Python Pandas因其基本功能而广受欢迎。熊猫库具有许多必不可少的基本功能和功能，使您的日常工作变得更加轻松。强烈建议初学者掌握Pandas的基本功能。
熊猫的基本功能
在启动Pandas基本功能之前，您必须学习导入库配套课程请点击这里：
>>>将numpy导入为np
>>>将熊猫作为pd导入
在这里，我们将创建在Pandas中工作的4个主要数据结构。
指数
>>> dataflair_index = pd。date_range （'1/1/2000' ，period = 8 ）
系列
>>> dataflair_s1 = pd。系列（np.random。randn （5 ），指数= [ 'A' ，'B' ，'C' ，'d' ，'E' ] ）
数据框
>>> dataflair_df1 = pd。数据帧（np.random。randn （8 ，3 ），指数= dataflair_index，列= [ 'A' ，'B' ，'C' ] ）
面板
>>> dataflair_wp1 = pd。面板（np.random。randn （2 ，5 ，4 ），项= [ '的Item1' ，'项目2' ] ，major_axis = PD。DATE_RANGE （'1/1/2000' ，时段= 5 ），minor_axis = [ ' A' ，'B' ，'C' ，'D' ] ）
输出-
在熊猫中导入图书馆
在深入研究Pandas基本功能之前，让我们发现Pandas中的文件层次结构
现在我们可以从熊猫的基本功能开始。
1.head（）函数
2.tail（）函数
3.属性
4.灵活的二进制运算
要查看一个长序列的开始或结尾，我们可以使用head（）或tail（）函数。
1. head（）函数
让我们创建一个具有1000个随机值的序列
>>> dataflair = pd。系列（np.random。randn （1000 ））
使用head（）函数-
>>> dataflair。头（）
输出-
熊猫头功能
2. tail（）函数
现在，我们使用tail函数并将元素数设置为3：
>>> dataflair。尾巴（3 ）
输出-
是什么使Python Pandas与其他库不同？
3.属性配套课程请点击这里：
属性在熊猫的基本功能中起着重要作用，它可以帮助数据科学家快速分析，清理和准备数据。Pandas对象具有许多属性，使您可以访问元数据。
形状：给出轴尺寸
轴标签：
系列：索引（仅一个轴）
DataFrame：索引（行）和列
面板：长轴，短轴和项目
您可以安全地分配这些属性。
>>> dataflair_df1 [ ：2 ]
输出-
这将打印DataFrame的最后两个值
>>> dataflair_df1.columns = [ x。下（）用于dataflair_df1.columns X ]
>>> dataflair_df1
输出-
使用此函数，我们将大写的列名更改为小写。
如果必须获取Pandas数据结构内部的实际数据，则只需使用values属性。
>>> dataflair_s1.values
输出-
输入-
>>> dataflair_df1.values
输出-
熊猫的上到下列名
>>> dataflair_wp1.values
输出-
4.灵活的二进制运算配套课程请点击这里：
在熊猫数据结构之间的二进制操作中，有两个重要的关注点：
低维对象与高维对象之间的广播行为
计算时丢失数据
我们将学习如何独立处理这两个问题。它们可以同时处理。
4.1广播行为
对于广播行为，“ 系列”输入为主要输入。您可以使用axis（）关键字来匹配索引或列。
>>> dataflair_df = pd。数据帧（{ '一' ：PD 系列（。np.random randn （3 ），指数= [ 'A' ，'B' ，'C' ] ），'2' ：PD 系列（。np.random randn （4 ），index = [ 'a' ，'b' ，'c' ，'d' ] ），'3' ：pd 系列（np.random。3 ），index = [ 'b' ，'c' ，'d' ] ）} ）
>>> dataflair_df
输出-
在熊猫中使用Axis关键字
输入-
>>>行= dataflair_df.iloc [ 1 ]
>>>列= dataflair_df [ 'two' ]
>>> dataflair_df。sub （row，axis = 'columns' ）
输出-
熊猫在数据科学中很流行，但在其他领域也有不同的应用。
>>> dataflair_df。子（列，轴= '索引' ）
输出-
熊猫的列明智索引
输入-
>>> dataflair_df。sub （列，轴= 0 ）
输出-
4.1.1多索引DataFrames级别
使用系列，可以对齐多索引DataFrame的级别。
>>> dataflair_dfmi = dataflair_df。复制（）
>>> dataflair_dfmi.index = pd.MultiIndex。from_tuples （[ （1 ，'a' ），（1 ，'b' ），（1 ，'c' ），（2 ，'a' ）] ，名称= [ 'first' ，'second' ] ））
>>> dataflair_dfmi。子（列，轴= 0 ，级别= '秒' ）
输出-
熊猫多索引数据框
在面板中，匹配或广播行为有些困难。因此，将改为使用算术方法，从而为您提供了指定广播轴的选项。
>>> major_mean = dataflair_wp1。均值（axis = 'major' ）
>>> major_mean
输出-
带有主轴的熊猫多索引DataFrame
>>> dataflair_wp1。子（major_mean，axis = 'major' ）
输出-
Series和Index支持divmod（）内置函数。它同时进行地板除法和模运算，并返回相同类型的二元组。它将其返回为左侧。
您知道Python Pandas提供的好处吗？
对于系列
>>> dataflair_s = pd。系列（NP。人气指数（10 ））
>>> dataflair_s
输出-
熊猫中divmod内置函数的示例
输入–
>>> div，rem = divmod （dataflair_s，3 ）＃除以3
>>> div
0 0
1 0
2 0
3 1
4 1
5 1
6 2
7 2
8 2
9 3
>>>雷姆
内置功能的熊猫Divmod的结果
对于索引
>>> dataflair_idx = pd。指数（NP。人气指数（10 ））
>>> dataflair_idx
熊猫系列索引
>>> div，rem = divmod （dataflair_idx，3 ）
>>> div
Int64Index（[0,0,0,1,1,1,2,2,2,3]，dtype ='int64'）
>>>雷姆
使用divmod（）在熊猫里玩
我们也可以按元素进行divmod（）。
div，rem = divmod（dataflair_s，[2，2，3，3，4，4，5，5，6，6]）＃第一个元素将被2除，第二个元素被3除，第三个元素被3依此类推
>>> DIV，REM = divmod （dataflair_s，[ 2 ，2 ，3 ，3 ，4 ，4 ，5 ，5 ，6 ，6 ] ）
>>> div
Divmod函数的示例
>>>雷姆
4.2熊猫缺失值
在DataFrame和Series中，算术函数为您提供了一个输入fill_value的选项，当位置中缺少某个值时，该方法基本上替代了一个值。当添加两个DataFrame对象时，可以将NaN视为0。但是，如果两个DataFrame都缺少该值，则结果将为NaN。您仍然可以稍后使用fillna函数将其替换为其他值。
>>> dataflair_df
在熊猫中查找缺失值配套课程请点击这里：
>>> dataflair_df2 = pd。数据帧（{ '一' ：PD 系列（。np.random randn （3 ），指数= [ 'A' ，'B' ，'C' ] ），'2' ：PD 系列（。np.random randn （4 ），index = [ 'a' ，'b' ，'c' ，'d' ] ），'3' ：pd 系列（np.random。3 ），index = [ 'b' ，'c' ，'d' ] ）} ）
>>> dataflair_df2
在熊猫中获取缺失值
>>> dataflair_df + dataflair_df2
熊猫值缺失的示例
输入项
>>> dataflair_df。加（dataflair_df2，fill_value = 0 ）＃做与'+'运算符相同的操作
输入缺失值
摘要
总而言之，我们想说基本功能涵盖了许多Pandas，但是这些是主要功能以及一些灵活的比较和布尔归约。配套课程请点击这里：
更多文章和资料|点击下方文字直达 ↓↓↓
阿里云K8s实战手册
[阿里云CDN排坑指南]CDN
ECS运维指南
DevOps实践手册
Hadoop大数据实战手册
Knative云原生应用开发指南
OSS 运维实战手册