我们可以使用 Pandas 中的 shift() 方法来移动 DataFrame 的列，而无需重写整个 DataFrame。shift() 接受以下参数shift(self, periods=1, freq=None, axis=0, fill_value=None)periods  要移动的周期数。它也可以取负数。axis  它取布尔值；如果要移动索引则为 0，如果要移动列则为 1fill_value  它将替换缺失值。让我们举个例子，看看如何使用这个 shift() 方法。步骤创建一个二维的、大小可变的、潜在异构的表格数据，df。打印输入 DataFrame，df。选择一列并使用 df["column_name"]=df.column_name.shift() 移动它打印... 阅读更多

要将一个 DataFrame 的行与另一个 DataFrame 的行追加在一起，我们可以使用 Pandas 的 append() 函数。借助 append()，我们也可以追加列。让我们举个例子，看看如何使用此方法。步骤创建一个二维的、大小可变的、潜在异构的表格数据，df1。打印输入 DataFrame，df1。创建另一个 DataFrame，df2，具有相同的列名并打印它。使用追加方法 df1.append(df2, ignore_index=True) 将 df2 的行与 df2 追加在一起。打印结果 DataFrame。示例import pandas as pd df1 = pd.DataFrame({"x": [5, 2], "y": [4, 7], "z": [9, 3]}) df2 = pd.DataFrame({"x": [1, 3], "y": ... 阅读更多

要获取 Pandas DataFrame 中的第 n 行，我们可以使用 iloc() 方法。例如，df.iloc[4] 将返回第 5 行，因为行号从 0 开始。步骤创建二维的、大小可变的、潜在异构的表格数据，df。打印输入 DataFrame，df。初始化一个变量 nth_row。使用 iloc() 方法获取第 n 行。打印返回的 DataFrame。示例import pandas as pd df = pd.DataFrame( dict( name=['John', 'Jacob', 'Tom', 'Tim', 'Ally'], marks=[89, 23, 100, 56, 90], subjects=["Math", "Physics", "Chemistry", "Biology", "English"] ) ) ... 阅读更多

要在 Pandas 中查找数字列，我们可以创建一个整数列表，然后将其包含到 select_dtypes() 方法中。让我们举个例子，看看如何应用此方法。步骤创建一个二维的、大小可变的、潜在异构的表格数据，df。打印输入 DataFrame，df。创建一个数据类型列表，即数字，以选择一列。根据列数据类型返回 DataFrame 列的子集。打印数据类型为 int 的列。示例 import pandas as pd df = pd.DataFrame( dict( name=['John', 'Jacob', 'Tom', 'Tim', 'Ally'], ... 阅读更多

要在 Pandas 中查找列的最大值并返回其对应的行值，我们可以使用 df.loc[df[col].idxmax()]。让我们举个例子来更好地理解它。步骤创建一个二维的、大小可变的、潜在异构的表格数据，df。打印输入 DataFrame，df。初始化一个变量 col，以查找该列的最大值。使用 df.loc[df[col].idxmax()] 查找最大值及其对应的行打印步骤 4 的输出。示例import pandas as pd df = pd.DataFrame(    {       "x": [5, 2, 7, 0],       "y": [4, 7, 5, 1],       "z": [9, 3, 5, 1]    } ... 阅读更多

我们可以使用 .corr() 方法来获取 Pandas 中两列之间的相关性。让我们举个例子，看看如何应用此方法。步骤创建一个二维的、大小可变的、潜在异构的表格数据，df。打印输入 DataFrame，df。初始化两个变量 col1 和 col2，并为它们分配要查找相关性的列。使用 df[col1].corr(df[col2]) 查找 col1 和 col2 之间的相关性，并将相关值保存在变量 corr 中。打印相关值 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、潜在异构的表格数据，df。打印输入 DataFrame，df。为表达式初始化一个变量 regex。提供一个字符串值作为 regex，例如，字符串 'J.*' 将过滤以字母 'J' 开头的所有条目。使用 df.column_name.str.match(regex) 通过提供的 regex 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。您需要做的就是使用 rename() 方法并传递要更改的列名和新列名。让我们举个例子，看看它是如何完成的。步骤创建一个二维的、大小可变的、潜在异构的表格数据，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”重命名为其新名称“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]，则它将选择从 2 到 5 的所有行。步骤创建一个二维的、大小可变的、潜在异构的表格数据，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

在Pandas中删除DataFrame的前三行，可以使用iloc()方法。步骤创建一个二维的、大小可变的、潜在异构的表格数据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