要将数据框的索引显示为多级索引，请使用 dataframe.index()。首先，让我们创建一个列表字典：# 列表字典 d = {'Car': ['BMW', 'Lexus', 'Audi', 'Mercedes', 'Jaguar', 'Bentley'], 'Date_of_purchase': ['2020-10-10', '2020-10-12', '2020-10-17', '2020-10-16', '2020-10-19', '2020-10-22'] } 从上面的列表字典创建一个数据框：dataFrame = pd.DataFrame(d) 现在，设置索引列“Car”并显示索引：dataFrame.set_index(["Car"], inplace=True, append=True, drop=False) print"多级索引...", dataFrame.index 例子 以下是代码：import pandas as pd # 列表字典 d = {'Car': ['BMW', 'Lexus', 'Audi', 'Mercedes', 'Jaguar', 'Bentley'], 'Date_of_purchase': ['2020-10-10', ... 阅读更多

我们将使用 groupby() 对 Pandas 数据框进行分组。使用 grouper 函数选择要使用的列。我们将按天分组并计算注册价格的总和，以下面的汽车销售记录为例。在 groupby() grouper 方法中设置频率为天间隔，这意味着，如果 freq 是 7D，则表示数据按每月 7 天的间隔分组，直到日期列中给出的最后一天。首先，假设我们的 Pandas 数据框如下所示，包含三列：import pandas as pd # 数据框 ... 阅读更多

要使用另一个数据框的值替换数据框的值，请在 Pandas 中使用 replace() 方法。首先，让我们创建一个数据框：dataFrame1 = pd.DataFrame({"Car": ["Audi", "Lamborghini"], "Place": ["US", "UK"], "Units": [200, 500]}) 让我们创建另一个数据框：dataFrame2 = pd.DataFrame({"Car": ["BMW", "Lexus"], "Place": ["India", "Australia"], "Units": [800, 1000]}) 接下来，从 dataFrame2 获取值并用 dataFrame1 的值替换：# 从第二个数据框获取值 i = dataFrame2['Car'][1] # 用第一个数据框的值替换 j = dataFrame1['Car'][0] 最后，使用 replace() 方法将一个数据框的值替换为另一个数据框的值 ... 阅读更多

我们想要用最新的前导正值替换负值。这样，如果没有前导正值，则该值应更新为 0。输入 例如，输入为：数据框： One two 0 -2 -3 1 4 -7 2 6 5 3 0 -9 输出 输出应为： One two 0 0 0 1 7 0 2 4 2 3 0 2 使用数据框掩码替换负值。为了填充缺失值，我们使用了前向填充。首先，... 阅读更多

要从多级索引数据框中删除特定行，请使用 drop() 方法。首先，让我们创建一个多级索引数组：arr = [np.array(['car', 'car', 'car', 'bike', 'bike', 'bike', 'truck', 'truck', 'truck']), np.array(['valueA', 'valueB', 'valueC', 'valueA', 'valueB', 'valueC', 'valueA', 'valueB', 'valueC'])] 接下来，创建多级索引数据框并设置索引：dataFrame = pd.DataFrame( np.random.randn(9, 3), index=arr, columns=['Col 1', 'Col 2', 'Col 3']) dataFrame.index.names = ['level 0', 'level 1'] 现在，删除特定行：dataFrame.drop(('car', 'valueA'), axis=0, inplace=True) 例子 以下是代码：import numpy as np import pandas as pd # 多级索引数组 arr = [np.array(['car', 'car', 'car', 'bike', 'bike', 'bike', 'truck', 'truck', 'truck']), ... 阅读更多

让我们看看如何查找负值和正值的总和。首先，创建一个包含正值和负值的数据框：dataFrame = pd.DataFrame({'Place': ['Chicago', 'Denver', 'Atlanta', 'Chicago', 'Dallas', 'Denver', 'Dallas', 'Atlanta'], 'Temperature': [-2, 30, -5, 10, 30, -5, 20, -10]}) 接下来，使用 groupby 根据 Place 列进行分组：groupRes = dataFrame.groupby(dataFrame['Place']) 使用 lambda 函数返回正值和负值。我们还分别添加了正值和负值：# lambda 函数 def plus(val): return val[val > 0].sum() def minus(val): return val[val < 0].sum() 例子 以下是完整代码 ... 阅读更多

我们将使用 groupby 对 Pandas 数据框进行分组。使用 grouper 函数选择要使用的列。我们将按月分组并计算每月注册价格的总和，以下面的汽车销售记录为例。首先，假设我们的 Pandas 数据框如下所示，包含三列：dataFrame = pd.DataFrame( { "Car": ["Audi", "Lexus", "Tesla", "Mercedes", "BMW", "Toyota", "Nissan", "Bentley", "Mustang"], "Date_of_Purchase": [ pd.Timestamp("2021-06-10"), pd.Timestamp("2021-07-11"), pd.Timestamp("2021-06-25"), ... 阅读更多

要检查缺失的日期，首先，让我们设置一个包含日期记录的列表字典，即我们示例中的购买日期：# 列表字典 d = {'Car': ['BMW', 'Lexus', 'Audi', 'Mercedes', 'Jaguar', 'Bentley'], 'Date_of_purchase': ['2020-10-10', '2020-10-12', '2020-10-17', '2020-10-16', '2020-10-19', '2020-10-22']} 现在，从上面的列表字典创建一个数据框：dataFrame = pd.DataFrame(d) 接下来，将其设置为索引：dataFrame = dataFrame.set_index('Date_of_purchase') 使用 to_datetime() 将字符串转换为 DateTime 对象：dataFrame.index = pd.to_datetime(dataFrame.index) 显示范围内剩余的日期：k = pd.date_range( start="2020-10-10", end="2020-10-22").difference(dataFrame.index); 例子 以下是代码：import pandas as pd # 列表字典 d = {'Car': ['BMW', ... 阅读更多

要合并文件夹中的所有 Excel 文件，请使用 Glob 模块和 append() 方法。假设桌面上有以下 Excel 文件：Sales1.xlsxSales2.xlsx 注意 - 您可能需要安装 openpyxl 和 xlrd 包。首先，设置所有要合并的 Excel 文件所在的路径。使用 glob 获取 Excel 文件并读取它们：path = "C:\Users\amit_\Desktop\" filenames = glob.glob(path + "\*.xlsx") print('文件名：', filenames) 接下来，为合并的输出 Excel 文件创建一个空数据框，该文件将获取来自上述两个 Excel 文件的数据：outputxlsx = pd.DataFrame() 现在，实际过程 ... 阅读更多

使用 Series.value_counts() 方法计算项目集的频率。首先，让我们创建一个数据框：# 创建数据框 dataFrame = pd.DataFrame({'Car': ['BMW', 'Mercedes', 'Lamborghini', 'Audi', 'Mercedes', 'Porsche', 'Lamborghini', 'BMW'], 'Place': ['Delhi', 'Hyderabad', 'Chandigarh', 'Bangalore', 'Hyderabad', 'Mumbai', 'Mumbai', 'Pune'], 'UnitsSold': [95, 80, 80, 75, 92, 90, 95, 50 ]}) 使用 value_counts() 方法计算列 car 的频率：# 计算列 Car 的频率 count1 = dataFrame['Car'].value_counts() print("列 Car 中的计数") print(count1) 同样，计算其他列的频率。以下是计算 Pandas 数据框中项目集频率的完整代码 ... 阅读更多