Pandas V0.23.1函数手册(中文翻译版)

写了个程序,对Pandas的绝大部分函数及其说明进行了中文翻译。
原网址:http://pandas.pydata.org/pandas-docs/stable/api.html

函数 说明
输入/输出
pickling
read_pickle(path[, compression]) 从文件中加载pickled Pandas对象(或任何对象)。
表格
read_table(filepath_or_buffer[, sep, …]) 将通用分隔文件读入DataFrame
read_csv(filepath_or_buffer[, sep, …]) 将CSV (逗号分隔)文件读入DataFrame
read_fwf(filepath_or_buffer[, colspecs, widths]) 将固定宽度格式化行的表读入DataFrame
read_msgpack(path_or_buf[, encoding, iterator]) 从指定的文件路径加载msgpackPandas对象
剪贴板
read_clipboard([sep]) 从剪贴板读取文本并传递给read _ table。
EXCEL
read_excel(io[, sheet_name, header, names, …]) 将Excel表格读入PandasDataFrame
ExcelFile.parse([sheet_name, header, names, …]) 将指定的工作表解析为DataFrame
JSON
read_json([path_or_buf, orient, typ, dtype, …]) 将JSON字符串转换为Pandas对象
json_normalize(data[, record_path, meta, …]) 将半结构化JSON数据“标准化”为平面表
build_table_schema(data[, index, …]) 根据数据创建表架构。
HTML
read_html(io[, match, flavor, header, …]) 将HTML表读入DataFrame对象列表。
HDFStore : PyTables ( HDF5 )
read_hdf(path_or_buf[, key, mode]) 从商店里读,如果我们开了就关门。
HDFStore.put(key, value[, format, append]) 将对象存储在HDFStore中
HDFStore.append(key, value[, format, …]) 追加到文件中的表中。
HDFStore.get(key) 检索文件中存储Pandas对象
HDFStore.select(key[, where, start, stop, …]) 检索文件中存储的Pandas对象,可选地基于where标准
HDFStore.info() 打印商店的详细信息
HDFStore.keys() 返回与HDFStore中存储的对象相对应的键(可能无序)列表。
feather
read_feather(path[, nthreads]) 从文件路径加载羽化格式的对象
Parquet
read_parquet(path[, engine, columns]) 从文件路径加载parquet对象,返回DataFrame。
SAS
read_sas(filepath_or_buffer[, format, …]) 读取存储为XPORT或SAS7BDAT格式文件的SAS文件。
SQL
read_sql_table(table_name, con[, schema, …]) 将SQL数据库表读入DataFrame。
read_sql_query(sql, con[, index_col, …]) 将SQL查询读入DataFrame。
read_sql(sql, con[, index_col, …]) 将SQL查询或数据库表读入DataFrame。
Google BigQuery
read_gbq(query[, project_id, index_col, …]) 从Google BigQuery加载数据。
Stata
read_stata(filepath_or_buffer[, …]) 将Stata文件读入DataFrame。
StataReader.data(**kwargs) (已弃用)从Stata文件读取观察结果,将其转换为DataFrame
StataReader.data_label() 返回Stata文件的数据标签
StataReader.value_labels() 返回dict,将每个变量名与dict相关联,将每个值与其对应的标签相关联
StataReader.variable_labels() 以dict形式返回变量标签,将每个变量名称与相应的标签相关联
StataWriter.write_file() -

一般职能

函数 说明
数据操作
melt(frame[, id_vars, value_vars, var_name, …]) “取消固定”从宽格式到长格式的DataFrame,可选地保留标识符变量集。
pivot(index, columns, values) 根据此DataFrame的3列生成“pivot”表。
pivot_table(data[, values, index, columns, …]) 创建电子表格样式的透视表作为DataFrame架。
crosstab(index, columns[, values, rownames, …]) 计算两个(或更多)因素的简单交叉列表。
cut(x, bins[, right, labels, retbins, …]) 将值绑定到离散间隔中。
qcut(x, q[, labels, retbins, precision, …]) 基于分位数的离散化函数。
merge(left, right[, how, on, left_on, …]) 通过按列或索引执行数据库样式的联接操作来合并DataFrame对象。
merge_ordered(left, right[, on, left_on, …]) 使用为时序数据等有序数据设计的可选填充/插值执行合并。
merge_asof(left, right[, on, left_on, …]) 执行asof合并。
concat(objs[, axis, join, join_axes, …]) 沿特定轴连接Pandas对象,沿其他轴连接可选的set逻辑。
get_dummies(data[, prefix, prefix_sep, …]) 将分类变量转换为虚拟/指示变量
factorize(values[, sort, order, …]) 将对象编码为枚举类型或分类变量。
unique(values) 基于哈希表的唯一性。
wide_to_long(df, stubnames, i, j[, sep, suffix]) 宽Panel到长格式。
顶级缺失数据
isna(obj) 检测阵列状对象的缺失值。
isnull(obj) 检测阵列状对象的缺失值。
notna(obj) 检测阵列状对象的未丢失值。
notnull(obj) 检测阵列状对象的未丢失值。
顶级转换
to_numeric(arg[, errors, downcast]) 将参数转换为数字类型。
顶级处理类日期
to_datetime(arg[, errors, dayfirst, …]) 将参数转换为日期时间。
to_timedelta(arg[, unit, box, errors]) 将参数转换为时间增量
date_range([start, end, periods, freq, tz, …]) 返回固定频率的日期时间索引。
bdate_range([start, end, periods, freq, tz, …]) 返回固定频率DatetimeIndex,默认频率为工作日
period_range([start, end, periods, freq, name]) 返回固定频率周期索引,默认频率为day (日历)
timedelta_range([start, end, periods, freq, …]) 返回固定频率timedeltindex,默认频率为天
infer_freq(index[, warn]) 根据输入索引推断最可能的频率。
高层处理间隔
interval_range([start, end, periods, freq, …]) 返回固定频率的internalindex
顶级评估
eval(expr[, parser, engine, truediv, …]) 使用各种后端将Python表达式计算为字符串。
测试
test([extra_args]) -

Series

函数 说明
构造器
Series([data, index, dtype, name, copy, …]) 带有轴标签的一维ndarray (包括时间Series)。
属性
轴线
Series.index Series的索引(轴标签)。
Series.values 根据dtype,返回ndarray或类似ndarray的Series
Series.dtype 返回基础数据的dtype对象
Series.ftype 如果数据稀疏 密集,则返回
Series.shape 返回基础数据形状的元组
Series.nbytes 返回基础数据中的字节数
Series.ndim 根据定义1返回基础数据的维数
Series.size 返回基础数据中的元素数
Series.strides 返回基础数据的步长
Series.itemsize 返回基础数据项的dtype大小
Series.base 如果共享基础数据的内存,则返回基对象
Series.T 返回转置,这是自我定义
Series.memory_usage([index, deep]) 返回Series的内存使用情况。
Series.hasnans 如果我有nans就回来;启用各种性能加速
Series.flags -
Series.empty -
Series.dtypes 返回基础数据的dtype对象
Series.ftypes 如果数据稀疏 密集,则返回
Series.data 返回基础数据的数据指针
Series.is_copy -
Series.name -
Series.put(*args, **kwargs) 如果put方法有值属性,则将其应用于该属性。
转变
Series.astype(dtype[, copy, errors]) 将Pandas对象转换为指定的dtype dtype。
Series.infer_objects() 尝试为对象列推断更好的数据类型。
Series.convert_objects([convert_dates, …]) (已弃用)尝试推断对象列的更好dtype。
Series.copy([deep]) 复制此对象的索引和数据。
Series.bool() 返回单个元素PandasObject的布尔。
Series.to_period([freq, copy]) 以所需频率将Series从DatetimeIndex转换为周期索引(如果未通过,则从索引推断)
Series.to_timestamp([freq, how, copy]) 转换为时间段开始时时间戳的日期时间索引
Series.tolist() 返回值列表。
Series.get_values() 与值相同(但处理稀疏转换);是一种观点
索引、迭代
Series.get(key[, default]) 从给定键(DataFrame列、Panel切片等)的对象中获取项目。) .
Series.at 访问行/列标签对的单个值。
Series.iat 按整数位置访问行/列对的单个值。
Series.loc 通过标签或布尔数组访问一组行和列。
Series.iloc 用于按位置选择的纯整数位置索引。
Series.iter() 返回值的迭代器。
Series.iteritems() 懒洋洋地迭代(索引,值)元组
Series.items() 懒洋洋地迭代(索引,值)元组
Series.keys() 索引别名
Series.pop(item) 返回项目并从框架中删除。
Series.item() 以python标量形式返回基础数据的第一个元素
Series.xs(key[, axis, level, drop_level]) 从Series/DataFrame返回横截面(行或列)。
二元算子函数
Series.add(other[, level, fill_value, axis]) Series和其他元素相加(二进制运算符相加)。
Series.sub(other[, level, fill_value, axis]) Series减法和其他元素减法(二进制运算符sub )。
Series.mul(other[, level, fill_value, axis]) 级数与其他元素相乘(二元运算符mul )。
Series.div(other[, level, fill_value, axis]) Series和其他元素的浮动除法(二元运算符truediv )。
Series.truediv(other[, level, fill_value, axis]) Series和其他元素的浮动除法(二元运算符truediv )。
Series.floordiv(other[, level, fill_value, axis]) 按元素对Series和其他Series进行整数除法(二进制运算符flooddiv )。
Series.mod(other[, level, fill_value, axis]) Series模和其他元素方式(二进制运算符mod )。
Series.pow(other[, level, fill_value, axis]) 级数指数幂和其他元素幂(二元算子幂)。
Series.radd(other[, level, fill_value, axis]) 级数和其他元素相加(二元算子radd )。
Series.rsub(other[, level, fill_value, axis]) Series减法和其他元素减法(二元运算符rsub )。
Series.rmul(other[, level, fill_value, axis]) 级数与其他元素相乘(二元运算符rmul )。
Series.rdiv(other[, level, fill_value, axis]) Series和其他元素的浮动划分(二元运算符rtruediv )。
Series.rtruediv(other[, level, fill_value, axis]) Series和其他元素的浮动划分(二元运算符rtruediv )。
Series.rfloordiv(other[, level, fill_value, …]) 整数除法Series和其他,元素方式(二元运算符rfloordiv )。
Series.rmod(other[, level, fill_value, axis]) Series模和其他元素(二元运算符rmod )。
Series.rpow(other[, level, fill_value, axis]) 级数的指数幂和其他元素的指数幂(二元算子rpow )。
Series.combine(other, func[, fill_value]) 当一个Series或另一个Series中缺少索引时,使用给定函数和可选填充值对两个Series执行元素二进制操作
Series.combine_first(other) 组合Series值,首先选择调用Series的值。
Series.round([decimals]) 将Series中的每个值舍入到给定的小数位数。
Series.lt(other[, level, fill_value, axis]) 少于Series和其他元素(二元运算符lt )。
Series.gt(other[, level, fill_value, axis]) 大于Series和其他元素(二元运算符gt )。
Series.le(other[, level, fill_value, axis]) 小于或等于级数和其他元素的(二元运算符le )。
Series.ge(other[, level, fill_value, axis]) 大于或等于Series和其他元素的(二元运算符ge )。
Series.ne(other[, level, fill_value, axis]) 不等于级数等,按元素计算(二元运算符ne )。
Series.eq(other[, level, fill_value, axis]) 等于级数和其他,按元素计算(二元运算符eq )。
Series.product([axis, skipna, level, …]) 返回请求轴值的乘积
Series.dot(other) 与DataFrame的矩阵乘法或与Series对象的内积。
功能应用程序,GroupBy & windows
Series.apply(func[, convert_dtype, args]) 调用Series值上的函数。
Series.agg(func[, axis]) 使用指定轴上的一个或多个操作聚合。
Series.aggregate(func[, axis]) 使用指定轴上的一个或多个操作聚合。
Series.transform(func, *args, **kwargs) 调用函数生成类似索引的NDFrame,并返回带有转换值的NDFrame
Series.map(arg[, na_action]) 使用输入对应关系映射Series值( dict、Series或函数)。
Series.groupby([by, axis, level, as_index, …]) 使用映射程序( dict或key函数,将给定函数应用于组,将结果作为Series返回)或按一Series列对Series进行分组。
Series.rolling(window[, min_periods, …]) 提供滚动窗口计算。
Series.expanding([min_periods, center, axis]) 提供扩展转换。
Series.ewm([com, span, halflife, alpha, …]) 提供指数加权函数
Series.pipe(func, *args, **kwargs) 应用func (自我,* args,* * kwargs )
计算/描述统计
Series.abs() 返回每个元素具有绝对值的Series/DataFrame。
Series.all([axis, bool_only, skipna, level]) 返回Series轴或DataFrame轴上的所有元素是否为True。
Series.any([axis, bool_only, skipna, level]) 返回在请求的轴上是否有任何元素为真。
Series.autocorr([lag]) 滞后- N自相关
Series.between(left, right[, inclusive]) 返回等效于左< = Series < = right的布尔级数。
Series.clip([lower, upper, axis, inplace]) 输入阈值处的修剪值。
Series.clip_lower(threshold[, axis, inplace]) 返回值低于阈值的输入副本被截断。
Series.clip_upper(threshold[, axis, inplace]) 返回截断值大于给定值的输入副本。
Series.corr(other[, method, min_periods]) 计算与其他Series的相关性,不包括缺失值
Series.count([level]) Series中非NA / null观测值的返回数
Series.cov(other[, min_periods]) 用Series计算协方差,不包括缺失值
Series.cummax([axis, skipna]) 返回DataFrame或Series轴上的累积最大值。
Series.cummin([axis, skipna]) 返回DataFrame或Series轴上的累积最小值。
Series.cumprod([axis, skipna]) 通过DataFrame或Series轴返回累积产品。
Series.cumsum([axis, skipna]) 返回DataFrame或Series轴上的累计总和。
Series.describe([percentiles, include, exclude]) 生成描述性统计数据,总结数据集分布的中心趋势、分散和形状,不包括NaN值。
Series.diff([periods]) 元素的第一离散差。
Series.factorize([sort, na_sentinel]) 将对象编码为枚举类型或分类变量。
Series.kurt([axis, skipna, level, numeric_only]) 使用Fisher的峰度定义返回请求轴上的无偏峰度(正常峰度= = 0.0 )。
Series.mad([axis, skipna, level]) 返回请求轴值的平均绝对偏差
Series.max([axis, skipna, level, numeric_only]) 此方法返回对象中值的最大值。
Series.mean([axis, skipna, level, numeric_only]) 返回请求轴值的平均值
Series.median([axis, skipna, level, …]) 返回请求轴的值的中间值
Series.min([axis, skipna, level, numeric_only]) 此方法返回对象中值的最小值。
Series.mode() 返回数据集的模式。
Series.nlargest([n, keep]) 返回最大的n个元素。
Series.nsmallest([n, keep]) 返回最小的n个元素。
Series.pct_change([periods, fill_method, …]) 当前元素和先前元素之间的百分比变化。
Series.prod([axis, skipna, level, …]) 返回请求轴值的乘积
Series.quantile([q, interpolation]) 给定分位数的返回值,即la数值百分位。
Series.rank([axis, method, numeric_only, …]) 沿轴计算数值数据列( 1到n )。
Series.sem([axis, skipna, level, ddof, …]) 返回请求轴上平均值的无偏标准误差。
Series.skew([axis, skipna, level, numeric_only]) 返回由N - 1归一化的请求轴上的无偏歪斜
Series.std([axis, skipna, level, ddof, …]) 返回要求轴上的样品标准偏差。
Series.sum([axis, skipna, level, …]) 返回请求轴的值之和
Series.var([axis, skipna, level, ddof, …]) 返回请求轴上的无偏方差。
Series.kurtosis([axis, skipna, level, …]) 使用Fisher的峰度定义返回请求轴上的无偏峰度(正常峰度= = 0.0 )。
Series.unique() 返回Series对象的唯一值。
Series.nunique([dropna]) 返回对象中唯一元素的数目。
Series.is_unique 如果对象中的值是唯一的,则返回boolean
Series.is_monotonic 如果对象中的值是单调递增的,则返回boolean
Series.is_monotonic_increasing 如果对象中的值是单调递增的,则返回boolean
Series.is_monotonic_decreasing 如果对象中的值是单调递减的,则返回boolean
Series.value_counts([normalize, sort, …]) 返回包含唯一值计数的对象。
Series.compound([axis, skipna, level]) 返回请求轴值的复合百分比
Series.nonzero() 返回非零元素的整数索引
Series.ptp([axis, skipna, level, numeric_only]) 返回对象中最大值和最小值之间的差值。
重新设计/选择/标签操作
Series.align(other[, join, axis, level, …]) 将轴上的两个对象与每个轴索引的指定连接方法对齐
Series.drop([labels, axis, index, columns, …]) 返回删除了指定索引标签的Series。
Series.drop_duplicates([keep, inplace]) 返回删除重复值的Series。
Series.duplicated([keep]) 指示重复的Series值。
Series.equals(other) 确定两个NDFrame对象是否包含相同的元素。
Series.first(offset) 基于日期偏移对时间Series数据初始周期进行细分的便捷方法。
Series.head([n]) 返回前n行。
Series.idxmax([axis, skipna]) 返回最大值的行标签。
Series.idxmin([axis, skipna]) 返回最小值的行标签。
Series.isin(values) 检查值是否包含在Series中。
Series.last(offset) 基于日期偏移对时间Series数据的最终周期进行细分的便捷方法。
Series.reindex([index]) 用可选的填充逻辑使Series符合新索引,将NA / NaN放置在前一个索引中没有值的位置。
Series.reindex_like(other[, method, copy, …]) 将具有匹配索引的对象返回给我自己。
Series.rename([index]) 更改Series索引标签或名称
Series.rename_axis(mapper[, axis, copy, inplace]) 更改索引或列的名称。
Series.reset_index([level, drop, name, inplace]) 使用索引重置生成新的DataFrame或Series。
Series.sample([n, frac, replace, weights, …]) 从对象轴返回项目的随机样本。
Series.select(crit[, axis]) (已弃用)返回与轴标签匹配条件相对应的数据
Series.set_axis(labels[, axis, inplace]) 为给定轴指定所需的索引。
Series.take(indices[, axis, convert, is_copy]) 沿轴返回给定位置索引中的元素。
Series.tail([n]) 返回最后n行。
Series.truncate([before, after, axis, copy]) 在某个索引值前后截断Series或DataFrame。
Series.where(cond[, other, inplace, axis, …]) 返回与self形状相同的对象,其对应条目来自self,cond为True,否则来自其他。
Series.mask(cond[, other, inplace, axis, …]) 返回与self形状相同的对象,其对应条目来自self,cond为False,否则来自其他。
Series.add_prefix(prefix) 带字符串前缀的前缀标签。
Series.add_suffix(suffix) 带有字符串后缀的后缀标签。
Series.filter([items, like, regex, axis]) 根据指定索引中的标签子集DataFrame的行或列。
缺失数据处理
Series.isna() 检测缺失值。
Series.notna() 检测现有(未丢失)值。
Series.dropna([axis, inplace]) 返回删除了缺少值的新Series。
Series.fillna([value, method, axis, …]) 使用指定的方法填写NA / NaN值
Series.interpolate([method, axis, limit, …]) 根据不同的方法插值。
整形、分选
Series.argsort([axis, kind, order]) 覆盖ndarray . argsort。
Series.argmin([axis, skipna]) (已弃用)..
Series.argmax([axis, skipna]) (已弃用)..
Series.reorder_levels(order) 使用输入顺序重新排列索引级别。
Series.sort_values([axis, ascending, …]) 按值排序。
Series.sort_index([axis, level, ascending, …]) 按索引标签排序Series。
Series.swaplevel([i, j, copy]) 交换多索引中的级别I和j
Series.unstack([level, fill_value]) 史黛克,又名
Series.searchsorted(value[, side, sorter]) 查找应该插入元素以维持秩序的索引。
Series.ravel([order]) 将展平的基础数据作为ndarray返回
Series.repeat(repeats, *args, **kwargs) 重复Series的元素。
Series.squeeze([axis]) 挤压长度1尺寸。
Series.view([dtype]) 创建Series的新视图。
Series.sortlevel([level, ascending, …]) (已弃用)按选定级别对具有多索引的Series进行排序。
合并/加入/合并
Series.append(to_append[, ignore_index, …]) 连接两个或多个Series。
Series.replace([to_replace, value, inplace, …]) 将to _ replace中给定的值替换为值。
Series.update(other) 使用传递Series中的非NA值就地修改Series。
时间Series相关的
Series.asfreq(freq[, method, how, …]) 将时间Series转换为指定频率。
Series.asof(where[, subset]) 取不带NaN的最后一行(或者在DataFrame的情况下,不带NaN的最后一行仅考虑列的子集)
Series.shift([periods, freq, axis]) 按所需周期数移位索引,可选时间频率
Series.first_valid_index() 返回第一个非NA / null值的索引。
Series.last_valid_index() 返回最后一个非NA / null值的索引。
Series.resample(rule[, how, axis, …]) 时间Series频率转换和Resampling的便捷方法。
Series.tz_convert(tz[, axis, level, copy]) 将tz感知轴转换为目标时区。
Series.tz_localize(tz[, axis, level, copy, …]) 将tz - naive时间Series本地化为目标时区。
Series.at_time(time[, asof]) 选择一天中特定时间的值(例如
Series.between_time(start_time, end_time[, …]) 选择一天中特定时间之间的值(例如,上午9 : 00 - 9 : 30 )。
Series.tshift([periods, freq, axis]) 移动时间索引,使用索引的频率(如果可用)。
Series.slice_shift([periods, axis]) 相当于移位而不复制数据。
类日期属性
日期时间属性
Series.dt.date 返回python datetime . date对象的numpy数组(即时间戳中没有时区信息的日期部分)。
Series.dt.time 返回datetime . time的numpy数组。
Series.dt.year 日期时间的年份
Series.dt.month 1月= 1月,12月= 12月
Series.dt.day 日期时间的天数
Series.dt.hour 日期时间的小时数
Series.dt.minute 日期时间的分钟数
Series.dt.second 日期时间的秒数
Series.dt.microsecond 日期时间的微秒
Series.dt.nanosecond 日期时间的纳秒
Series.dt.week 一年中的第几周
Series.dt.weekofyear 一年中的第几周
Series.dt.dayofweek 星期一= 0,星期日= 6的星期几
Series.dt.weekday 星期一= 0,星期日= 6的星期几
Series.dt.dayofyear 一年中的第几天
Series.dt.quarter 日期的季度
Series.dt.is_month_start 逻辑指示每月第一天(由频率定义)
Series.dt.is_month_end 指示日期是否为当月的最后一天。
Series.dt.is_quarter_start 指示日期是否为季度的第一天。
Series.dt.is_quarter_end 指示日期是否为季度的最后一天。
Series.dt.is_year_start 指出日期是否为一年中的第一天。
Series.dt.is_year_end 指出日期是否为一年中的最后一天。
Series.dt.is_leap_year 如果日期属于闰年,则为布尔指示符。
Series.dt.daysinmonth 当月的天数
Series.dt.days_in_month 当月的天数
Series.dt.tz -
Series.dt.freq -
日期时间方法
Series.dt.to_period(*args, **kwargs) 以特定频率转换为周期指数。
Series.dt.to_pydatetime() 将数据作为本机Python datetime对象的数组返回
Series.dt.tz_localize(*args, **kwargs) 将tz - naive日期时间索引本地化为tz感知的日期时间索引。
Series.dt.tz_convert(*args, **kwargs) 将tz感知的日期时间索引从一个时区转换到另一个时区。
Series.dt.normalize(*args, **kwargs) 将时间转换为午夜。
Series.dt.strftime(*args, **kwargs) 使用指定的date _ format转换为索引。
Series.dt.round(*args, **kwargs) 将数据舍入到指定的频率。
Series.dt.floor(*args, **kwargs) 将数据降至指定频率。
Series.dt.ceil(*args, **kwargs) 将数据上限设置为指定频率。
Series.dt.month_name(*args, **kwargs) 返回具有指定区域设置的DateTimeIndex的月份名称。
Series.dt.day_name(*args, **kwargs) 返回具有指定区域设置的DateTimeIndex的日期名称。
时间增量属性
Series.dt.days 每个元素的天数。
Series.dt.seconds 每个元素的秒数( > = 0且小于1天)。
Series.dt.microseconds 每个元素的微秒数( > = 0且小于1秒)。
Series.dt.nanoseconds 每个元素的纳秒数( > = 0且小于1微秒)。
Series.dt.components 返回时间增量组件的DataFrame(天、小时、分钟、秒、毫秒、微秒、纳秒)。
时间增量法
Series.dt.to_pytimedelta() 返回本机datetime . timedelta对象的数组。
Series.dt.total_seconds(*args, **kwargs) 返回每个元素的总持续时间(以秒为单位)。

字符串处理

函数 说明
Series.str.capitalize() 将Series/索引中的字符串转换为大写。
Series.str.cat([others, sep, na_rep, join]) 使用给定的分隔符连接Series/索引中的字符串。
Series.str.center(width[, fillchar]) 用附加字符填充Series/索引中字符串的左侧和右侧。
Series.str.contains(pat[, case, flags, na, …]) 测试模式或正则表达式是否包含在Series或索引的字符串中。
Series.str.count(pat[, flags]) 统计Series/索引的每个字符串中模式的出现次数。
Series.str.decode(encoding[, errors]) 使用指示的编码解码Series/索引中的字符串。
Series.str.encode(encoding[, errors]) 使用指定的编码对Series/索引中的字符串进行编码。
Series.str.endswith(pat[, na]) 测试每个字符串元素的结尾是否与模式匹配。
Series.str.extract(pat[, flags, expand]) 对于Series中的每个主题字符串,从正则表达式pat的第一个匹配项中提取组。
Series.str.extractall(pat[, flags]) 对于Series中的每个主题字符串,从正则表达式pat的所有匹配项中提取组。
Series.str.find(sub[, start, end]) 返回Series/索引中每个字符串的最低索引,其中子字符串完全包含在[ start : end之间。
Series.str.findall(pat[, flags]) 查找Series/索引中所有出现的模式或正则表达式。
Series.str.get(i) 在指定位置从每个组件中提取元素。
Series.str.index(sub[, start, end]) 返回[ start : end之间子字符串完全包含的每个字符串中的最低索引。
Series.str.join(sep) 作为元素包含在Series/索引中的联接列表,带有传递的分隔符。
Series.str.len() 计算Series/索引中每个字符串的长度。
Series.str.ljust(width[, fillchar]) 在Series/索引中字符串的右侧添加一个字符。
Series.str.lower() 将Series/索引中的字符串转换为小写。
Series.str.lstrip([to_strip]) 从左侧删除Series/索引中每个字符串的空白(包括换行符)。
Series.str.match(pat[, case, flags, na, …]) 确定每个字符串是否与正则表达式匹配。
Series.str.normalize(form) 返回Series/索引中字符串的Unicode标准格式。
Series.str.pad(width[, side, fillchar]) 在Series/索引中填充字符串,并在指定侧添加一个字符。
Series.str.partition([pat, expand]) 在sep第一次出现时拆分字符串,返回包含分隔符前部分、分隔符本身和分隔符后部分的3个元素。
Series.str.repeat(repeats) 按指示的次数复制Series/索引中的每个字符串。
Series.str.replace(pat, repl[, n, case, …]) 用其他字符串替换Series/索引中出现的模式/正则表达式。
Series.str.rfind(sub[, start, end]) 返回Series/索引中每个字符串的最高索引,其中子字符串完全包含在[ start : end之间。
Series.str.rindex(sub[, start, end]) 返回[ start : end之间子字符串完全包含的每个字符串中的最高索引。
Series.str.rjust(width[, fillchar]) 用附加字符填充Series/索引中字符串的左侧。
Series.str.rpartition([pat, expand]) 在sep的最后一次出现时拆分字符串,返回包含分隔符前的部分、分隔符本身和分隔符后的部分的3个元素。
Series.str.rstrip([to_strip]) 从右侧删除Series/索引中每个字符串的空白(包括换行符)。
Series.str.slice([start, stop, step]) 将Series/索引中每个元素的子字符串切片
Series.str.slice_replace([start, stop, repl]) 用另一个值替换字符串的位置切片。
Series.str.split([pat, n, expand]) 在给定分隔符/分隔符周围拆分字符串。
Series.str.rsplit([pat, n, expand]) 按给定的分隔符字符串拆分Series/索引中的每个字符串,从字符串的末尾开始,一直到前面。
Series.str.startswith(pat[, na]) 测试每个字符串元素的开头是否与模式匹配。
Series.str.strip([to_strip]) 从Series/索引中的每个字符串的左侧和右侧去掉空白(包括换行符)。
Series.str.swapcase() 转换Series/索引中的字符串以进行交换。
Series.str.title() 将Series/索引中的字符串转换为标题大小写。
Series.str.translate(table[, deletechars]) 通过给定的映射表映射字符串中的所有字符。
Series.str.upper() 将Series/索引中的字符串转换为大写。
Series.str.wrap(width, **kwargs) 将Series/索引中的长字符串包装成长度小于给定宽度的段落。
Series.str.zfill(width) 用0填充Series/索引中字符串的左侧。
Series.str.isalnum() 检查Series/索引中每个字符串中的所有字符是否都是字母数字。
Series.str.isalpha() 检查Series/索引中每个字符串中的所有字符是否为字母。
Series.str.isdigit() 检查Series/索引中每个字符串中的所有字符是否都是数字。
Series.str.isspace() 检查Series/索引中每个字符串中的所有字符是否为空白。
Series.str.islower() 检查Series/索引中每个字符串中的所有字符是否都是小写的。
Series.str.isupper() 检查Series/索引中每个字符串中的所有字符是否都是大写的。
Series.str.istitle() 检查Series/索引中每个字符串中的所有字符是否都是标题大小写。
Series.str.isnumeric() 检查Series/索引中每个字符串中的所有字符是否都是数字。
Series.str.isdecimal() 检查Series/索引中每个字符串中的所有字符是否都是十进制的。
Series.str.get_dummies([sep]) 按sep拆分Series中的每个字符串,并返回一帧虚拟/指示器变量。

series . str可用于以字符串形式访问Series的值,并对其应用多种方法。这些可以像series . str . <函数/属性>一样访问。

函数 说明
Series.str.capitalize() 将Series/索引中的字符串转换为大写。
Series.str.cat([others, sep, na_rep, join]) 使用给定的分隔符连接Series/索引中的字符串。
Series.str.center(width[, fillchar]) 用附加字符填充Series/索引中字符串的左侧和右侧。
Series.str.contains(pat[, case, flags, na, …]) 测试模式或正则表达式是否包含在Series或索引的字符串中。
Series.str.count(pat[, flags]) 统计Series/索引的每个字符串中模式的出现次数。
Series.str.decode(encoding[, errors]) 使用指示的编码解码Series/索引中的字符串。
Series.str.encode(encoding[, errors]) 使用指定的编码对Series/索引中的字符串进行编码。
Series.str.endswith(pat[, na]) 测试每个字符串元素的结尾是否与模式匹配。
Series.str.extract(pat[, flags, expand]) 对于Series中的每个主题字符串,从正则表达式pat的第一个匹配项中提取组。
Series.str.extractall(pat[, flags]) 对于Series中的每个主题字符串,从正则表达式pat的所有匹配项中提取组。
Series.str.find(sub[, start, end]) 返回Series/索引中每个字符串的最低索引,其中子字符串完全包含在[ start : end之间。
Series.str.findall(pat[, flags]) 查找Series/索引中所有出现的模式或正则表达式。
Series.str.get(i) 在指定位置从每个组件中提取元素。
Series.str.index(sub[, start, end]) 返回[ start : end之间子字符串完全包含的每个字符串中的最低索引。
Series.str.join(sep) 作为元素包含在Series/索引中的联接列表,带有传递的分隔符。
Series.str.len() 计算Series/索引中每个字符串的长度。
Series.str.ljust(width[, fillchar]) 在Series/索引中字符串的右侧添加一个字符。
Series.str.lower() 将Series/索引中的字符串转换为小写。
Series.str.lstrip([to_strip]) 从左侧删除Series/索引中每个字符串的空白(包括换行符)。
Series.str.match(pat[, case, flags, na, …]) 确定每个字符串是否与正则表达式匹配。
Series.str.normalize(form) 返回Series/索引中字符串的Unicode标准格式。
Series.str.pad(width[, side, fillchar]) 在Series/索引中填充字符串,并在指定侧添加一个字符。
Series.str.partition([pat, expand]) 在sep第一次出现时拆分字符串,返回包含分隔符前部分、分隔符本身和分隔符后部分的3个元素。
Series.str.repeat(repeats) 按指示的次数复制Series/索引中的每个字符串。
Series.str.replace(pat, repl[, n, case, …]) 用其他字符串替换Series/索引中出现的模式/正则表达式。
Series.str.rfind(sub[, start, end]) 返回Series/索引中每个字符串的最高索引,其中子字符串完全包含在[ start : end之间。
Series.str.rindex(sub[, start, end]) 返回[ start : end之间子字符串完全包含的每个字符串中的最高索引。
Series.str.rjust(width[, fillchar]) 用附加字符填充Series/索引中字符串的左侧。
Series.str.rpartition([pat, expand]) 在sep的最后一次出现时拆分字符串,返回包含分隔符前的部分、分隔符本身和分隔符后的部分的3个元素。
Series.str.rstrip([to_strip]) 从右侧删除Series/索引中每个字符串的空白(包括换行符)。
Series.str.slice([start, stop, step]) 将Series/索引中每个元素的子字符串切片
Series.str.slice_replace([start, stop, repl]) 用另一个值替换字符串的位置切片。
Series.str.split([pat, n, expand]) 在给定分隔符/分隔符周围拆分字符串。
Series.str.rsplit([pat, n, expand]) 按给定的分隔符字符串拆分Series/索引中的每个字符串,从字符串的末尾开始,一直到前面。
Series.str.startswith(pat[, na]) 测试每个字符串元素的开头是否与模式匹配。
Series.str.strip([to_strip]) 从Series/索引中的每个字符串的左侧和右侧去掉空白(包括换行符)。
Series.str.swapcase() 转换Series/索引中的字符串以进行交换。
Series.str.title() 将Series/索引中的字符串转换为标题大小写。
Series.str.translate(table[, deletechars]) 通过给定的映射表映射字符串中的所有字符。
Series.str.upper() 将Series/索引中的字符串转换为大写。
Series.str.wrap(width, **kwargs) 将Series/索引中的长字符串包装成长度小于给定宽度的段落。
Series.str.zfill(width) 用0填充Series/索引中字符串的左侧。
Series.str.isalnum() 检查Series/索引中每个字符串中的所有字符是否都是字母数字。
Series.str.isalpha() 检查Series/索引中每个字符串中的所有字符是否为字母。
Series.str.isdigit() 检查Series/索引中每个字符串中的所有字符是否都是数字。
Series.str.isspace() 检查Series/索引中每个字符串中的所有字符是否为空白。
Series.str.islower() 检查Series/索引中每个字符串中的所有字符是否都是小写的。
Series.str.isupper() 检查Series/索引中每个字符串中的所有字符是否都是大写的。
Series.str.istitle() 检查Series/索引中每个字符串中的所有字符是否都是标题大小写。
Series.str.isnumeric() 检查Series/索引中每个字符串中的所有字符是否都是数字。
Series.str.isdecimal() 检查Series/索引中每个字符串中的所有字符是否都是十进制的。
Series.str.get_dummies([sep]) 按sep拆分Series中的每个字符串,并返回一帧虚拟/指示器变量。

分类

函数 说明
Pandas定义自定义数据类型,用于表示只能接受有限的固定值集的数据。类别的dtype可以由pandas.api.types.CategoricalDtype得到
api.types.CategoricalDtype([categories, ordered]) 具有类别和有序性的分类数据类型
api.types.CategoricalDtype.categories 包含允许的唯一类别的索引。
api.types.CategoricalDtype.ordered 类别是否有有序关系
类型可以pandas.Categorical得到
Categorical(values[, categories, ordered, …]) 代表经典R / S +样式中的分类变量
当您已经有类别和整数代码时,可以使用alternational . from _ code ( )构造函数:
Categorical.from_codes(codes, categories[, …]) 从代码和类别数组中创建类别类型。
dtype信息可从分类中获得
Categorical.dtype 此实例的类别类型
Categorical.categories 这个范畴。
Categorical.ordered 类别是否有有序关系
Categorical.codes 此类别的类别代码。
NP . asarray (分类)通过实现数组接口工作。请注意,这将类别转换回NumPy数组,因此不会保留类别和顺序信息!
Categorical.array([dtype]) numpy数组接口。
类别可以存储在Series或DataFrame中。要创建一Seriesdtype类别,请使用cat = s . astype ( dtype )或Series(...,dtype = dtype ),其中dtype为
字符串“类别”
类别类型的实例。
如果该Series属于dtype CategoricalDtype,则可以使用Series . cat更改分类数据。此访问器类似于series . dt或series . str,具有以下可用的方法和属性:
Series.cat.categories 这个范畴。
Series.cat.ordered 类别是否有有序关系
Series.cat.codes -
Series.cat.rename_categories(*args, **kwargs) 重命名类别。
Series.cat.reorder_categories(*args, **kwargs) 按照new _ categories中的指定重新排序类别。
Series.cat.add_categories(*args, **kwargs) 添加新类别。
Series.cat.remove_categories(*args, **kwargs) 删除指定的类别。
Series.cat.remove_unused_categories(*args, …) 删除未使用的类别。
Series.cat.set_categories(*args, **kwargs) 将类别设置为指定的new _ categories。
Series.cat.as_ordered(*args, **kwargs) 设置要排序的分类
Series.cat.as_unordered(*args, **kwargs) 将分类设置为无序

绘图

函数 说明
series . plot是表单Series特定绘图方法的可调用方法和命名空间属性。
Series.plot([kind, ax, figsize, ….]) Series绘图存取器及方法
Series.plot.area(**kwds) 面积图
Series.plot.bar(**kwds) 竖线图
Series.plot.barh(**kwds) 水平柱状图
Series.plot.box(**kwds) 箱线图
Series.plot.density([bw_method, ind]) 使用高斯核生成核密度估计图。
Series.plot.hist([bins]) 柱状图
Series.plot.kde([bw_method, ind]) 使用高斯核生成核密度估计图。
Series.plot.line(**kwds) 线图
Series.plot.pie(**kwds) 圆形分格统计图表
Series.hist([by, ax, grid, xlabelsize, …]) 用matplotlib绘制输入Series直方图
Series化/输入输出/转换
Series.to_pickle(path[, compression, protocol]) 将对象保存(Series化)到文件中。
Series.to_csv([path, index, sep, na_rep, …]) 将Series写入逗号分隔值( CSV )文件
Series.to_dict([into]) 将Series转换为{ label - - > value } dict或dict类对象。
Series.to_excel(excel_writer[, sheet_name, …]) 将Series写入excel工作表
Series.to_frame([name]) 将Series转换为DataFrame
Series.to_xarray() 从Pandas对象返回xarray对象。
Series.to_hdf(path_or_buf, key, **kwargs) 使用HDFStore将包含的数据写入HDF5文件。
Series.to_sql(name, con[, schema, …]) 将存储在DataFrame中的记录写入SQL数据库。
Series.to_msgpack([path_or_buf, encoding]) msgpack (Series化)对象到输入文件路径
Series.to_json([path_or_buf, orient, …]) 将对象转换为JSON字符串。
Series.to_sparse([kind, fill_value]) 将Series转换为稀疏Series
Series.to_dense() 返回NDFrame的密集表示(相对于稀疏)
Series.to_string([buf, na_rep, …]) 呈现Series的字符串表示形式
Series.to_clipboard([excel, sep]) 将对象复制到系统剪贴板。
Series.to_latex([buf, columns, col_space, …]) 将对象呈现为表格环境表。
稀少的
SparseSeries.to_coo([row_levels, …]) 从具有多索引的稀疏库中创建一个scipy . sparse . COO _ matrix。
SparseSeries.from_coo(A[, dense_index]) 从一个冷而稀疏的. COO _ matrix创建一个稀疏的sereseries。

DataFrame

函数 说明
构造器
DataFrame([data, index, columns, dtype, copy]) 二维大小可变的、具有标记轴(行和列)的潜在异构表格数据结构。
属性和基础数据
轴线
DataFrame.index DataFrame的索引(行标签)。
DataFrame.columns DataFrame的列标签。
DataFrame.dtypes 返回DataFrame中的数据类型。
DataFrame.ftypes 返回DataFrame中的ftype (稀疏/密集和dtype的指示)。
DataFrame.get_dtype_counts() 返回此对象中唯一dtypes的计数。
DataFrame.get_ftype_counts() (已弃用)返回此对象中唯一ftypes的计数。
DataFrame.select_dtypes([include, exclude]) 根据列dtypes返回DataFrame列的子集。
DataFrame.values 返回DataFrame的Numpy表示形式。
DataFrame.get_values() 将稀疏值转换为密集值后返回ndarray。
DataFrame.axes 返回表示DataFrame轴的列表。
DataFrame.ndim 返回一个表示轴/数组维数的int。
DataFrame.size 返回一个int,表示此对象中的元素数。
DataFrame.shape 返回表示DataFrame维度的元组。
DataFrame.memory_usage([index, deep]) 以字节为单位返回每列的内存使用情况。
DataFrame.empty 指示DataFrame是否为空。
DataFrame.is_copy -
转变
DataFrame.astype(dtype[, copy, errors]) 将Pandas对象转换为指定的dtype dtype。
DataFrame.convert_objects([convert_dates, …]) (已弃用)尝试推断对象列的更好dtype。
DataFrame.infer_objects() 尝试为对象列推断更好的数据类型。
DataFrame.copy([deep]) 复制此对象的索引和数据。
DataFrame.isna() 检测缺失值。
DataFrame.notna() 检测现有(未丢失)值。
DataFrame.bool() 返回单个元素PandasObject的布尔。
索引、迭代
DataFrame.head([n]) 返回前n行。
DataFrame.at 访问行/列标签对的单个值。
DataFrame.iat 按整数位置访问行/列对的单个值。
DataFrame.loc 通过标签或布尔数组访问一组行和列。
DataFrame.iloc 用于按位置选择的纯整数位置索引。
DataFrame.insert(loc, column, value[, …]) 在指定位置将列插入DataFrame。
DataFrame.insert(loc, column, value[, …]) 在指定位置将列插入DataFrame。
DataFrame.iter() 迭代信息轴
DataFrame.items() 迭代器(列名,Series)对。
DataFrame.keys() 获取“信息轴”(有关详细信息,请参阅索引)
DataFrame.iteritems() 迭代器(列名,Series)对。
DataFrame.iterrows() 以(索引、Series)对形式迭代DataFrame行。
DataFrame.itertuples([index, name]) 以namedtpulles形式迭代DataFrame行,索引值作为元组的第一个元素。
DataFrame.lookup(row_labels, col_labels) 基于标签的DataFrame“花式索引”功能。
DataFrame.pop(item) 返回项目并从框架中删除。
DataFrame.tail([n]) 返回最后n行。
DataFrame.xs(key[, axis, level, drop_level]) 从Series/DataFrame返回横截面(行或列)。
DataFrame.get(key[, default]) 从给定键(DataFrame列、Panel切片等)的对象中获取项目。) .
DataFrame.isin(values) 返回布尔DataFrame,显示DataFrame中的每个元素是否包含在值中。
DataFrame.where(cond[, other, inplace, …]) 返回与self形状相同的对象,其对应条目来自self,cond为True,否则来自其他。
DataFrame.mask(cond[, other, inplace, axis, …]) 返回与self形状相同的对象,其对应条目来自self,cond为False,否则来自其他。
DataFrame.query(expr[, inplace]) 使用布尔表达式查询框架的列。
二元算子函数
DataFrame.add(other[, axis, level, fill_value]) 添加DataFrame和其他元素(二进制运算符add )。
DataFrame.sub(other[, axis, level, fill_value]) DataFrame和其他元素相减(二进制运算符sub )。
DataFrame.mul(other[, axis, level, fill_value]) DataFrame和其他元素的乘法(二进制运算符mul )。
DataFrame.div(other[, axis, level, fill_value]) DataFrame和其他元素的浮动划分(二进制运算符truediv )。
DataFrame.truediv(other[, axis, level, …]) DataFrame和其他元素的浮动划分(二进制运算符truediv )。
DataFrame.floordiv(other[, axis, level, …]) DataFrame和其他元素的整数除法(二进制运算符flooddiv )。
DataFrame.mod(other[, axis, level, fill_value]) DataFrame模和其他元素(二进制运算符mod )。
DataFrame.pow(other[, axis, level, fill_value]) DataFrame指数幂和其他元素幂(二元算子幂)。
DataFrame.dot(other) 与DataFrame或Series对象的矩阵乘法。
DataFrame.radd(other[, axis, level, fill_value]) 添加DataFrame和其他元素(二元运算符radd )。
DataFrame.rsub(other[, axis, level, fill_value]) DataFrame和其他元素减法(二进制运算符rsub )。
DataFrame.rmul(other[, axis, level, fill_value]) DataFrame和其他元素的乘法(二进制运算符rmul )。
DataFrame.rdiv(other[, axis, level, fill_value]) DataFrame和其他元素的浮动划分(二进制运算符rtruediv )。
DataFrame.rtruediv(other[, axis, level, …]) DataFrame和其他元素的浮动划分(二进制运算符rtruediv )。
DataFrame.rfloordiv(other[, axis, level, …]) DataFrame和其他元素的整数除法(二元运算符rfloordiv )。
DataFrame.rmod(other[, axis, level, fill_value]) DataFrame模和其他元素(二进制运算符rmod )。
DataFrame.rpow(other[, axis, level, fill_value]) DataFrame和其他元素的指数幂(二元运算符rpow )。
DataFrame.lt(other[, axis, level]) 灵活比较方法包装
DataFrame.gt(other[, axis, level]) 灵活比较方法包装器
DataFrame.le(other[, axis, level]) 灵活比较方法包装
DataFrame.ge(other[, axis, level]) 灵活比较方法的包装
DataFrame.ne(other[, axis, level]) 用于灵活比较方法的包装器
DataFrame.eq(other[, axis, level]) 灵活比较方法包装器
DataFrame.combine(other, func[, fill_value, …]) 添加两个DataFrame对象,不传播NaN值,因此如果某个(列,时间)帧缺少一个值,它将默认为另一帧的值(也可能是NaN )
DataFrame.combine_first(other) 组合两个DataFrame对象,并在调用方法的帧中默认为非空值。
功能应用程序,GroupBy & windows
DataFrame.apply(func[, axis, broadcast, …]) 沿DataFrame的轴应用函数。
DataFrame.applymap(func) 以元素方式将函数应用于DataFrame。
DataFrame.pipe(func, *args, **kwargs) 应用func (自我,* args,* * kwargs )
DataFrame.agg(func[, axis]) 使用指定轴上的一个或多个操作聚合。
DataFrame.aggregate(func[, axis]) 使用指定轴上的一个或多个操作聚合。
DataFrame.transform(func, *args, **kwargs) 调用函数生成类似索引的NDFrame,并返回带有转换值的NDFrame
DataFrame.groupby([by, axis, level, …]) 使用映射程序( dict或key函数,将给定函数应用于组,将结果作为Series返回)或按一Series列对Series进行分组。
DataFrame.rolling(window[, min_periods, …]) 提供滚动窗口计算。
DataFrame.expanding([min_periods, center, axis]) 提供扩展转换。
DataFrame.ewm([com, span, halflife, alpha, …]) 提供指数加权函数
计算/描述统计
DataFrame.abs() 返回每个元素具有绝对值的Series/DataFrame。
DataFrame.all([axis, bool_only, skipna, level]) 返回Series轴或DataFrame轴上的所有元素是否为True。
DataFrame.any([axis, bool_only, skipna, level]) 返回在请求的轴上是否有任何元素为真。
DataFrame.clip([lower, upper, axis, inplace]) 输入阈值处的修剪值。
DataFrame.clip_lower(threshold[, axis, inplace]) 返回值低于阈值的输入副本被截断。
DataFrame.clip_upper(threshold[, axis, inplace]) 返回截断值大于给定值的输入副本。
DataFrame.compound([axis, skipna, level]) 返回请求轴值的复合百分比
DataFrame.corr([method, min_periods]) 计算列的成对相关性,不包括NA / null值
DataFrame.corrwith(other[, axis, drop]) 计算两个DataFrame对象的行或列之间的成对相关性。
DataFrame.count([axis, level, numeric_only]) 对每列或每行的非NA单元格进行计数。
DataFrame.cov([min_periods]) 计算列的成对协方差,不包括NA / null值。
DataFrame.cummax([axis, skipna]) 返回DataFrame或Series轴上的累积最大值。
DataFrame.cummin([axis, skipna]) 返回DataFrame或Series轴上的累积最小值。
DataFrame.cumprod([axis, skipna]) 通过DataFrame或Series轴返回累积产品。
DataFrame.cumsum([axis, skipna]) 返回DataFrame或Series轴上的累计总和。
DataFrame.describe([percentiles, include, …]) 生成描述性统计数据,总结数据集分布的中心趋势、分散和形状,不包括NaN值。
DataFrame.diff([periods, axis]) 元素的第一离散差。
DataFrame.eval(expr[, inplace]) 评估描述DataFrame列操作的字符串。
DataFrame.kurt([axis, skipna, level, …]) 使用Fisher的峰度定义返回请求轴上的无偏峰度(正常峰度= = 0.0 )。
DataFrame.kurtosis([axis, skipna, level, …]) 使用Fisher的峰度定义返回请求轴上的无偏峰度(正常峰度= = 0.0 )。
DataFrame.mad([axis, skipna, level]) 返回请求轴值的平均绝对偏差
DataFrame.max([axis, skipna, level, …]) 此方法返回对象中值的最大值。
DataFrame.mean([axis, skipna, level, …]) 返回请求轴值的平均值
DataFrame.median([axis, skipna, level, …]) 返回请求轴的值的中间值
DataFrame.min([axis, skipna, level, …]) 此方法返回对象中值的最小值。
DataFrame.mode([axis, numeric_only]) 获取每个元素沿选定轴的模式。
DataFrame.pct_change([periods, fill_method, …]) 当前元素和先前元素之间的百分比变化。
DataFrame.prod([axis, skipna, level, …]) 返回请求轴值的乘积
DataFrame.product([axis, skipna, level, …]) 返回请求轴值的乘积
DataFrame.quantile([q, axis, numeric_only, …]) 在请求轴上给定分位数的返回值,la numpy .百分位。
DataFrame.rank([axis, method, numeric_only, …]) 沿轴计算数值数据列( 1到n )。
DataFrame.round([decimals]) 将DataFrame舍入到可变小数位数。
DataFrame.sem([axis, skipna, level, ddof, …]) 返回请求轴上平均值的无偏标准误差。
DataFrame.skew([axis, skipna, level, …]) 返回由N - 1归一化的请求轴上的无偏歪斜
DataFrame.sum([axis, skipna, level, …]) 返回请求轴的值之和
DataFrame.std([axis, skipna, level, ddof, …]) 返回要求轴上的样品标准偏差。
DataFrame.var([axis, skipna, level, ddof, …]) 返回请求轴上的无偏方差。
DataFrame.nunique([axis, dropna]) 返回在请求轴上有多个不同观察值的Series。
重新设计/选择/标签操作
DataFrame.add_prefix(prefix) 带字符串前缀的前缀标签。
DataFrame.add_suffix(suffix) 带有字符串后缀的后缀标签。
DataFrame.align(other[, join, axis, level, …]) 将轴上的两个对象与每个轴索引的指定连接方法对齐
DataFrame.at_time(time[, asof]) 选择一天中特定时间的值(例如
DataFrame.between_time(start_time, end_time) 选择一天中特定时间之间的值(例如,上午9 : 00 - 9 : 30 )。
DataFrame.drop([labels, axis, index, …]) 从行或列中删除指定的标签。
DataFrame.drop_duplicates([subset, keep, …]) 返回删除重复行的DataFrame,可选地只考虑某些列
DataFrame.duplicated([subset, keep]) 返回表示重复行的布尔Series,可选地仅考虑某些列
DataFrame.equals(other) 确定两个NDFrame对象是否包含相同的元素。
DataFrame.filter([items, like, regex, axis]) 根据指定索引中的标签子集DataFrame的行或列。
DataFrame.first(offset) 基于日期偏移对时间Series数据初始周期进行细分的便捷方法。
DataFrame.head([n]) 返回前n行。
DataFrame.idxmax([axis, skipna]) 返回请求轴上首次出现最大值的索引。
DataFrame.idxmin([axis, skipna]) 返回请求轴上第一次出现最小值的索引。
DataFrame.last(offset) 基于日期偏移对时间Series数据的最终周期进行细分的便捷方法。
DataFrame.reindex([labels, index, columns, …]) 用可选的填充逻辑使DataFrame符合新索引,将NA / NaN放置在前一个索引中没有值的位置。
DataFrame.reindex_axis(labels[, axis, …]) 使用可选的填充逻辑使输入对象符合新索引,将NA / NaN放在先前索引中没有值的位置。
DataFrame.reindex_like(other[, method, …]) 将具有匹配索引的对象返回给我自己。
DataFrame.rename([mapper, index, columns, …]) 更改轴标签。
DataFrame.rename_axis(mapper[, axis, copy, …]) 更改索引或列的名称。
DataFrame.reset_index([level, drop, …]) 对于具有多级索引的DataFrame,在索引名称下的列中返回带有标记信息的新DataFrame,默认为“level _ 0”、“level _ 1”等。
DataFrame.sample([n, frac, replace, …]) 从对象轴返回项目的随机样本。
DataFrame.select(crit[, axis]) (已弃用)返回与轴标签匹配条件相对应的数据
DataFrame.set_axis(labels[, axis, inplace]) 为给定轴指定所需的索引。
DataFrame.set_index(keys[, drop, append, …]) 使用一个或多个现有列设置DataFrame索引(行标签)。
DataFrame.tail([n]) 返回最后n行。
DataFrame.take(indices[, axis, convert, is_copy]) 沿轴返回给定位置索引中的元素。
DataFrame.truncate([before, after, axis, copy]) 在某个索引值前后截断Series或DataFrame。
缺失数据处理
DataFrame.dropna([axis, how, thresh, …]) 删除缺少的值。
DataFrame.fillna([value, method, axis, …]) 使用指定的方法填写NA / NaN值
DataFrame.replace([to_replace, value, …]) 将to _ replace中给定的值替换为值。
DataFrame.interpolate([method, axis, limit, …]) 根据不同的方法插值。
整形、分类、转移
DataFrame.pivot([index, columns, values]) 返回按给定索引/列值组织的重新整形DataFrame。
DataFrame.pivot_table([values, index, …]) 创建电子表格样式的透视表作为DataFrame架。
DataFrame.reorder_levels(order[, axis]) 使用输入顺序重新排列索引级别。
DataFrame.sort_values(by[, axis, ascending, …]) 按任一轴的值排序
DataFrame.sort_index([axis, level, …]) 按标签(沿轴)排序对象
DataFrame.nlargest(n, columns[, keep]) 按列降序返回前n行。
DataFrame.nsmallest(n, columns[, keep]) 获取按列的n个最小值排序的DataFrame的行。
DataFrame.swaplevel([i, j, axis]) 交换特定轴上多索引中的级别I和j
DataFrame.stack([level, dropna]) 将指定级别从列堆叠到索引。
DataFrame.unstack([level, fill_value]) 枢转(必须是分层的)索引标签的级别,返回具有新级别的列标签的DataFrame,该列标签的最内层由枢转的索引标签组成。
DataFrame.swapaxes(axis1, axis2[, copy]) 适当交换轴和交换值轴
DataFrame.melt([id_vars, value_vars, …]) “取消固定”从宽格式到长格式的DataFrame,可选地保留标识符变量集。
DataFrame.squeeze([axis]) 挤压长度1尺寸。
DataFrame.to_panel() (已弃用)将长(堆叠)格式(DataFrame)转换为宽( 3D、Panel)格式。
DataFrame.to_xarray() 从Pandas对象返回xarray对象。
DataFrame.T 转置索引和列。
DataFrame.transpose(*args, **kwargs) 转置索引和列。
合并/加入/合并
DataFrame.append(other[, ignore_index, …]) 将其他行追加到此帧的末尾,返回一个新对象。
DataFrame.assign(**kwargs) 将新列分配给DataFrame,返回新对象(副本),新列添加到原始列中。
DataFrame.join(other[, on, how, lsuffix, …]) 将列与索引或键列上的其他DataFrame连接起来。
DataFrame.merge(right[, how, on, left_on, …]) 通过按列或索引执行数据库样式的联接操作来合并DataFrame对象。
DataFrame.update(other[, join, overwrite, …]) 使用来自另一个DataFrame的非NA值就地修改。
时间Series相关的
DataFrame.asfreq(freq[, method, how, …]) 将时间Series转换为指定频率。
DataFrame.asof(where[, subset]) 取不带NaN的最后一行(或者在DataFrame的情况下,不带NaN的最后一行仅考虑列的子集)
DataFrame.shift([periods, freq, axis]) 按所需周期数移位索引,可选时间频率
DataFrame.slice_shift([periods, axis]) 相当于移位而不复制数据。
DataFrame.tshift([periods, freq, axis]) 移动时间索引,使用索引的频率(如果可用)。
DataFrame.first_valid_index() 返回第一个非NA / null值的索引。
DataFrame.last_valid_index() 返回最后一个非NA / null值的索引。
DataFrame.resample(rule[, how, axis, …]) 时间Series频率转换和Resampling的便捷方法。
DataFrame.to_period([freq, axis, copy]) 将DataFrame从DatetimeIndex转换为所需频率的周期索引(如果没有通过,则从索引推断)
DataFrame.to_timestamp([freq, how, axis, copy]) 转换为时间段开始时时间戳的日期时间索引
DataFrame.tz_convert(tz[, axis, level, copy]) 将tz感知轴转换为目标时区。
DataFrame.tz_localize(tz[, axis, level, …]) 将tz - naive时间Series本地化为目标时区。
绘图
DataFrame. plot是表单DataFrame. plot的特定绘图方法的可调用方法和命名空间属性。
DataFrame.plot([x, y, kind, ax, ….]) DataFrame绘图存取器和方法
DataFrame.plot.area([x, y]) 面积图
DataFrame.plot.bar([x, y]) 竖线图。
DataFrame.plot.barh([x, y]) 画一个横杠图。
DataFrame.plot.box([by]) 制作DataFrame列的方框图。
DataFrame.plot.density([bw_method, ind]) 使用高斯核生成核密度估计图。
DataFrame.plot.hexbin(x, y[, C, …]) 生成六边形宁滨图。
DataFrame.plot.hist([by, bins]) 绘制DataFrame列的直方图。
DataFrame.plot.kde([bw_method, ind]) 使用高斯核生成核密度估计图。
DataFrame.plot.line([x, y]) 将DataFrame列绘制为线。
DataFrame.plot.pie([y]) 生成饼图。
DataFrame.plot.scatter(x, y[, s, c]) 创建具有不同标记点大小和颜色的散点图。
DataFrame.boxplot([column, by, ax, …]) 从DataFrame列绘制方框图。
DataFrame.hist([column, by, grid, …]) 制作DataFrame的直方图。
Series化/输入输出/转换
DataFrame.from_csv(path[, header, sep, …]) (已弃用)读取CSV文件。
DataFrame.from_dict(data[, orient, dtype, …]) 从数组状或dict的dict构造DataFrame。
DataFrame.from_items(items[, columns, orient]) (已弃用)从元组列表中构建DataFrame
DataFrame.from_records(data[, index, …]) 将结构化或记录数组转换为DataFrame
DataFrame.info([verbose, buf, max_cols, …]) 打印DataFrame的简明摘要。
DataFrame.to_parquet(fname[, engine, …]) 将DataFrame写入二进制拼花格式。
DataFrame.to_pickle(path[, compression, …]) 将对象保存(Series化)到文件中。
DataFrame.to_csv([path_or_buf, sep, na_rep, …]) 将DataFrame写入逗号分隔值( CSV )文件
DataFrame.to_hdf(path_or_buf, key, **kwargs) 使用HDFStore将包含的数据写入HDF5文件。
DataFrame.to_sql(name, con[, schema, …]) 将存储在DataFrame中的记录写入SQL数据库。
DataFrame.to_dict([orient, into]) 将DataFrame转换为词典。
DataFrame.to_excel(excel_writer[, …]) 将DataFrame写入excel工作表
DataFrame.to_json([path_or_buf, orient, …]) 将对象转换为JSON字符串。
DataFrame.to_html([buf, columns, col_space, …]) 将DataFrame渲染为HTML表。
DataFrame.to_feather(fname) 写出DataFrame的二进制羽化格式
DataFrame.to_latex([buf, columns, …]) 将对象呈现为表格环境表。
DataFrame.to_stata(fname[, convert_dates, …]) 导出Stata二进制DTA文件。
DataFrame.to_msgpack([path_or_buf, encoding]) msgpack (Series化)对象到输入文件路径
DataFrame.to_gbq(destination_table, project_id) 将DataFrame写入Google BigQuery表。
DataFrame.to_records([index, convert_datetime64]) 将DataFrame转换为NumPy记录数组。
DataFrame.to_sparse([fill_value, kind]) 转换为稀疏塔夫兰
DataFrame.to_dense() 返回NDFrame的密集表示(相对于稀疏)
DataFrame.to_string([buf, columns, …]) 将DataFrame呈现为控制台友好的表格输出。
DataFrame.to_clipboard([excel, sep]) 将对象复制到系统剪贴板。
DataFrame.style 属性返回Styler对象,该对象包含用于构建DataFrame架的样式化HTML表示的方法。
稀少的
SparseDataFrame.to_coo() 将帧内容作为稀疏的SciPy COO矩阵返回。

Panel

函数 说明
构造器
Panel([data, items, major_axis, minor_axis, …]) (已弃用)表示宽格式Panel数据,存储为三维数组
属性和基础数据
轴线
项目:轴0;每个项目对应于包含在其中的DataFrame
长轴:轴1;每个DataFrame的索引(行)
短轴:轴2;每个DataFrame的列
Panel.values 返回DataFrame的Numpy表示形式。
Panel.axes 返回内部NDFrame的索引标签
Panel.ndim 返回一个表示轴/数组维数的int。
Panel.size 返回一个int,表示此对象中的元素数。
Panel.shape 返回轴维元组
Panel.dtypes 返回DataFrame中的数据类型。
Panel.ftypes 返回DataFrame中的ftype (稀疏/密集和dtype的指示)。
Panel.get_dtype_counts() 返回此对象中唯一dtypes的计数。
Panel.get_ftype_counts() (已弃用)返回此对象中唯一ftypes的计数。
转变
Panel.astype(dtype[, copy, errors]) 将Pandas对象转换为指定的dtype dtype。
Panel.copy([deep]) 复制此对象的索引和数据。
Panel.isna() 检测缺失值。
Panel.notna() 检测现有(未丢失)值。
获取和设置
Panel.get_value(*args, **kwargs) (已弃用)在(项目、主要、次要)位置快速检索单个值
Panel.set_value(*args, **kwargs) (已弃用)在(项目、主要、次要)位置快速设置单个值
索引、迭代、切片
Panel.at 访问行/列标签对的单个值。
Panel.iat 按整数位置访问行/列对的单个值。
Panel.loc 通过标签或布尔数组访问一组行和列。
Panel.iloc 用于按位置选择的纯整数位置索引。
Panel.iter() 迭代信息轴
Panel.iteritems() 在信息轴上迭代(标签,值)
Panel.pop(item) 返回项目并从框架中删除。
Panel.xs(key[, axis]) 沿选定轴返回Panel切片
Panel.major_xs(key) Panel沿主轴返回片
Panel.minor_xs(key) 沿短轴返回Panel切片
有关的更多信息。在。空运协会。锁定,和。iloc,请参阅索引文档。
二元算子函数
Panel.add(other[, axis]) Series和其他元素相加(二进制运算符相加)。
Panel.sub(other[, axis]) Series减法和其他元素减法(二进制运算符sub )。
Panel.mul(other[, axis]) 级数与其他元素相乘(二元运算符mul )。
Panel.div(other[, axis]) Series和其他元素的浮动除法(二元运算符truediv )。
Panel.truediv(other[, axis]) Series和其他元素的浮动除法(二元运算符truediv )。
Panel.floordiv(other[, axis]) 按元素对Series和其他Series进行整数除法(二进制运算符flooddiv )。
Panel.mod(other[, axis]) Series模和其他元素方式(二进制运算符mod )。
Panel.pow(other[, axis]) 级数指数幂和其他元素幂(二元算子幂)。
Panel.radd(other[, axis]) 级数和其他元素相加(二元算子radd )。
Panel.rsub(other[, axis]) Series减法和其他元素减法(二元运算符rsub )。
Panel.rmul(other[, axis]) 级数与其他元素相乘(二元运算符rmul )。
Panel.rdiv(other[, axis]) Series和其他元素的浮动划分(二元运算符rtruediv )。
Panel.rtruediv(other[, axis]) Series和其他元素的浮动划分(二元运算符rtruediv )。
Panel.rfloordiv(other[, axis]) 整数除法Series和其他,元素方式(二元运算符rfloordiv )。
Panel.rmod(other[, axis]) Series模和其他元素(二元运算符rmod )。
Panel.rpow(other[, axis]) 级数的指数幂和其他元素的指数幂(二元算子rpow )。
Panel.lt(other[, axis]) 比较法包装
Panel.gt(other[, axis]) 比较法包装
Panel.le(other[, axis]) 比较法用包装纸
Panel.ge(other[, axis]) 比较法通用电气包装
Panel.ne(other[, axis]) 比较法用包装纸
Panel.eq(other[, axis]) 比较法的包装
功能应用程序
Panel.apply(func[, axis]) 沿Panel的轴应用功能
Panel.groupby(function[, axis]) 给定轴上的组数据,返回GroupBy对象
计算/描述统计
Panel.abs() 返回每个元素具有绝对值的Series/DataFrame。
Panel.clip([lower, upper, axis, inplace]) 输入阈值处的修剪值。
Panel.clip_lower(threshold[, axis, inplace]) 返回值低于阈值的输入副本被截断。
Panel.clip_upper(threshold[, axis, inplace]) 返回截断值大于给定值的输入副本。
Panel.count([axis]) 返回请求轴上的观察次数。
Panel.cummax([axis, skipna]) 返回DataFrame或Series轴上的累积最大值。
Panel.cummin([axis, skipna]) 返回DataFrame或Series轴上的累积最小值。
Panel.cumprod([axis, skipna]) 通过DataFrame或Series轴返回累积产品。
Panel.cumsum([axis, skipna]) 返回DataFrame或Series轴上的累计总和。
Panel.max([axis, skipna, level, numeric_only]) 此方法返回对象中值的最大值。
Panel.mean([axis, skipna, level, numeric_only]) 返回请求轴值的平均值
Panel.median([axis, skipna, level, numeric_only]) 返回请求轴的值的中间值
Panel.min([axis, skipna, level, numeric_only]) 此方法返回对象中值的最小值。
Panel.pct_change([periods, fill_method, …]) 当前元素和先前元素之间的百分比变化。
Panel.prod([axis, skipna, level, …]) 返回请求轴值的乘积
Panel.sem([axis, skipna, level, ddof, …]) 返回请求轴上平均值的无偏标准误差。
Panel.skew([axis, skipna, level, numeric_only]) 返回由N - 1归一化的请求轴上的无偏歪斜
Panel.sum([axis, skipna, level, …]) 返回请求轴的值之和
Panel.std([axis, skipna, level, ddof, …]) 返回要求轴上的样品标准偏差。
Panel.var([axis, skipna, level, ddof, …]) 返回请求轴上的无偏方差。
重新设计/选择/标签操作
Panel.add_prefix(prefix) 带字符串前缀的前缀标签。
Panel.add_suffix(suffix) 带有字符串后缀的后缀标签。
Panel.drop([labels, axis, index, columns, …]) -
Panel.equals(other) 确定两个NDFrame对象是否包含相同的元素。
Panel.filter([items, like, regex, axis]) 根据指定索引中的标签子集DataFrame的行或列。
Panel.first(offset) 基于日期偏移对时间Series数据初始周期进行细分的便捷方法。
Panel.last(offset) 基于日期偏移对时间Series数据的最终周期进行细分的便捷方法。
Panel.reindex(*args, **kwargs) 使Panel符合具有可选填充逻辑的新索引,将NA / NaN放置在前一索引中没有值的位置。
Panel.reindex_axis(labels[, axis, method, …]) 使用可选的填充逻辑使输入对象符合新索引,将NA / NaN放在先前索引中没有值的位置。
Panel.reindex_like(other[, method, copy, …]) 将具有匹配索引的对象返回给我自己。
Panel.rename([items, major_axis, minor_axis]) 改变轴输入功能。
Panel.sample([n, frac, replace, weights, …]) 从对象轴返回项目的随机样本。
Panel.select(crit[, axis]) (已弃用)返回与轴标签匹配条件相对应的数据
Panel.take(indices[, axis, convert, is_copy]) 沿轴返回给定位置索引中的元素。
Panel.truncate([before, after, axis, copy]) 在某个索引值前后截断Series或DataFrame。
缺失数据处理
Panel.dropna([axis, how, inplace]) 从Panel上放下2D,保持通过的轴不变
整形、分类、转移
Panel.sort_index([axis, level, ascending, …]) 按标签(沿轴)排序对象
Panel.swaplevel([i, j, axis]) 交换特定轴上多索引中的级别I和j
Panel.transpose(*args, **kwargs) 更改Panel的尺寸
Panel.swapaxes(axis1, axis2[, copy]) 适当交换轴和交换值轴
Panel.conform(frame[, axis]) 使输入DataFrame与所选轴对对齐。
合并/加入/合并
Panel.join(other[, how, lsuffix, rsuffix]) 在长轴和短轴列上将项目与其他Panel连接
Panel.update(other[, join, overwrite, …]) 使用传递Panel中的非NA值或可强制至Panel的对象将Panel修改到位。
时间Series相关的
Panel.asfreq(freq[, method, how, normalize, …]) 将时间Series转换为指定频率。
Panel.shift([periods, freq, axis]) 按所需周期数移位索引,可选时间频率。
Panel.resample(rule[, how, axis, …]) 时间Series频率转换和Resampling的便捷方法。
Panel.tz_convert(tz[, axis, level, copy]) 将tz感知轴转换为目标时区。
Panel.tz_localize(tz[, axis, level, copy, …]) 将tz - naive时间Series本地化为目标时区。
Series化/输入输出/转换
Panel.from_dict(data[, intersect, orient, dtype]) 从DataFrame对象的dict构造Panel
Panel.to_pickle(path[, compression, protocol]) 将对象保存(Series化)到文件中。
Panel.to_excel(path[, na_rep, engine]) 将Panel中的每个DataFrame写入单独的excel工作表
Panel.to_hdf(path_or_buf, key, **kwargs) 使用HDFStore将包含的数据写入HDF5文件。
Panel.to_sparse(*args, **kwargs) 未实现:不要调用此方法,因为Panel对象不支持稀疏化,这将引发错误。
Panel.to_frame([filter_observations]) 将宽格式转换为长(堆叠)格式作为DataFrame,DataFrame的列是Panel的项,索引是由Panel的长轴和短轴组成的多索引。
Panel.to_clipboard([excel, sep]) 将对象复制到系统剪贴板。

索引

函数 说明
在包含索引(Series/DataFrame)的对象上可以获得这些方法或其变体中的许多,这些方法或变体最有可能在直接调用这些方法之前使用。
Index 不可变的ndarray实现有序的、可切片的集合。
属性
Index.values 以ndarray形式返回基础数据
Index.is_monotonic 别名为is _ monotical _ exporting (已弃用)
Index.is_monotonic_increasing 如果索引是单调递增(仅相等或递增)值,则返回。
Index.is_monotonic_decreasing 如果索引是单调递减(仅相等或递减)值,则返回。
Index.is_unique 如果索引具有唯一值,则返回
Index.has_duplicates -
Index.hasnans 如果我有南社就回来;启用各种性能加速
Index.dtype 返回基础数据的dtype对象
Index.dtype_str 返回基础数据的dtype字符串
Index.inferred_type 返回从值推断的类型的字符串
Index.is_all_dates -
Index.shape 返回基础数据形状的元组
Index.name -
Index.names -
Index.nbytes 返回基础数据中的字节数
Index.ndim 根据定义1返回基础数据的维数
Index.size 返回基础数据中的元素数
Index.empty -
Index.strides 返回基础数据的步长
Index.itemsize 返回基础数据项的dtype大小
Index.base 如果共享基础数据的内存,则返回基对象
Index.T 返回转置,这是自我定义
Index.memory_usage([deep]) 值的内存使用
修改和计算
Index.all(*args, **kwargs) 返回所有元素是否为真。
Index.any(*args, **kwargs) 返回任何元素是否为真。
Index.argmin([axis]) 返回最小参数索引器的ndarray
Index.argmax([axis]) 返回最大参数索引器的ndarray
Index.copy([name, deep, dtype]) 复制此对象。
Index.delete(loc) 删除传递位置为( - s )的新索引
Index.drop(labels[, errors]) 创建新索引,删除传递的标签列表
Index.drop_duplicates([keep]) 返回删除重复值的索引。
Index.duplicated([keep]) 指示重复的索引值。
Index.equals(other) 确定两个索引对象是否包含相同的元素。
Index.factorize([sort, na_sentinel]) 将对象编码为枚举类型或分类变量。
Index.identical(other) 类似于equals,但检查其他类似属性是否也相同
Index.insert(loc, item) 制作新索引在位置插入新项目。
Index.is_(other) 更灵活、更快速的检查就像是,但这可以通过视图来实现
Index.is_boolean() -
Index.is_categorical() 检查索引是否包含分类数据。
Index.is_floating() -
Index.is_integer() -
Index.is_interval() -
Index.is_lexsorted_for_tuple(tup) -
Index.is_mixed() -
Index.is_numeric() -
Index.is_object() -
Index.min() 返回索引的最小值。
Index.max() 返回索引的最大值。
Index.reindex(target[, method, level, …]) 使用目标值创建索引(根据需要移动/添加/删除值)
Index.rename(name[, inplace]) 在索引上设置新名称。
Index.repeat(repeats, *args, **kwargs) 重复索引的元素。
Index.where(cond[, other]) -
Index.take(indices[, axis, allow_fill, …]) 返回索引所选值的新索引
Index.putmask(mask, value) 返回使用掩码设置的值的新索引
Index.set_names(names[, level, inplace]) 在索引上设置新名称。
Index.unique([level]) 返回索引中的唯一值。
Index.nunique([dropna]) 返回对象中唯一元素的数目。
Index.value_counts([normalize, sort, …]) 返回包含唯一值计数的对象。
缺失值
Index.fillna([value, downcast]) 用指定值填充NA / NaN值
Index.dropna([how]) 没有NA / NaN值的返回索引
Index.isna() 检测缺失值。
Index.notna() 检测现有(未丢失)值。
转变
Index.astype(dtype[, copy]) 创建具有转换为dtypes的值的索引。
Index.item() 以python标量形式返回基础数据的第一个元素
Index.map(mapper[, na_action]) 使用输入对应关系映射值( dict、Series或函数)。
Index.ravel([order]) 返回基础数据的展平值的数组
Index.tolist() 返回值列表。
Index.to_native_types([slicer]) 格式化self的指定值并返回它们。
Index.to_series([index, name]) 创建一个索引和值都等于索引键的Series,该索引键与map一起用于基于索引返回索引器
Index.to_frame([index]) 使用包含索引的列创建DataFrame。
Index.view([cls]) -
整理
Index.argsort(*args, **kwargs) 返回对索引进行排序的整数标记。
Index.searchsorted(value[, side, sorter]) 查找应该插入元素以维持秩序的索引。
Index.sort_values([return_indexer, ascending]) 返回索引的排序副本。
特定时间操作
Index.shift([periods, freq]) 按所需的时间频率增量数移位索引。
组合/连接/设置操作
Index.append(other) 将索引选项集合附加在一起
Index.join(other[, how, level, …]) 这是一种内部非公开的方法
Index.intersection(other) 形成两个索引对象的交集。
Index.union(other) 形成两个索引对象的并集,并尽可能进行排序。
Index.difference(other) 返回一个新索引,其中包含索引中不在其他位置的元素。
Index.symmetric_difference(other[, result_name]) 计算两个索引对象的对称差。
选择
Index.asof(label) 对于排序的索引,返回直到并包括传递的标签的最新标签。
Index.asof_locs(where, mask) 其中:时间戳掩码数组:数据不是NA的布尔数组
Index.contains(key) 如果此键在索引中,则返回布尔值
Index.get_duplicates() (已弃用)提取重复的索引元素。
Index.get_indexer(target[, method, limit, …]) 计算给定当前索引的新索引的索引器和掩码。
Index.get_indexer_for(target, **kwargs) 即使在不唯一的情况下,也保证返回索引器,这将根据需要分派给get _ indexer或get _ indexer _ uninique
Index.get_indexer_non_unique(target) 计算给定当前索引的新索引的索引器和掩码。
Index.get_level_values(level) 返回请求级别的值索引,等于索引的长度。
Index.get_loc(key[, method, tolerance]) 获取请求标签整数位置,切片或布尔掩码。
Index.get_slice_bound(label, side, kind) 计算与给定标签相对应的切片边界。
Index.get_value(series, key) 从一维数组快速查找值。
Index.get_values() 以数字形式返回索引数据
Index.set_value(arr, key, value) 从一维数组快速查找值。
Index.isin(values[, level]) 返回索引值以值为单位的布尔数组。
Index.slice_indexer([start, end, step, kind]) 对于有序或唯一索引,计算输入标签和步骤的切片索引器。
Index.slice_locs([start, end, step, kind]) 计算输入标签的切片位置。
数字索引
RangeIndex 实现单调整数范围的不可变索引。
Int64Index 不可变的ndarray实现有序的、可切片的集合。
UInt64Index 不可变的ndarray实现有序的、可切片的集合。
Float64Index 不可变的ndarray实现有序的、可切片的集合。
RangeIndex.from_range(data[, name, dtype]) 从范围( py3 )或xrange ( py2 )对象创建范围索引
范畴尺度指数
CategoricalIndex 实现有序、可切片集合的不可变索引。
范畴成分
CategoricalIndex.codes -
CategoricalIndex.categories -
CategoricalIndex.ordered -
CategoricalIndex.rename_categories(*args, …) 重命名类别。
CategoricalIndex.reorder_categories(*args, …) 按照new _ categories中的指定重新排序类别。
CategoricalIndex.add_categories(*args, **kwargs) 添加新类别。
CategoricalIndex.remove_categories(*args, …) 删除指定的类别。
CategoricalIndex.remove_unused_categories(…) 删除未使用的类别。
CategoricalIndex.set_categories(*args, **kwargs) 将类别设置为指定的new _ categories。
CategoricalIndex.as_ordered(*args, **kwargs) 设置要排序的分类
CategoricalIndex.as_unordered(*args, **kwargs) 将分类设置为无序
CategoricalIndex.map(mapper) 使用输入对应关系映射值( dict、Series或函数)。
internalindex
IntervalIndex 实现有序、可切片集合的不可变索引。
internalindex组件
IntervalIndex.from_arrays(left, right[, …]) 由定义左右边界的两个数组构造。
IntervalIndex.from_tuples(data[, closed, …]) 从元组列表/数组中构建internalindex
IntervalIndex.from_breaks(breaks[, closed, …]) 从拆分数组构造internalindex
IntervalIndex.contains(key) 返回一个布尔值,指示键是否在索引中
IntervalIndex.left 返回internalindex中每个间隔的左端点作为索引
IntervalIndex.right 返回internalindex中每个间隔的右端点作为索引
IntervalIndex.mid 返回internalindex中每个间隔的中点作为索引
IntervalIndex.closed 间隔是在左侧、右侧关闭,还是两者都关闭
IntervalIndex.length 返回一个索引,其中的条目表示internalindex中每个间隔的长度
IntervalIndex.values 将internalindex的数据作为间隔对象的numpy数组返回( dtype = ' object ' )
IntervalIndex.is_non_overlapping_monotonic 如果internalindex不重叠(无间隔共享点),并且单调递增或单调递减,则返回True,否则返回False
IntervalIndex.get_loc(key[, method]) 获取请求标签整数位置,切片或布尔掩码。
IntervalIndex.get_indexer(target[, method, …]) 计算给定当前索引的新索引的索引器和掩码。
多指标
MultiIndex Pandas对象的多级或分层索引对象
IndexSlice 创建对象以更轻松地执行多索引切片
多指标构造函数
MultiIndex.from_arrays(arrays[, sortorder, …]) 将数组转换为多索引
MultiIndex.from_tuples(tuples[, sortorder, …]) 将元组列表转换为多索引
MultiIndex.from_product(iterables[, …]) 由多个可滴定物的笛卡儿积建立多指标
多指标属性
MultiIndex.names 多重索引中的层级名称
MultiIndex.levels -
MultiIndex.labels -
MultiIndex.nlevels 此多重索引中的整数层级。
MultiIndex.levshape 具有每个级别长度的元组。
多指标成分
MultiIndex.set_levels(levels[, level, …]) 在多索引上设置新级别。
MultiIndex.set_labels(labels[, level, …]) 在多索引上设置新标签。
MultiIndex.to_hierarchical(n_repeat[, n_shuffle]) 返回重新整形的多索引,以符合n _ repeat和n _ shuffle给定的形状。
MultiIndex.to_frame([index]) 以多索引级别为列创建DataFrame。
MultiIndex.is_lexsorted() 如果标签按字典顺序排序,则返回True
MultiIndex.sortlevel([level, ascending, …]) 在请求的级别排序多索引。
MultiIndex.droplevel([level]) 移除要求层级的传回索引。
MultiIndex.swaplevel([i, j]) 用j级交换一级
MultiIndex.reorder_levels(order) 使用输入顺序重新排列级别。
MultiIndex.remove_unused_levels() 从当前创建一个新的多索引,以删除未使用的级别,这意味着它们不会在标签中表达
MultiIndex.unique([level]) 返回索引中的唯一值。
多指标选择
MultiIndex.get_loc(key[, method]) 获取作为整数、切片或布尔掩码的标签或标签元组的位置。
MultiIndex.get_indexer(target[, method, …]) 计算给定当前索引的新索引的索引器和掩码。
MultiIndex.get_level_values(level) 返回请求级别的标签值向量,等于索引的长度。
日期时间索引
DatetimeIndex datetime64数据的不可变的ndarray,内部表示为int 64,它可以被装箱到作为datetime子类的时间戳对象中,并携带诸如频率信息之类的元数据。
时间/日期组成部分
DatetimeIndex.year 日期时间的年份
DatetimeIndex.month 1月= 1月,12月= 12月
DatetimeIndex.day 日期时间的天数
DatetimeIndex.hour 日期时间的小时数
DatetimeIndex.minute 日期时间的分钟数
DatetimeIndex.second 日期时间的秒数
DatetimeIndex.microsecond 日期时间的微秒
DatetimeIndex.nanosecond 日期时间的纳秒
DatetimeIndex.date 返回python datetime . date对象的numpy数组(即时间戳中没有时区信息的日期部分)。
DatetimeIndex.time 返回datetime . time的numpy数组。
DatetimeIndex.dayofyear 一年中的第几天
DatetimeIndex.weekofyear 一年中的第几周
DatetimeIndex.week 一年中的第几周
DatetimeIndex.dayofweek 星期一= 0,星期日= 6的星期几
DatetimeIndex.weekday 星期一= 0,星期日= 6的星期几
DatetimeIndex.quarter 日期的季度
DatetimeIndex.tz -
DatetimeIndex.freq 如果设置了frequency对象,则返回该对象,否则无
DatetimeIndex.freqstr 如果设置了frequency对象,则将其作为字符串返回,否则无
DatetimeIndex.is_month_start 逻辑指示每月第一天(由频率定义)
DatetimeIndex.is_month_end 指示日期是否为当月的最后一天。
DatetimeIndex.is_quarter_start 指示日期是否为季度的第一天。
DatetimeIndex.is_quarter_end 指示日期是否为季度的最后一天。
DatetimeIndex.is_year_start 指出日期是否为一年中的第一天。
DatetimeIndex.is_year_end 指出日期是否为一年中的最后一天。
DatetimeIndex.is_leap_year 如果日期属于闰年,则为布尔指示符。
DatetimeIndex.inferred_freq 尝试返回一个string类型的值,该值代表由inversion _ freq生成的频率猜测。
选择
DatetimeIndex.indexer_at_time(time[, asof]) 返回索引值在一天中特定时间的索引位置(例如
DatetimeIndex.indexer_between_time(…[, …]) 返回一天中特定时间(例如9 : 00 - 9 : 30 )之间的值的索引位置。
特定时间操作
DatetimeIndex.normalize() 将时间转换为午夜。
DatetimeIndex.strftime(date_format) 使用指定的date _ format转换为索引。
DatetimeIndex.snap([freq]) 将时间戳捕捉到最近出现的频率
DatetimeIndex.tz_convert(tz) 将tz感知的日期时间索引从一个时区转换到另一个时区。
DatetimeIndex.tz_localize(tz[, ambiguous, …]) 将tz - naive日期时间索引本地化为tz感知的日期时间索引。
DatetimeIndex.round(freq, *args, **kwargs) 将数据舍入到指定的频率。
DatetimeIndex.floor(freq) 将数据降至指定频率。
DatetimeIndex.ceil(freq) 将数据上限设置为指定频率。
DatetimeIndex.month_name([locale]) 返回具有指定区域设置的DateTimeIndex的月份名称。
DatetimeIndex.day_name([locale]) 返回具有指定区域设置的DateTimeIndex的日期名称。
转变
DatetimeIndex.to_period([freq]) 以特定频率转换为周期指数。
DatetimeIndex.to_perioddelta(freq) 计算指标值与按指定频率转换为周期指标的指标之间差值的时间增量指标。
DatetimeIndex.to_pydatetime() 返回DatetimeIndex作为datetime . datetime对象的对象数组
DatetimeIndex.to_series([keep_tz, index, name]) 创建一个索引和值都等于索引键的Series,该索引键与map一起用于基于索引返回索引器
DatetimeIndex.to_frame([index]) 使用包含索引的列创建DataFrame。
时间增量指数
TimedeltaIndex timedelta 64数据的不可变数组,内部表示为int 64,可以装箱到timedelta对象中
成分
TimedeltaIndex.days 每个元素的天数。
TimedeltaIndex.seconds 每个元素的秒数( > = 0且小于1天)。
TimedeltaIndex.microseconds 每个元素的微秒数( > = 0且小于1秒)。
TimedeltaIndex.nanoseconds 每个元素的纳秒数( > = 0且小于1微秒)。
TimedeltaIndex.components 返回时间增量组件的DataFrame(天、小时、分钟、秒、毫秒、微秒、纳秒)。
TimedeltaIndex.inferred_freq 尝试返回一个string类型的值,该值代表由inversion _ freq生成的频率猜测。
转变
TimedeltaIndex.to_pytimedelta() 将timedeltindex作为datetimedelta对象的对象数组返回
TimedeltaIndex.to_series([index, name]) 创建一个索引和值都等于索引键的Series,该索引键与map一起用于基于索引返回索引器
TimedeltaIndex.round(freq, *args, **kwargs) 将数据舍入到指定的频率。
TimedeltaIndex.floor(freq) 将数据降至指定频率。
TimedeltaIndex.ceil(freq) 将数据上限设置为指定频率。
TimedeltaIndex.to_frame([index]) 使用包含索引的列创建DataFrame。
周期指数
PeriodIndex 毫无疑问,ndarray holding ordinal values indirect regular periods of such as a special years,quarters,months,等等,这些都是在这些年份中经常出现的情况。
属性
PeriodIndex.day 期间的天数
PeriodIndex.dayofweek 星期一= 0,星期日= 6的星期几
PeriodIndex.dayofyear 一年中的第几天
PeriodIndex.days_in_month 当月的天数
PeriodIndex.daysinmonth 当月的天数
PeriodIndex.end_time -
PeriodIndex.freq 如果设置了frequency对象,则返回该对象,否则无
PeriodIndex.freqstr 如果设置了frequency对象,则将其作为字符串返回,否则无
PeriodIndex.hour 时段的时间
PeriodIndex.is_leap_year 逻辑指示日期是否属于闰年
PeriodIndex.minute 时段的分钟
PeriodIndex.month 1月= 1月,12月= 12月
PeriodIndex.quarter 日期的季度
PeriodIndex.qyear -
PeriodIndex.second 第二阶段
PeriodIndex.start_time -
PeriodIndex.week 一年中的第几周
PeriodIndex.weekday 星期一= 0,星期日= 6的星期几
PeriodIndex.weekofyear 一年中的第几周
PeriodIndex.year 期间的年份
方法
PeriodIndex.asfreq([freq, how]) 将周期指数转换为指定的频率频率。
PeriodIndex.strftime(date_format) 使用指定的date _ format转换为索引。
PeriodIndex.to_timestamp([freq, how]) 转换为日期时间索引
PeriodIndex.tz_convert(tz) 将tz感知的日期时间索引从一个时区转换到另一个时区(使用pytz / dateutil )
PeriodIndex.tz_localize(tz[, ambiguous]) 将tz - naive datetimendix本地化为给定时区(使用pytz / dateutil ),或从tz感知的datetimendix中删除时区
标量
时期
Period 代表一段时间
属性
Period.day 获取某个时间段所在月份的日期。
Period.dayofweek 返回星期几。
Period.dayofyear 返回一年中的某一天。
Period.days_in_month 获取此期间所在月份的总天数。
Period.daysinmonth 获取期间所在月份的总天数。
Period.end_time -
Period.freq -
Period.freqstr -
Period.hour 获取时间段中的一天中的小时数。
Period.is_leap_year -
Period.minute 获取时间段的小时组成部分的分钟数。
Period.month -
Period.ordinal -
Period.quarter -
Period.qyear -
Period.second 获取周期的第二部分。
Period.start_time 获取周期开始的时间戳。
Period.week 获取给定时间段内的一年中的一周。
Period.weekday -
Period.weekofyear -
Period.year -
方法
Period.asfreq 在间隔开始或结束时,将周期转换为所需频率
Period.now -
Period.strftime 根据选定的fmt返回周期的字符串表示形式。
Period.to_timestamp 返回指定周期结束(方式)时目标频率上周期的时间戳表示
时间戳
Timestamp Pandas替换日期时间
性能
Timestamp.asm8 -
Timestamp.day -
Timestamp.dayofweek -
Timestamp.dayofyear -
Timestamp.days_in_month -
Timestamp.daysinmonth -
Timestamp.fold -
Timestamp.hour -
Timestamp.is_leap_year -
Timestamp.is_month_end -
Timestamp.is_month_start -
Timestamp.is_quarter_end -
Timestamp.is_quarter_start -
Timestamp.is_year_end -
Timestamp.is_year_start -
Timestamp.max -
Timestamp.microsecond -
Timestamp.min -
Timestamp.minute -
Timestamp.month -
Timestamp.nanosecond -
Timestamp.quarter -
Timestamp.resolution -
Timestamp.second -
Timestamp.tz tzinfo的别名
Timestamp.tzinfo -
Timestamp.value -
Timestamp.week -
Timestamp.weekofyear -
Timestamp.year -
方法
Timestamp.astimezone 将tz感知时间戳转换为另一个时区。
Timestamp.ceil 返回导致此解决方案的新时间戳
Timestamp.combine(date, time) 日期、时间- >日期时间,具有相同的日期和时间字段
Timestamp.ctime 返回ctime ( )样式字符串。
Timestamp.date 返回年、月、日相同日期对象。
Timestamp.day_name 返回具有指定区域设置的时间戳的日期名称。
Timestamp.dst 返回自我。
Timestamp.floor 返回此分辨率下的新时间戳
Timestamp.freq -
Timestamp.freqstr -
Timestamp.fromordinal(ordinal[, freq, tz]) 传递序号,翻译并转换为ts注释:根据定义,序号本身不能有任何tz信息
Timestamp.fromtimestamp(ts) 时间戳[,tz ] - >从POSIX时间戳开始的tz本地时间。
Timestamp.isocalendar 返回包含ISO年、周数和工作日的三元组。
Timestamp.isoformat -
Timestamp.isoweekday 返回日期所代表的星期几。
Timestamp.month_name 返回具有指定区域设置的时间戳的月份名称。
Timestamp.normalize 将时间戳标准化到午夜,保留tz信息。
Timestamp.now([tz]) 返回表示tz本地当前时间的新时间戳对象。
Timestamp.replace 实现日期时间。替换,处理纳秒
Timestamp.round 将时间戳舍入到指定的分辨率
Timestamp.strftime 格式- > strftime ( )样式字符串。
Timestamp.strptime string,format - - >从字符串解析的新日期时间(如time . strptime ( ) )。
Timestamp.time 返回时间相同但tzinfo =无的时间对象。
Timestamp.timestamp 以浮点形式返回POSIX时间戳。
Timestamp.timetuple 返回时间元组,与时间兼容。localtime ( )。
Timestamp.timetz 返回具有相同时间和tzinfo的时间对象。
Timestamp.to_datetime64 返回一个精度为“ns”的numpy . datetime64对象
Timestamp.to_julian_date 将时间戳转换为儒略日。
Timestamp.to_period 返回此时间戳为观察值的时间段。
Timestamp.to_pydatetime 将时间戳对象转换为本机Python datetime对象。
Timestamp.today(cls[, tz]) 返回本地时区中的当前时间。
Timestamp.toordinal 返回无理期公历序数。
Timestamp.tz_convert 将tz感知时间戳转换为另一个时区。
Timestamp.tz_localize 将原始时间戳转换为本地时区,或从tz感知时间戳中删除时区。
Timestamp.tzname 返回自我。
Timestamp.utcfromtimestamp(ts) 从POSIX时间戳构造一个幼稚的UTC日期时间。
Timestamp.utcnow() 返回表示UTC日期和时间的新时间戳。
Timestamp.utcoffset 返回self . tzinfo . utcoffset (自我)。
Timestamp.utctimetuple 返回UTC时间元组,与时间兼容。localtime ( )。
Timestamp.weekday 返回日期所代表的星期几。
间隔
Interval 实现一个区间的不可变对象,一个有界的切片状区间。
性能
Interval.closed 间隔是在左侧、右侧关闭,还是两者都关闭
Interval.closed_left 检查左侧间隔是否关闭。
Interval.closed_right 检查右侧间隔是否关闭。
Interval.left 左界间隔
Interval.length 返回间隔的长度
Interval.mid 返回间隔的中点
Interval.open_left 检查左侧间隔是否打开。
Interval.open_right 检查右侧间隔是否打开。
Interval.right 右界间隔
时间增量
Timedelta 表示持续时间,即两个日期或时间之间的差值。
性能
Timedelta.asm8 返回自己的numpy timedelta 64数组视图
Timedelta.components 返回一个名为“类耦合”的组件
Timedelta.days 天数。
Timedelta.delta 返回以纳秒( ns )为单位的时间增量,以实现内部兼容性。
Timedelta.freq -
Timedelta.is_populated -
Timedelta.max -
Timedelta.microseconds 微秒数( > = 0小于1秒)。
Timedelta.min -
Timedelta.nanoseconds 返回纳秒数( n ),其中0≤n < 1微秒。
Timedelta.resolution 返回一个字符串,表示我们拥有的最低分辨率
Timedelta.seconds 秒数( > = 0小于1天)。
Timedelta.value -
Timedelta.view 阵列视图兼容性
方法
Timedelta.ceil 返回导致此解决方案的新Timedelta CEI
Timedelta.floor 返回一个新的时间增量
Timedelta.isoformat 将时间增量格式化为ISO 8601持续时间,如P [ n ] Y [ n ] M [ n ] DT [ n ] H [ n ] M [ n ] S,其中[ n ] S由值替换。
Timedelta.round 将时间增量舍入到指定的分辨率
Timedelta.to_pytimedelta 返回一个实际的datetime . timedelta对象注意:如果有,我们将丢失纳秒分辨率
Timedelta.to_timedelta64 返回一个精度为“ns”的numpy . timedelta 64对象
Timedelta.total_seconds 时间增量的总持续时间(以秒为单位) (精度为ns )
频率
to_offset(freq) 从字符串或元组表示或datetime . timedelta对象返回DateOffset对象
窗户
滚动对象由返回。点名:Pandas。DataFrame滚动( ),Pandas。Series滚动( )等。扩展对象由返回。扩大通话:Pandas。DataFrame.扩展( ),Pandas。Series.扩展( ),等等。EWM对象由返回。ewm电话:Pandas。DataFrame. ewm ( ),Pandas。Series. ewm ( ),等等。
标准移动窗口功能
Rolling.count() 窗口内任何非南观测的滚动计数。
Rolling.sum(*args, **kwargs) 计算给定DataFrame或Series的滚动和。
Rolling.mean(*args, **kwargs) 计算值的滚动平均值。
Rolling.median(**kwargs) 计算滚动中值。
Rolling.var([ddof]) 计算无偏滚动方差。
Rolling.std([ddof]) 计算轧制标准偏差。
Rolling.min(*args, **kwargs) 计算滚动最小值。
Rolling.max(*args, **kwargs) 滚动最大值
Rolling.corr([other, pairwise]) 滚动样本相关
Rolling.cov([other, pairwise, ddof]) 滚动样本协方差
Rolling.skew(**kwargs) 无偏轧制偏度
Rolling.kurt(**kwargs) 计算无偏滚动峰度。
Rolling.apply(func[, raw, args, kwargs]) 滚动功能适用
Rolling.aggregate(arg, *args, **kwargs) 使用指定轴上的一个或多个操作聚合。
Rolling.quantile(quantile[, interpolation]) 滚动分位数。
Window.mean(*args, **kwargs) 计算值的窗口平均值。
Window.sum(*args, **kwargs) 计算给定DataFrame或Series的窗口和。
标准扩展窗口功能
Expanding.count(**kwargs) 窗口内任何非南观测的扩展计数。
Expanding.sum(*args, **kwargs) 计算给定DataFrame或Series的扩展和。
Expanding.mean(*args, **kwargs) 计算值的展开平均值。
Expanding.median(**kwargs) 计算膨胀中值。
Expanding.var([ddof]) 计算无偏扩展方差。
Expanding.std([ddof]) 计算扩展标准差。
Expanding.min(*args, **kwargs) 计算扩展最小值。
Expanding.max(*args, **kwargs) 膨胀最大值
Expanding.corr([other, pairwise]) 扩展样本相关性
Expanding.cov([other, pairwise, ddof]) 扩展样本协方差
Expanding.skew(**kwargs) 无偏膨胀偏度
Expanding.kurt(**kwargs) 计算无偏膨胀峰度。
Expanding.apply(func[, raw, args, kwargs]) 扩展函数应用
Expanding.aggregate(arg, *args, **kwargs) 使用指定轴上的一个或多个操作聚合。
Expanding.quantile(quantile[, interpolation]) 扩展分位数。
指数加权移动窗函数
EWM.mean(*args, **kwargs) 指数加权移动平均
EWM.std([bias]) 指数加权移动标准开发
EWM.var([bias]) 指数加权移动方差
EWM.corr([other, pairwise]) 指数加权样本相关
EWM.cov([other, pairwise, bias]) 指数加权样本协方差
GroupBy
GroupBy对象由GroupBy调用返回:Pandas。DataFrame.群比( ),Pandas。Series. groupby ( ),等等。
索引、迭代
GroupBy.iter() 群比迭代器
GroupBy.groups dict {组名- >组标签}
GroupBy.indices dict {组名- >组索引}
GroupBy.get_group(name[, obj]) 使用提供的名称从组中构造NDFrame
Grouper([key, level, freq, axis, sort]) groupby允许用户为目标对象指定groupby指令
功能应用
GroupBy.apply(func, *args, **kwargs) 按组应用函数,并将结果组合在一起。
GroupBy.aggregate(func, *args, **kwargs) -
GroupBy.transform(func, *args, **kwargs) -
GroupBy.pipe(func, *args, **kwargs) 将带有参数的函数func应用于此groubby对象,并返回函数的结果。
计算/描述统计
GroupBy.all([skipna]) 如果组中的所有值都是真实的,则返回True,否则返回False
GroupBy.any([skipna]) 如果组中的任何值是真实的,则返回True,否则返回False
GroupBy.bfill([limit]) 向后填充值
GroupBy.count() 计算组计数,不包括缺少的值
GroupBy.cumcount([ascending]) 将每组中的每个项目编号为0到该组- 1的长度。
GroupBy.ffill([limit]) 向前填充这些值
GroupBy.first(**kwargs) 先计算组值
GroupBy.head([n]) 返回每个组的前n行。
GroupBy.last(**kwargs) 计算最后一组值
GroupBy.max(**kwargs) 计算组值的最大值
GroupBy.mean(*args, **kwargs) 计算组平均值,不包括缺少的值
GroupBy.median(**kwargs) 计算组的中值,不包括缺少的值
GroupBy.min(**kwargs) 计算组值最小值
GroupBy.ngroup([ascending]) 将每个组从0编号到组数- 1。
GroupBy.nth(n[, dropna]) 如果n是int,则从每组中取第n行,如果n是int列表,则取行子集。
GroupBy.ohlc() 计算值之和,不包括多个分组的缺失值,结果索引将是多索引
GroupBy.prod(**kwargs) 计算组值乘积
GroupBy.rank([method, ascending, na_option, …]) 提供每个组中的值的等级。
GroupBy.pct_change([periods, fill_method, …]) 计算每个值到组中先前条目的pct _ change
GroupBy.size() 计算组大小
GroupBy.sem([ddof]) 计算组平均值的标准误差,不包括缺失值
GroupBy.std([ddof]) 计算组的标准差,不包括缺失值
GroupBy.sum(**kwargs) 计算组值之和
GroupBy.var([ddof]) 计算组的方差,不包括缺少的值
GroupBy.tail([n]) 返回每个组的最后n行
以下方法在SeriesGroupBy和data framegroupby对象中都可用,但可能略有不同,通常是因为data framegroupby版本通常允许指定axis参数,并且通常是指示是否将应用程序限制在特定数据类型的列的参数。
DataFrameGroupBy.agg(arg, *args, **kwargs) 使用指定轴上的一个或多个操作聚合。
DataFrameGroupBy.all([skipna]) 如果组中的所有值都是真实的,则返回True,否则返回False
DataFrameGroupBy.any([skipna]) 如果组中的任何值是真实的,则返回True,否则返回False
DataFrameGroupBy.bfill([limit]) 向后填充值
DataFrameGroupBy.corr 计算列的成对相关性,不包括NA / null值
DataFrameGroupBy.count() 计算组计数,不包括缺少的值
DataFrameGroupBy.cov 计算列的成对协方差,不包括NA / null值。
DataFrameGroupBy.cummax([axis]) 每个组的累计最大值
DataFrameGroupBy.cummin([axis]) 每组的累计最小值
DataFrameGroupBy.cumprod([axis]) 每组累积产品
DataFrameGroupBy.cumsum([axis]) 每组累计金额
DataFrameGroupBy.describe(**kwargs) 生成描述性统计数据,总结数据集分布的中心趋势、分散和形状,不包括NaN值。
DataFrameGroupBy.diff 元素的第一离散差。
DataFrameGroupBy.ffill([limit]) 向前填充这些值
DataFrameGroupBy.fillna 使用指定的方法填写NA / NaN值
DataFrameGroupBy.filter(func[, dropna]) 返回DataFrame的副本,不包括不满足func指定的布尔条件的组中的元素。
DataFrameGroupBy.hist 制作DataFrame的直方图。
DataFrameGroupBy.idxmax 返回请求轴上首次出现最大值的索引。
DataFrameGroupBy.idxmin 返回请求轴上第一次出现最小值的索引。
DataFrameGroupBy.mad 返回请求轴值的平均绝对偏差
DataFrameGroupBy.pct_change([periods, …]) 计算每个值到组中先前条目的pct _ change
DataFrameGroupBy.plot 实现的类。群组依据物件的出图属性
DataFrameGroupBy.quantile 在请求轴上给定分位数的返回值,la numpy .百分位。
DataFrameGroupBy.rank([method, ascending, …]) 提供每个组中的值的等级。
DataFrameGroupBy.resample(rule, *args, **kwargs) 使用TimeGrouper时提供Resampling返回带有我们的Resampling器的新grouper
DataFrameGroupBy.shift([periods, freq, axis]) 每组按时段移动观察
DataFrameGroupBy.size() 计算组大小
DataFrameGroupBy.skew 返回由N - 1归一化的请求轴上的无偏歪斜
DataFrameGroupBy.take 沿轴返回给定位置索引中的元素。
DataFrameGroupBy.tshift 移动时间索引,使用索引的频率(如果可用)。
以下方法仅适用于SeriesGroupBy对象。
SeriesGroupBy.nlargest 返回最大的n个元素。
SeriesGroupBy.nsmallest 返回最小的n个元素。
SeriesGroupBy.nunique([dropna]) 返回组中唯一元素的数量
SeriesGroupBy.unique 返回Series对象的唯一值。
SeriesGroupBy.value_counts([normalize, …]) -
SeriesGroupBy.is_monotonic_increasing 如果对象中的值是单调递增的,则返回boolean
SeriesGroupBy.is_monotonic_decreasing 如果对象中的值是单调递减的,则返回boolean
以下方法仅适用于DataFrameGroupBy对象。
DataFrameGroupBy.corrwith 计算两个DataFrame对象的行或列之间的成对相关性。
DataFrameGroupBy.boxplot([subplots, column, …]) 根据DataFrame组制作方框图。
Resampling
Resampling对象通过Resampling调用返回:Pandas。DataFrame.Resampling( ),Pandas。Series.重新取样( )。
索引、迭代
Resampler.iter() 群比迭代器
Resampler.groups dict {组名- >组标签}
Resampler.indices dict {组名- >组索引}
Resampler.get_group(name[, obj]) 使用提供的名称从组中构造NDFrame
功能应用
Resampler.apply(arg, *args, **kwargs) 使用指定轴上的一个或多个操作聚合。
Resampler.aggregate(arg, *args, **kwargs) 使用指定轴上的一个或多个操作聚合。
Resampler.transform(arg, *args, **kwargs) 调用函数,在每个组上生成一个类似索引的Series,并返回一个带有转换值的Series
Resampler.pipe(func, *args, **kwargs) 将带有参数的函数func应用于此重新采样器对象,并返回函数的结果。
上采样
Resampler.ffill([limit]) 向前填充这些值
Resampler.backfill([limit]) 在重新采样的数据中向后填充新的缺失值。
Resampler.bfill([limit]) 在重新采样的数据中向后填充新的缺失值。
Resampler.pad([limit]) 向前填充这些值
Resampler.nearest([limit]) 从中心开始用最近邻填充值
Resampler.fillna(method[, limit]) 填充上采样引入的缺失值。
Resampler.asfreq([fill_value]) 返回新频率的值,本质上是重新索引
Resampler.interpolate([method, axis, limit, …]) 根据不同的方法插值。
计算/描述统计
Resampler.count([_method]) 计算组计数,不包括缺少的值
Resampler.nunique([_method]) 返回组中唯一元素的数量
Resampler.first([_method]) 先计算组值
Resampler.last([_method]) 计算最后一组值
Resampler.max([_method]) 计算组值的最大值
Resampler.mean([_method]) 计算组平均值,不包括缺少的值
Resampler.median([_method]) 计算组的中值,不包括缺少的值
Resampler.min([_method]) 计算组值最小值
Resampler.ohlc([_method]) 计算值之和,不包括多个分组的缺失值,结果索引将是多索引
Resampler.prod([_method, min_count]) 计算组值乘积
Resampler.size() 计算组大小
Resampler.sem([_method]) 计算组平均值的标准误差,不包括缺失值
Resampler.std([ddof]) 计算组的标准差,不包括缺失值
Resampler.sum([_method, min_count]) 计算组值之和
Resampler.var([ddof]) 计算组的方差,不包括缺少的值
风格
styler对象由Pandas返回
样式构造器
Styler(data[, precision, table_styles, …]) 使用HTML和CSS帮助根据数据设置DataFrame或Series的样式。
Styler.from_custom_template(searchpath, name) 工厂函数,用于使用自定义模板和Jinja环境创建Styler子类。
样式属性
Styler.env -
Styler.template -
Styler.loader -
样式应用
Styler.apply(func[, axis, subset]) 应用函数列、行或表wase,用结果更新HTML表示。
Styler.applymap(func[, subset]) 以元素方式应用函数,用结果更新HTML表示。
Styler.where(cond, value[, other, subset]) 以元素方式应用函数,用根据函数返回值选择的样式更新HTML表示。
Styler.format(formatter[, subset]) 格式化单元格的文本显示值。
Styler.set_precision(precision) 设置用于渲染的精度。
Styler.set_table_styles(table_styles) 在样式器上设置表格样式。
Styler.set_table_attributes(attributes) 设置表属性。
Styler.set_caption(caption) 在样式器上设置标题
Styler.set_properties([subset]) 为每个单元格设置一个或多个非数据相关属性的便捷方法。
Styler.set_uuid(uuid) 设置样式器的uuid。
Styler.clear() “重置”样式器,删除以前应用的任何样式。
内置样式
Styler.highlight_max([subset, color, axis]) 通过阴影化背景来突出显示最大值
Styler.highlight_min([subset, color, axis]) 通过阴影化背景来突出显示最小值
Styler.highlight_null([null_color]) 为缺少的值着色背景null _ color。
Styler.background_gradient([cmap, low, …]) 根据每列(可选行)中的数据为背景上色。
Styler.bar([subset, axis, color, width, align]) 将背景颜色标记为每列中的值。
样式导出和导入
Styler.render(**kwargs) 将构建的样式渲染为HTML
Styler.export() 导出要应用于当前样式的样式。
Styler.use(styles) 设置当前样式器上的样式,可能使用样式器中的样式。导出
Styler.to_excel(excel_writer[, sheet_name, …]) 将样式写入excel工作表
绘图
Pandas绘图模块包含以下功能。
andrews_curves(frame, class_column[, ax, …]) 生成Andrews曲线的matplotlib图,用于可视化多变量数据集群。
bootstrap_plot(series[, fig, size, samples]) 均值、中值和中值统计的自举图。
deregister_matplotlib_converters() 移除Pandas的格式化程序和转换器
lag_plot(series[, lag, ax]) 时间Series的滞后图。
parallel_coordinates(frame, class_column[, …]) 平行坐标绘图。
radviz(frame, class_column[, ax, color, …]) 在2D中绘制多维数据集。
register_matplotlib_converters([explicit]) 用matplotlib注册Pandas格式化程序和转换器
scatter_matrix(frame[, alpha, figsize, ax, …]) 绘制散点图矩阵。
通用功能
使用选项
describe_option(pat[, _print_desc]) 打印一个或多个已注册选项的说明。
reset_option(pat) 将一个或多个选项重置为默认值。
get_option(pat) 检索指定选项的值。
set_option(pat, value) 设置指定选项的值。
option_context(*args) 上下文管理器在with语句上下文中临时设置选项。
测试功能
testing.assert_frame_equal(left, right[, …]) 检查左右DataFrame是否相等。
testing.assert_series_equal(left, right[, …]) 检查左右Series是否相等。
testing.assert_index_equal(left, right[, …]) 检查左右索引是否相等。
例外和警告
errors.DtypeWarning 从文件读取列中的不同dtypes时发出警告。
errors.EmptyDataError 遇到空数据或标头时在PD . read _ CSV中引发的异常(由C和Python引擎引发)。
errors.OutOfBoundsDatetime -
errors.ParserError 由PD . read _ CSV中遇到的错误引发的异常。
errors.ParserWarning 读取不使用默认“c”分析器的文件时发出警告。
errors.PerformanceWarning 可能影响性能时发出警告。
errors.UnsortedIndexError 尝试获取多索引切片时引发错误,并且该索引尚未进行词法排序。
errors.UnsupportedFunctionCall 尝试在Pandas对象上调用numpy函数时引发异常,但该对象不支持该函数
数据类型相关功能
api.types.union_categoricals(to_union[, …]) 组合类列表类、联合类。
api.types.infer_dtype 有效推断传递的val或类似列表的值数组的类型。
api.types.pandas_dtype(dtype) 将输入转换为仅Pandasdtype对象或numpy dtype对象。
型内省
api.types.is_bool_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为布尔dtype。
api.types.is_categorical_dtype(arr_or_dtype) 检查数组状或dtype是否属于分类dtype。
api.types.is_complex_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为复杂的dtype。
api.types.is_datetime64_any_dtype(arr_or_dtype) 检查提供的数组或dtype是否为datetime64 dtype。
api.types.is_datetime64_dtype(arr_or_dtype) 检查阵列状或dtype是否为datetime64 dtype。
api.types.is_datetime64_ns_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为datetime64 [ ns ] dtype。
api.types.is_datetime64tz_dtype(arr_or_dtype) 检查阵列状或dtype是否为DatetimeTZDtype dtype。
api.types.is_extension_type(arr) 检查类数组是否属于Pandas扩展类实例。
api.types.is_float_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为浮点dtype。
api.types.is_int64_dtype(arr_or_dtype) 检查提供的数组或dtype是否为int64 dtype。
api.types.is_integer_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为整数dtype。
api.types.is_interval_dtype(arr_or_dtype) 检查阵列状或dtype是否为间隔dtype。
api.types.is_numeric_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为数字dtype。
api.types.is_object_dtype(arr_or_dtype) 检查阵列状或dtype是否为物件dtype。
api.types.is_period_dtype(arr_or_dtype) 检查数组类型或dtype是否为周期dtype。
api.types.is_signed_integer_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为带符号整数dtype。
api.types.is_string_dtype(arr_or_dtype) 检查提供的数组或dtype是否为字符串dtype。
api.types.is_timedelta64_dtype(arr_or_dtype) 检查阵列状或dtype是否为timedelta 64 dtype。
api.types.is_timedelta64_ns_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为timedelta 64 [ ns ] dtype。
api.types.is_unsigned_integer_dtype(arr_or_dtype) 检查所提供的数组或dtype是否为无符号整数dtype。
api.types.is_sparse(arr) 检查阵列状是否为Pandas稀疏阵列。
反复反省
api.types.is_dict_like(obj) 检查对象是否像dict一样。
api.types.is_file_like(obj) 检查对象是否为类文件对象。
api.types.is_list_like(obj) 检查对象是否类似列表。
api.types.is_named_tuple(obj) 检查对象是否为命名元组。
api.types.is_iterator(obj) 检查对象是否是迭代器。
标量内省
api.types.is_bool -
api.types.is_categorical(arr) 检查类数组是否是分类实例。
api.types.is_complex -
api.types.is_datetimetz(arr) 检查阵列状是否为dtype中含有时区元件的日期时间阵列状。
api.types.is_float -
api.types.is_hashable(obj) 如果哈希( obj )成功,则返回True,否则返回False。
api.types.is_integer -
api.types.is_interval -
api.types.is_number(obj) 检查对象是否为数字。
api.types.is_period(arr) 检查阵列状是否为周期性索引。
api.types.is_re(obj) 检查对象是否为regex模式实例。
api.types.is_re_compilable(obj) 检查对象是否可以编译成regex模式实例。
api.types.is_scalar 如果给定值是标量,则返回True。
延长
这些主要是为图书馆的作者打算扩展Pandas的对象。
api.extensions.register_dataframe_accessor(name) 在DataFrame对象上注册自定义访问者。
api.extensions.register_series_accessor(name) 在Series对象上注册自定义访问者。
api.extensions.register_index_accessor(name) 在索引对象上注册自定义访问者。
api.extensions.ExtensionDtype 自定义数据类型,要与扩展数组配对。
api.extensions.ExtensionArray 自定义一维数组类型的抽象基类。

你可能感兴趣的:(Pandas V0.23.1函数手册(中文翻译版))