Python数据分析与展示：pandas算术和比较运算-11
算术运算法则
算术运算根据行列索引，补齐后运算，
运算默认产生浮点数 补齐时缺项填充NaN(空值)
二维和一维、一维和零维间为广播运算
采用+ ‐* /符号进行的二元运算产生新的对象
方法形式的运算
| 方法 | 说明 |
|---|---|
| .add(d, **argws) | 类型间加法运算，可选参数 |
| .sub(d, **argws) | 类型间减法运算，可选参数 |
| .mul(d, **argws) | 类型间乘法运算，可选参数 |
| .div(d, **argws) | 类型间除法运算，可选参数 |
比较运算法则
比较运算只能比较相同索引的元素，不进行补齐
二维和一维、一维和零维间为广播运算
采用> < >= <= == !=等符号进行的二元运算产生布尔对象
pandas小结
Series = 索引+ 一维数据
DataFrame= 行列索引+ 二维数据
重新索引、数据删除、算术运算、比较运算
像对待单一数据一样对待Series和DataFrame对象
代码示例
# -*- coding: utf-8 -*-
# @File : pandas_demo.py
# @Date : 2018-05-20
# pandas数据类型的算术运算
import pandas as pd
import numpy as np
# 数据准备
a = pd.DataFrame(np.arange(12).reshape(3, 4))
print(a)
"""
0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
"""
b = pd.DataFrame(np.arange(20).reshape(4, 5))
print(b)
"""
0 1 2 3 4
0 0 1 2 3 4
1 5 6 7 8 9
2 10 11 12 13 14
3 15 16 17 18 19
"""
# 算术运算
# 自动补齐，缺项补NaN
c = a + b
print(c)
"""
0 1 2 3 4
0 0.0 2.0 4.0 6.0 NaN
1 9.0 11.0 13.0 15.0 NaN
2 18.0 20.0 22.0 24.0 NaN
3 NaN NaN NaN NaN NaN
"""
d = a * b
print(d)
"""
0 1 2 3 4
0 0.0 1.0 4.0 9.0 NaN
1 20.0 30.0 42.0 56.0 NaN
2 80.0 99.0 120.0 143.0 NaN
3 NaN NaN NaN NaN NaN
"""
# fill_value参数替代NaN，替代后参与运算
e = a.add(b, fill_value=10)
print(e)
"""
0 1 2 3 4
0 0.0 2.0 4.0 6.0 14.0
1 9.0 11.0 13.0 15.0 19.0
2 18.0 20.0 22.0 24.0 24.0
3 25.0 26.0 27.0 28.0 29.0
"""
f = a.mul(b, fill_value=10)
print(f)
"""
0 1 2 3 4
0 0.0 1.0 4.0 9.0 40.0
1 20.0 30.0 42.0 56.0 90.0
2 80.0 99.0 120.0 143.0 140.0
3 150.0 160.0 170.0 180.0 190.0
"""
# 不同维度间为广播运算，一维Series默认在轴1参与运算
s = pd.Series(np.arange(10, 15, 1))
print(s)
"""
0 10
1 11
2 12
3 13
4 14
dtype: int32
"""
s1 = s -10
print(s1)
"""
0 0
1 1
2 2
3 3
4 4
dtype: int32
"""
b2 = b - s
print(b2)
"""
0 1 2 3 4
0 -10 -10 -10 -10 -10
1 -5 -5 -5 -5 -5
2 0 0 0 0 0
3 5 5 5 5 5
"""
# 使用运算方法可以令一维Series参与轴0运算
s = pd.Series(np.arange(4))
print(s)
"""
0 0
1 1
2 2
3 3
dtype: int32
"""
b3 = b.sub(s, axis=0)
print(b3)
"""
0 1 2 3 4
0 0 1 2 3 4
1 4 5 6 7 8
2 8 9 10 11 12
3 12 13 14 15 16
"""
# 比较运算
a = pd.DataFrame(np.arange(12).reshape(3, 4))
print(a)
"""
0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
"""
b = pd.DataFrame(np.arange(12, 0, -1).reshape(3, 4))
print(b)
"""
0 1 2 3
0 12 11 10 9
1 8 7 6 5
2 4 3 2 1
"""
# 同维度运算，尺寸一致
c = a > b
print(c)
"""
0 1 2 3
0 False False False False
1 False False False True
2 True True True True
"""
d = a == b
print(d)
"""
0 1 2 3
0 False False False False
1 False False True False
2 False False False False
"""
# 不同维度，广播运算，默认在1轴
s = pd.Series(np.arange(4))
print(s)
"""
0 0
1 1
2 2
3 3
dtype: int32
"""
print(a > s)
"""
0 1 2 3
0 False False False False
1 True True True True
2 True True True True
"""
print(s > 0)
"""
0 False
1 True
2 True
3 True
dtype: bool
"""