pandas函数
目录
一read_csv:
二to_csv:
三set_option：
四select_dtypes：
五to_numeric：
六info：
七astype：
八fillna：
九concat：
十reset_index:
十一where：
十二rename：
十三groupby：
十四loc，iloc，ix：
十五pivot:
一read_csv:
用法：
pd.read_csv("filename" ,sep = '\t',delimiter = ‘\t’, name = ['a','b','c'],nrows=100,index_col='a')函数说明：
用于将csv，tsv文件的读取
import pandas
参数说明：
filename :打开的csv/tsv文件名
sep = '\t':文件以'\t'为分隔符
delimiter = ‘\t’:文件以'\t'为分隔符
name = ['a','b','c']:指定DataFrame的列索引分别为'a','b','c'
nrows=100:读取csv的前100行
index_col='a': 将'a'列指定为行索引
二to_csv:
pd.to_csv("filename" ,sep = '\t',header=None)函数说明：
用于将csv文件格式的数据保存为csv文件，通常用来保存dataframe数据
import pandas as pd
参数说明：
"filename": 保存文件名
sep：保存数据分隔符
header：是否保留列索引
三set_option：
用法：
pd.set_option('display.width', 1000) # 设置字符显示宽度
pd.set_option('display.max_rows', None) # 设置显示最大行
pd.set_option('display.max_columns', None) # 设置显示最大行函数说明：
用来设置显示数据的行列数，可避免数据被折叠，看不到完整数据的情况。可在pycharm下展开数据
import pandas as pd
参数说明：
set_option('display.width', 10) ： 设置一行显示多少列，如果不设置max_columns，数据也会被折叠
set_option('display.max_rows', 10) ：设置最大显示行
set_option('display.max_columns', 10) ： 设置数据展开多少列，如果不配合width，可能会出现一行显示不下，放到下一行展 示，造成数据不整齐
四select_dtypes：
用法：
DataFrame.select_dtypes(include['int'], exclude=None)函数说明：
从dataframe数据中选择固定type的数据。可用于配合to_numeric来实现内存优化。
import pandas as pd
参数说明：
include:选择的数据类型
exclude：排除的数据类型
内存优化示例：(将内容为int64的数据存为uint32)
a=DataFrame()
a = a.select_dtypes(include=['int'])
a = a.apply(pd.to_numeric,downcast='unsigned')
五to_numeric：
用法：
pd.to_numeric(arg, errors=None, downcast=None)函数说明：
将参数转变为数字类型，
import pandas as pd
参数说明：
arg：需要转变的参数
errors:赋值为coerce时，将无效值强制转换为NaN；赋值为ignore时，将无效值忽略。
downcast：向下转变的类型。想占用少转变，如需转变为unsigned，需填unsigned。
六info：
用法:
dataframe.info()
函数说明：
打印dataframe的详细信息，包括数据类型的信息和内存占用信息等
import pandas as pd
七astype：
用法：
dataframe.astype({"uint8","int8","float16"...}})
函数说明：
强制类型转换
八fillna：
用法：
dataframe.fillna(0,inplace=True)函数说明：
将dataframe里的nan数据转变为0
参数说明：
inplace：默认为false，此时会生成一个新的对象，并不会修改原数据，赋值为true后，会修改原数据
九concat：
用法：
pd.concat([df1,df2],axis={0,1},join={'inner','outer'},ignore_index=True,keys=['first','second'])函数说明：
用于连接对象，
import pandas as pd
参数说明：
[df1,df2]:连接的对象
axis：连接方式，“0” 时，df2连接到df1下；“1” 时，df2与df1同行。缺失位置补NaN
join：赋值为“inner”时，取df1与df2的交集；赋值为"outer"时，取df1与df2的并集。
ignore_index:重新编辑索引。
keys:为连接的对象在新生成的dataframe里设置二重索引，设置ignore_index时此参数失效
十reset_index:
用法：
dataframe.reset_index(drop=True)函数说明：
多用于修正有多重索引的dataframe对象，可将对象修正为常规格式的dataframe，将索引修正为0~；
参数说明：
drop：抛弃已有的某个索引
十一where：
用法：
dataframe.where(condition,m,n)函数说明：
按照某个条件对dataframe对象进行筛选，满足条件condition的，赋值为m；不满足condition的，赋值为n。where(condition,n)表示对于不满足condition的赋值为n。
import pandas as pd
参数说明：
condition：表示筛选的条件
m：与condition相符的赋值为m
n：与condition不符的赋值为n
十二rename：
用法：
dataframe.rename(columns={"A":"a","B":"a"},inplace=True)函数说明：
可用于修改列索引，
import pandas as pd
参数说明：
columns：需要修改的列名情况
inplace：赋值为true时表示在原dataframe对象上修改
十三groupby：
用法：
dataframe.groupby(['KEY1','KEY2'])函数说明：
用于df的分类，后面加.size()，可在分类后统计个数。实例中将dataframe按key1和key2进行分类。
import pandas as pd
参数说明：
['KEY1','KEY2']：分类的标准，按照key1和key2分类
十四loc，iloc，ix：
用法：
dataframe.loc(['a','b'],['C','D'])
dataframe.iloc([0,1],[1,2])
dataframe.ix(['a','b'],[1,2])函数说明：
这三个函数都很相似，都用于检索dataframe里的某个或某些数据。
loc用于索引名称检索；
iloc可理解为index_loc,如果索引名称过长或者不好记，就可用数字索引检索。
ix综合了上面两种，但是对行检索时或者对列检索时分别只能用一种方式。
import pandas as pd
参数说明：
loc(['a','b'],['C','D'])：检索对象的'a','b'行,'C','D'列的数据；
iloc([0,1],[1,2])： 检索对象的0,1行，1,2列的数据；
ix(['a','b'],[1,2])： 检索对象的'a','b'行，1,2列的数据；
十五pivot:
用法：
DataFrame.pivot(index='a', columns='b', values='c')函数说明：
用于处理 行索引，列索引，数值都在dataframe内部的数据。例如：
# Bob成绩好，英语三次考试都是90多，数学都是80多；Gary英语三次都是60多，数学都是50多；
# Lucy英语三次都是几分，数学要好些，三次都是10几分。
df1 = pd.DataFrame({'object': ['English', 'math','English', 'math','English', 'math'],
'name': ['Bob','Bob', 'Gary', 'Gary', 'Lucy', 'Lucy'],
'first': ['99', '89', '60','59','3','10'],
'second': ['96', '88', '60','55','4','12'],
'third': ['94', '87', '61','53','5','11']}
)
df2 = df1.pivot(index='name',columns='object',values=['first','second','third'])
>>>print(df1)
first name object second third
0 99 Bob English 96 94
1 89 Bob math 88 87
2 60 Gary English 60 61
3 59 Gary math 55 53
4 3 Lucy English 4 5
5 10 Lucy math 12 11
>>>print(df2)
first second third
object English math English math English math
name
Bob 99 89 96 88 94 87
Gary 60 59 60 55 61 53
Lucy 3 10 4 12 5 11import pandas as pd
参数说明：
index:作为行索引的数据；
colums：作为列索引的数据；
values：值