df2 = pd.DataFrame( [[15, 21], [41, 11]], index=["One", "Two"], columns=["Rank", ... 阅读更多

我们可以切片 Pandas DataFrame 以选择两个索引值之间的行。让我们来看一个例子，看看它是如何完成的。步骤创建一个二维的、大小可变的、可能是异构的表格数据，df。打印输入 DataFrame，df。为索引的下限初始化一个变量。为索引的上限初始化另一个变量。使用 df[index_lower_limit: index_upper_limit] 打印范围索引中的 DataFrame。示例import pandas as pd df = pd.DataFrame( { "x": [5, 2, 7, 0], "y": [4, 7, 5, 1], "z": [9, ... 阅读更多