假设您有一个数据框，将索引正向和负向移动两个周期的结果是，将索引正向移动三个周期                      Id Age 2020-01-01 00:00:00 NaN NaN 2020-01-01 12:00:00 NaN NaN 2020-01-02 00:00:00 1.0 10.0 2020-01-02 12:00:00 2.0 12.0 2020-01-03 00:00:00 3.0 14.0 将索引负向移动三个周期                      Id Age 2020-01-01 00:00:00 3.0 14.0 2020-01-01 12:00:00 4.0 11.0 2020-01-02 00:00:00 5.0 13.0 2020-01-02 12:00:00 NaN NaN 2020-01-03 00:00:00 NaN NaNSolutionTo ... 阅读更多

假设您有一个数据框，删除第一行重复行的结果是，     Id Age 0    1 12 3    4 13 4    5 14 5    6 12 6    2 13 7    7 16 8    3 14 9    9 15 10  10 14SolutionTo solve this, we will follow the steps given below −定义一个数据框应用 drop_duplicates 函数到 Id 和 Age 列，并将 keep 的初始值设置为 ‘last’。df.drop_duplicates(subset=['Id', 'Age'], keep='last')将结果存储到同一个数据框中并打印它Example让我们看看下面的实现以更好地理解 −import pandas ... 阅读更多

假设您有一个数据框，计算分组数据协方差及其对应列的结果如下，分组数据协方差为：                   mark1       mark2 subjects maths    mark1    25.0    12.500000          mark2    12.5    108.333333 science  mark1    28.0    50.000000          mark2    50.0    233.333333 两列之间的分组数据协方差： subjects maths    12.5 science  50.0 dtype: float64SolutionTo solve this, we will follow the steps given below −定义一个数据框应用 groupby 函数到数据框 subjects ... 阅读更多

我们可以使用 melt()、stack()、unstack() 和 pivot() 函数重塑数据框。Solution 1定义一个数据框。应用 melt() 函数将宽数据框的列转换为行。它定义如下， df.melt()Example让我们看看下面的代码以更好地理解 −import pandas as pd df = pd.DataFrame({'Id':[1, 2, 3], 'Age':[13, 14, 13], 'Mark':[80, 90, 85]}) print("Dataframe is:", df) print(df.melt())OutputDataframe is:  Id Age Mark 0 1 13   80 1 2 14   90 2 3 13   85 variable value 0    Id    1 1    Id    2 2    Id    3 3   Age    13 4   ... 阅读更多

假设您有一个包含时间序列数据的数据框，截断后的数据结果如下，截断前：  Id time_series 0 1 2020-01-05 1 2 2020-01-12 2 3 2020-01-19 3 4 2020-01-26 4 5 2020-02-02 5 6 2020-02-09 6 7 2020-02-16 7 8 2020-02-23 8 9 2020-03-01 9 10 2020-03-08 截断后：  Id time_series 1 2 2020-01-12SolutionTo solve this, we will follow the steps given below −定义一个数据框。在 start=’01/01/2020’，periods = 10 内创建 date_range 函数，并将其 freq 设置为 ‘W’。它将从给定的开始日期生成十个日期到下一个每周开始日期，并将其存储为 df[‘time_series’]。df['time_series'] ... 阅读更多

假设您有一个序列，滞后 2 的自相关结果如下，序列为： 0    2.0 1    10.0 2    3.0 3    4.0 4    9.0 5    10.0 6    2.0 7    NaN 8    3.0 dtype: float64 序列相关性：    -0.4711538461538461 滞后序列相关性：    -0.2933396642805515SolutionTo solve this, we will follow the steps given below −定义一个序列使用以下方法查找序列自相关，series.autocorr()计算滞后=2 的自相关，如下所示，series.autocorr(lag=2)Example让我们看看下面的代码以更好地理解，import pandas as pd import numpy as np series = ... 阅读更多

假设您有一个数据框，将数据框导出到 pickle 文件并从文件中读取内容的结果如下，导出到 pickle 文件： 从 pickle 文件读取内容：   Fruits    City 0 Apple    Shimla 1 Orange   Sydney 2 Mango    Lucknow 3 Kiwi    WellingtonSolutionTo solve this, we will follow the steps given below −定义一个数据框。将数据框导出为 pickle 格式，并将其命名为 ‘pandas.pickle’，df.to_pickle('pandas.pickle')从 ‘pandas.pickle’ 文件中读取内容并将其存储为 result，result = pd.read_pickle('pandas.pickle')Example让我们看看下面的实现以更好地理解，import pandas as pd df = pd.DataFrame({'Fruits': ... 阅读更多

假设您在文件中存储了以下示例 json 数据，如 pandas_sample.json{    "employee": {       "name": "emp1",       "salary": 50000,       "age": 31    } }转换为 csv 后，结果如下， , employee age, 31 name, emp1 salary, 50000SolutionTo solve this, we will follow the steps given below −创建 pandas_sample.json 文件并存储 JSON 数据。从文件中读取 json 数据并将其存储为 data。data = pd.read_json('pandas_sample.json')将数据转换为 dataframedf = pd.DataFrame(data)Apple df.to_csv 函数将数据转换为 csv 文件格式，df.to_csv('pandas_json.csv')Example让我们看看下面的实现 ... 阅读更多

假设您有时间序列，最大月底频率的结果如下，DataFrame 为：  Id time_series 0 1 2020-01-05 1 2 2020-01-12 2 3 2020-01-19 3 4 2020-01-26 4 5 2020-02-02 5 6 2020-02-09 6 7 2020-02-16 7 8 2020-02-23 8 9 2020-03-01 9 10 2020-03-08 最大月底频率：               Id time_series time_series 2020-01-31    4 2020-01-26 2020-02-29    8 2020-02-23 2020-03-31    10 2020-03-08SolutionTo solve this, we will follow the steps given below −定义一个包含一列的数据框，d = {'Id': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]} ... 阅读更多

假设我们已经保存了 pandas.csv 文件，并希望将其导出为 Html 格式。解决方案为了解决这个问题，我们将按照以下步骤操作：使用 read_csv 方法读取 csv 文件，如下所示：df = pd.read_csv('pandas.csv')使用文件对象以写入模式创建新的文件 pandas.html，f = open('pandas.html', 'w')声明 result 变量，用于将数据框转换为 html 文件格式，result = df.to_html()使用文件对象写入 result 中的所有数据。最后关闭文件对象，f.write(result) f.close()示例让我们看看下面的实现，以便更好地理解：import pandas as pd df = pd.read_csv('pandas.csv') print(df) f = open('pandas.html', 'w') result ... 阅读更多