pandas基础语法

目录

一.数据结构series创建

二、数据表信息查看

三、数据表清洗

四、数据预处理

五、数据提取

六、数据筛选

七、数据汇总

八、数据统计

九、数据输出


一.数据结构series创建

 pd.Series(data=None,index=None,dtype=None,name=None,copy=False)
 data:输入的数据,可以是列表,常量,ndarray数组等
 index:索引值,必须是可散列的(不可变数据类型(str,bytes和数值类型)),并且与数据具有
 dtype:输出系列的数据类型,如果未指定,将从数据中推断
 name:为Series定义一个名称    
 copy:表示对data拷贝,默认为False,仅影响Series和ndarray
 ​
 import pandas as pd
 ar = [3,5,6,8,1,3]
 sl = pd.Series(ar)
 print(sl)
 -->
 0    3
 1    5
 2    6
 3    8
 4    1
 5    3
 dtype: int64
 ​
 #通过index和values取得对应的值
 sl.index
 sl.values
 print(sl.index,sl.values)
 ​
 sl[1]取得索引为1的值
 sl[1]=30改变对应的索引值
 #不能通过负值,从后向前找值
 #通过不存在的索引找值,会报错,但也会加新值
 #新增不同类型索引的数据,索引的类型也会变化
 sl['a']='ad'
 sl-->dtype='object'
 ​
 #如果标签非整形,既可以用标签取值,也可以用标签下标取值

 2、导入CSV或者xlsx文件:

 df = pd.DataFrame(pd.read_csv('name.csv',header=1))
 df = pd.DataFrame(pd.read_excel('name.xlsx'))

 import pandas as pd
 from collections import namedtuple
 ​
 Item = namedtuple('Item', 'reply pv')
 items = []
 ​
 with codecs.open('reply.pv.07', 'r', 'utf-8') as f: 
     for line in f:
         line_split = line.strip().split('\t')
         items.append(Item(line_split[0].strip(), line_split[1].strip()))
 ​
 df = pd.DataFrame.from_records(items, columns=['reply', 'pv'])
 ​
 ​

3、用pandas创建数据表:

 ​
 df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
  "date":pd.date_range('20130102', periods=6),
   "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
  "age":[23,44,54,32,34,32],
  "category":['100-A','100-B','110-A','110-C','210-A','130-F'],
   "price":[1200,np.nan,2133,5433,np.nan,4432]},
   columns =['id','date','city','category','age','price'])

二、数据表信息查看

1、维度查看:

 df.shape

2、数据表基本信息(维度、列名称、数据格式、所占空间等)

 df.info()

3、每一列数据的格式:

 df.dtypes

4、某一列格式:

 df['B'].dtype

5、空值:

 df.isnull()

6、查看某一列空值:

 df['B'].isnull()

7、查看某一列的唯一值:

 df['B'].unique()

8、查看数据表的值:

 df.values 

9、查看列名称:

 df.columns
 #使用df['列']=值,插入新数据
 ​
 df.insert(loc,column,value,allow_duplicates=False)
 loc:整型,插入索引,必须验证0<=loc<=len
 column:插入列的标签,类型可为(字符串/数字/散列对象)
 value:数值,Series或者数组
 allow_duplicates:允许重复,可以有相同的列标签数据,默认为False
 ​
 info=[['王杰',18],['李杰',20],['张杰',21]]
 df = pd.DataFrame(info,columns=['name','age'])
 print(df)
 -->
   name  age
 0   王杰   18
 1   李杰   20
 2   张杰   21
 df.insert(2,column='score',value=[91,90,75])
 print(df)
 -->
   name  age  score
 0   王杰   18     91
 1   李杰   20     90
 2   张杰   21     75
 ​

10、查看前5行数据、后5行数据:

 df.head() #默认前5行数据
 df.tail()    #默认后5行数据

11.append追加数据 #在新版本中即将取消

 df.append(other,ignore_index=False,verify_integrity=False,sort=False)
 other:DataFrame或Series/dict类对象,或这些对象的列表
 ignore_index:若为True将不适用index标签
 verify_integrity:若为True,则创建具有重复项的索引时引发valueError
 sort:排序
 #添加时需指定行标签,或忽略index    
 d2 =  {'name':'dd','age':13}    
 1.df3 = df.append(d2,ignore_index=True)#忽略index 
 2.s = pd.Series(d2,name='a')#设定行
   df3 = df.append(s)
 print(df3)  
 ​
 #添加列表,list是二维的,则以行的形式追加
 #如果list为一维的,以列的形式追加
 #如果list是三维的,只添加一个值
 a_1 = [[10,20,30]]
 df4 = df.append(a_1)
 -->
    one  two  three     0     1     2
 a  1.0  1.0    1.0   NaN   NaN   NaN
 b  2.0  3.0    3.0   NaN   NaN   NaN
 c  3.0  4.0    5.0   NaN   NaN   NaN
 d  NaN  6.0    7.0   NaN   NaN   NaN
 e  NaN  NaN    9.0   NaN   NaN   NaN
 0  NaN  NaN    NaN  10.0  20.0  30.0
 df5 = df.append(a_1,ignore_index=True)
 --->
    one  two  three     0     1     2
 0  1.0  1.0    1.0   NaN   NaN   NaN
 1  2.0  3.0    3.0   NaN   NaN   NaN
 2  3.0  4.0    5.0   NaN   NaN   NaN
 3  NaN  6.0    7.0   NaN   NaN   NaN
 4  NaN  NaN    9.0   NaN   NaN   NaN
 5  NaN  NaN    NaN  10.0  20.0  30.0
 ​
 ​

12.删除缺失值

 df.dropna(axis=0,how='any',thresh=None,subset=None,inplace=False)
 axis    0为行 1为列,default 0,数据删除维度
 how {‘any’, ‘all’}默认为any,
     any:删除带有nan的行;all:删除全为nan的行
 thresh  int,保留至少 int 个非nan行
 subset  list,在特定列缺失值处理
 inplace bool,是否修改源文件
 ​
 >>>df
        name        toy       born
 0    Alfred        NaN        NaT
 1    Batman  Batmobile 1940-04-25
 2  Catwoman   Bullwhip        NaT
 >>>df.dropna()#删除至少缺少一个元素的行:
      name        toy       born
 1  Batman  Batmobile 1940-04-25
 #删除至少缺少一个元素的列:
 >>>df.dropna(axis=1)
        name
 0    Alfred
 1    Batman
 2  Catwoman
 #删除所有元素丢失的行:
 >>>df.dropna(how='all')
        name        toy       born
 0    Alfred        NaN        NaT
 1    Batman  Batmobile 1940-04-25
 2  Catwoman   Bullwhip        NaT
 #只保留至少2个非NA值的行:
 >>>df.dropna(thresh=2)
        name        toy       born
 1    Batman  Batmobile 1940-04-25
 2  Catwoman   Bullwhip        NaT
 #修改原数据:
 >>>df.dropna(inplace=True)
 >>>df
      name        toy       born
 1  Batman  Batmobile 1940-04-25
 ​

三、数据表清洗

1.fillna函数:

作用:补充缺失值

 fillna(value,inplace,method,limit,axis)
 指定参数的情况下进行缺失值填充
 1、inplace参数的取值:True、False
     True:直接修改原对象
     Fasle:创建一个副本,修改副本,原对象不变(缺失默认)
 2、method参数的取值:{'pad','ffill','backfill','bfill','None'}
        pad/ffill:用前一个非缺失值去填充该缺失值
        backfill/bfill:用下一个非缺失值填充该缺失值
        None:指定一个值去替换缺失值(缺失默认)
 3.limit参数:限制填充个数
 4.axis参数:修改填充方向
 5.value:填充值
 6.downcast:    

1、用数字0填充空值:

 df.fillna(value=0)

2、使用列prince的均值对NA进行填充:

 df['prince'].fillna(df['prince'].mean())

3、清除city字段的字符空格:

 df['city']=df['city'].map(str.strip)

4、大小写转换:

 df['city']=df['city'].str.lower()

5、更改数据格式:

 df['price'].astype('int')    

6、更改列名称:

 df.rename(columns={'category': 'category-size'}) 

7、删除后出现的重复值:

 drop_duplicates(self, subset: None, keep: 'first', inplace: False, ignore_index:False)
 subset : 指定重复数据所在的列。
 keep : {'first', 'last', False},
         first: 除了第一次出现以外,删除重复项。
         last: 除了第一次出现以外,删除重复项。
         False : 删除所有重复项。
 inplace : True:直接在原始数据删除,
           False:不直接在原始数据删除,并生成一个副本。       
 ignore_index : True/False,False重新定义索引从0开始
 ​

 df['city'].drop_duplicates()

8 、删除先出现的重复值:

 df['city'].drop_duplicates(keep='last')

9、数据替换:

 df['city'].replace('sh', 'shanghai')

10.删除数据:

 del和pop
 pop会返回删除的值
 d = {'one':pd.Series([1,2,3],index=['a','b','c']),
     'two':pd.Series([1,2,3,4],index=['a','b','c','d'])}
 df = pd.DataFrame(d)
 del df['one']
 print(df)
 -->
    two
 a    1
 b    2
 c    3
 d    4
 res_pop = df.pop('two')
 print(res_pop)
 -->
 a    1
 b    2
 c    3
 d    4
 Name: two, dtype: int64
         
 drop('行标签')
 DataFrame.drop(labels=None,axis=0, index=None, columns=None, inplace=False)
 labels 就是要删除的行列的名字,用列表给定,标签找不到会报错
 axis 默认为0,指删除行,因此删除columns时要指定axis=1;
 index 直接指定要删除的行
 columns 直接指定要删除的列
 inplace=False,默认该删除操作不改变原数据,而是返回一个执行删除操作后的新dataframe;
 inplace=True,则会直接在原数据上进行删除操作,删除后无法返回。
 因此,删除行列有两种方式:
 1)labels=None,axis=0 的组合
 2)index或columns直接指定要删除的行或列
 ​
 df = df.drop(0)#1.源数据=修改后的数据
 df = df.drop(1)#2.添加inplace=True        
 ​
 ​

11.DataFrame各类用法

 #1.转置:df.T,把行和列进行交换源数据未变化
 #2.df.axes:返回一个行标签,列标签组成的列表
 #3.df.dtypes:返回Series,每一列的数据类型
 #4.df.empty:判断df是否为空
     if not df.empty:#判断是否为真
         print('....')
 #5.df.columns:返回DataFrame所有列标签
     df.columns.size
 #6.df.shape返回一个元祖,获取列数和行数,表示DataFrame维度
 #7.df.values以数组形式返回数据
 #8.df.head获取前面数列,默认前5行
 #9.df.tail获取后面数列,默认后5行
 #10.df.rename(index=None,columns=None,inplace=False)
     index:修改后的行标签名
     columns:修改后的列标签名
     inplace:默认为False,不改变源数据,返回修改后的值
             True改变源数据
 #11.df.info打印DataFrame的简要摘要,显示DataFrame的信息,包括索引数据类型dtype和列的数据类型,非空值的数量和内存使用情况
 #12.df.sort_index(axis=0,ascending=True,inplace=False)
     默认根据行标签对所有行排序,或根据列标签对所有列排序,或根据指定某列或某几列对行排序
     df.sort_index()和df.sort_values()完全相同,但Python推荐在对根据行标签对所有行排序,或根据列标签对所有列排序时用第一种;
     其他时候用df.sort_values()
 axis:0按照行名排序;1按照列名排序,默认为0
 ascending:默认True升序排列;False降序排列
 inplace:默认False,否则排序之后的数据直接替换原来的数据
 ​
 df.sort_values(by,axis=0,ascending=True,inplace=False,  kind='quicksort',na_position='last')
 #注意指定by参数,即必须指定那几行或那几列
 by:如果axis=0,by='列名';如果axis=1,by='行名'
 axis:默认为0    
 ascending:同上
 inplace:同上
 na_position:默认缺少值排在最后('first','last')  
     df = pd.DataFrame({'b':[1,2,3,2],'a':[4,5,2,7],'c':[1,6,3,8]},index=[2,0,1,3])
     -->
        b  a  c
     2  1  4  1
     0  2  5  6
     1  3  2  3
     3  2  7  8
 #先按b列降序,再按a列升序排序    
 df.sort_values(by=['b','a'],ascending=[False,True])
 -->
    b  a  c
 1  3  2  3
 0  2  5  6
 3  2  7  8
 2  1  4  1
 #按行3升序排列
 df.sort_values(by=3,axis=1)#必须指定axis=1
    b  a  c
 2  1  4  1
 0  2  5  6
 1  3  2  3
 3  2  7  8
 s = df.sort_values(by='b',axis=0)#把b列排序
 -->   
    b  a  c
 2  1  4  1
 0  2  5  6
 3  2  7  8
 1  3  2  3
 #先按行3升序,行0降序
 df.sort_values(by=['3','0'],axis=1,ascending=[True,False])

四、数据预处理

 DataFrame
 特点:1.每一列标签值允许使用不同的数据类型
      2.是表格型的数据结构,具有行和列
      3.中间的每个数据都可以被修改
      4.有两个方向的标签轴,分别是行标签和列标签
      5.对行和列执行算术运算
 DataFrame(data=None,index=None,columns=None,dtype=None,copy=None)    
 总结:
 列表出发:表示一行一行数据
     1.列表嵌套列表:[['你今年','34'],['你今年','23']]
     #使用默认的列表标签
     2.列表嵌套字典:[{'a':1,'b':2},{'a':1,'b':2,'c':3}]
     #使用字典的key作为数据    
 字典出发:表示一列一列数据        
     1.字典对应值是列表:{'name':['a','b','c'],'age':[12,14,16]}    
     #行使用默认标签
     2.字典对应值是Series
     {'one':pd.Series([1,2,3],index=['a','b','c']),
     'two':pd.Series([1,2,3,4],index=['a','b','c','d'])}
     #行和列都是设置的标签,并且还可以指定列的数据类型
 #列不可以切片    
 df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], 
 "gender":['male','female','male','female','male','female','male','female'],
 "pay":['Y','N','Y','Y','N','Y','N','Y',],
 "m-point":[10,12,20,40,40,40,30,20]})
 ---->
      id  gender pay  m-point
 0  1001    male   Y       10
 1  1002  female   N       12
 2  1003    male   Y       20
 3  1004  female   Y       40
 4  1005    male   N       40
 5  1006  female   Y       40
 6  1007    male   N       30
 7  1008  female   Y       20

1、数据表合并

1.1 merge

 df_inner=pd.merge(df,df1,how='inner')  # 匹配合并,交集
 df_left=pd.merge(df,df1,how='left')        #
 df_right=pd.merge(df,df1,how='right')
 df_outer=pd.merge(df,df1,how='outer')  #并集

1.2 append

 result = df1.append(df2)

1.3 join

 result = left.join(right, on='key')

1.4 concat

 pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
               keys=None, levels=None, names=None, verify_integrity=False,
               copy=True)
 ​
 objs︰ 一个序列或系列、 综合或面板对象的映射。如果字典中传递,将作为键参数,使用排序的键,除非它传递,在这种情况下的值将会选择
 (见下文)。任何没有任何反对将默默地被丢弃,除非他们都没有在这种情况下将引发 ValueError。
 axis: {0,1,…},默认值为 0。要连接沿轴。
 join: {‘内部’、 ‘外’},默认 ‘外’。如何处理其他 axis(es) 上的索引。联盟内、 外的交叉口。
 ignore_index︰ 布尔值、 默认 False。如果为 True,则不要串联轴上使用的索引值。由此产生的轴将标记
 0,…,n-1。这是有用的如果你串联串联轴没有有意义的索引信息的对象。请注意在联接中仍然受到尊重的其他轴上的索引值。
 join_axes︰ 索引对象的列表。具体的指标,用于其他 n-1 轴而不是执行内部/外部设置逻辑。 keys︰
 序列,默认为无。构建分层索引使用通过的键作为最外面的级别。如果多个级别获得通过,应包含元组。
 levels︰ 列表的序列,默认为无。具体水平 (唯一值) 用于构建多重。否则,他们将推断钥匙。
 names︰ 列表中,默认为无。由此产生的分层索引中的级的名称。
 verify_integrity︰ 布尔值、 默认 False。检查是否新的串联的轴包含重复项。这可以是相对于实际数据串联非常昂贵。
 副本︰ 布尔值、 默认 True。如果为 False,请不要,不必要地复制数据。
 例子:1.frames = [df1, df2, df3]
           2.result = pd.concat(frames)

2、设置索引列

 df_inner.set_index('id')

3、按照特定列的值排序:

 df_inner.sort_values(by=['age'])

4、按照索引列排序:

 df_inner.sort_index()

5、如果prince列的值>3000,group列显示high,否则显示low:

 df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

6、对复合多个条件的数据进行分组标记

 df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

7、对category字段的值依次进行分列,并创建数据表,索引值为df_inner的索引列,列名称为category和size

 pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])

8、将完成分裂后的数据表和原df_inner数据表进行匹配

 df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

五、数据提取

主要用到的三个函数:loc,iloc和ix,loc函数按标签值进行提取,iloc按位置进行提取,ix可以同时按标签和位置进行提取。

1、按索引提取单行的数值

 df_inner.loc[3]

2、按索引提取区域行数值

 df_inner.iloc[0:5]#0行4行

3、重设索引

 df_inner.reset_index()

4、设置日期为索引

 df_inner=df_inner.set_index('date') 

5、提取4日之前的所有数据

 df_inner[:'2013-01-04']

6、使用iloc按位置区域提取数据

 df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称,而是数据所在的位置,从0开始,前三行,前两列。

7、适应iloc按位置单独提起数据

 df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行,4、5列

8、使用ix按索引标签和位置混合提取数据

 df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前,前四列数据

9、判断city列的值是否为北京

 df_inner['city'].isin(['beijing'])

10、判断city列里是否包含beijing和shanghai,然后将符合条件的数据提取出来

 df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] 

11、提取前三个字符,并生成数据表

 pd.DataFrame(df_inner['category'].str[:3])

12.行列切片

 #标签为b的行到标签为d的行,对应标签为one的列
 df.loc['b':'d','one']
 df.loc['b':'d','one':'three']
 #标签为b的行和标签为d的行,对应标签为one的列到标签为two的列
 df.loc[['b','d'],['one','two']]

六、数据筛选

使用与、或、非三个条件配合大于、小于、等于对数据进行筛选,并进行计数和求和。

1、使用“与”进行筛选

 df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

2、使用“或”进行筛选

 df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) 

3、使用“非”条件进行筛选

 df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 

4、对筛选后的数据按city列进行计数

 df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

5、使用query函数进行筛选

 df_inner.query('city == ["beijing", "shanghai"]')

6、对筛选后的结果按prince进行求和

 df_inner.query('city == ["beijing", "shanghai"]').price.sum()

七、数据汇总

主要函数是groupby和pivote_table

1、对所有的列进行计数汇总

 df_inner.groupby('city').count()

2、按城市对id字段进行计数

 df_inner.groupby('city')['id'].count()

3、对两个字段进行汇总计数

 df_inner.groupby(['city','size'])['id'].count()

4、对city字段进行汇总,并分别计算prince的合计和均值

 df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 

八、数据统计

数据采样,计算标准差,协方差和相关系数

1、简单的数据采样

 df_inner.sample(n=3) 

2、手动设置采样权重

 weights = [0, 0, 0, 0, 0.5, 0.5]
 df_inner.sample(n=2, weights=weights) 

3、采样后不放回

 df_inner.sample(n=6, replace=False) 

4、采样后放回

 df_inner.sample(n=6, replace=True)

5、 数据表描述性统计

 df_inner.describe().round(2).T #round函数设置显示小数位,T表示转置

6、计算列的标准差

 df_inner['price'].std()

7、计算两个字段间的协方差

 df_inner['price'].cov(df_inner['m-point']) 

8、数据表中所有字段间的协方差

 df_inner.cov()

9、两个字段的相关性分析

 df_inner['price'].corr(df_inner['m-point']) #相关系数在-1到1之间,接近1为正相关,接近-1为负相关,0为不相关

10、数据表的相关性分析

 df_inner.corr()

九、数据输出

分析后的数据可以输出为xlsx格式和csv格式

1、写入Excel

 df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc') 

2、写入到CSV

 df_inner.to_csv('excel_to_python.csv') 

3.读取文件

 read_csv()
 read_excel()
 read_json()
 read_sql_query()
 ​
 常用参数
 read_csv(url/r'文件名')
 dtype(str/int)#设置每列类型
 converters#读取数据时对列数据进行交换,例如converters={'id':lambda x:int(x)+10}
 true_values/false_values=['..']#那些值该被替换为true/false
 #只有某一列值全部出现在true_values+false_values里面,才会被替换
 skiprows:表示过滤行,先过滤在确定表头
     skiprows=[0,3]
     skiprows=lambda x:x>0 and x%2==0#去除x>0且能整除2的数
 skipfooter:从文件末尾过滤行,使用时要设置引擎,和编码
     skipfooter=1,engine='python',encoding='utf-8'
 na_values:将参数设置为空   
 parse_dates:指定某些列为时间类型,一般搭配date_parser
 date_parser:有的列虽然是日期,但没办法直接转化,需要指定一个解析格式
     parse_dates=['birthday']
     date_parser=lambda x:datetime.strptime(x,'%Y年%m月%d日')
 iterator:迭代器,布尔类型,默认为False。如果为True,那么返回一个TextFileReader对象,以便逐块处理文件。在文件很大时使用    
     
     
     
 import os
 os.getcwd()#获取当前文件路径

4.设置头部信息

 #不指定names,指定header为1,则选取第二行当作表头,第二行下面作为数据
 pd.read_csv(r'...',header=1)
 #只设置names,原来的names会成为数据
 pd.read_csv(r'...',names=['....'])
 #都设置就可以
 pd.read_csv(r'...',header = 0,names=['....'])
 ​
 csv文件有表头且为第一行,那么names和header都无需指定
 csv有表头但不是第一行,指定header就可以
 换表头同时指定
 没有表头,手动生成

5.index_col

 pd.read_csv(r'...',index_col='')
 index_col的值有三种,整数型,序列,布尔,并且是可选的,默认是None
 如果您的文件格式不正确,每行末尾都有分隔符,则可以考虑使用index_col=false强制pandas不使用第一列作为索引(行名)。
 1.index_col 默认值(index_col = None)——重新设置一列成为index值
 2.index_col=False——重新设置一列成为index值
 3.index_col=0——第一列为index值

 所有参数
 pandas.read_csv(filepath_or_buffer, 
                 sep=NoDefault.no_default, 
                 delimiter=None, 
                 header='infer', 
                 names=NoDefault.no_default, 
                 index_col=None, 
                 usecols=None, 
                 squeeze=None, 
                 prefix=NoDefault.no_default, 
                 mangle_dupe_cols=True, 
                 dtype=None, 
                 engine=None, 
                 converters=None, 
                 true_values=None, 
                 false_values=None, 
                 skipinitialspace=False, 
                 skiprows=None, 
                 skipfooter=0, 
                 nrows=None, 
                 na_values=None, 
                 keep_default_na=True, 
                 na_filter=True, 
                 verbose=False, 
                 skip_blank_lines=True, 
                 parse_dates=None, 
                 infer_datetime_format=False, 
                 keep_date_col=False, 
                 date_parser=None, 
                 dayfirst=False, 
                 cache_dates=True, 
                 iterator=False, 
                 chunksize=None, 
                 compression='infer', 
                 thousands=None, 
                 decimal='.', 
                 lineterminator=None, 
                 quotechar='"', 
                 quoting=0, 
                 doublequote=True, 
                 escapechar=None, 
                 comment=None, 
                 encoding=None, 
                 encoding_errors='strict', 
                 dialect=None, 
                 error_bad_lines=None, 
                 warn_bad_lines=None, 
                 on_bad_lines=None, 
                 delim_whitespace=False, 
                 low_memory=True,
                 memory_map=False, 
                 float_precision=None, 
                 storage_options=None)

你可能感兴趣的:(pandas,python,开发语言,图像处理)