2021-08-04

第七节 pandas函数应用

1. 直接使用numpy函数

• 求绝对值

  
  
  image.png

• 求最大值，默认axis=0为列

  
  
  image.png

2. apply和applymap

2.1 apply将函数应用到行或者列,默认axis=0方向为列

• 求各行列最大值（匿名函数）

  
  
  image.png

2.2 匿名函数一行解决不了时，可以选择自定义函数

• 求各行列最大值（自定义函数）

  
  
  image.png

2.3 在一个数组中沿轴应用一个函数

• 求各行列最大值（应用自定义函数）

  
  
  image.png

2.4 applymap将函数应用到每个数据

• 保留两位小数

  
  
  image.png

3. 排序

3.1 按索引排序s1.sort_index() # ascending=True 默认升序

• s1.sort_index(axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True)

  
  
  image.png
  
  
  image.png

3.2 按轴排序

image.png

3.3 按值排序

• s1.sort_values(axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')

  
  
  image.png
• 注意相同值的优先级
• pd1.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')

• by行或列的排序优先级

  
  
  image.png
  
  
  image.png

4. 唯一值和成员属性

image.png

5.数据个数统计

image.png

image.png

image.png

6. 处理缺失值

6.1 检测缺失值 df3.isnull()

image.png

6.2 检测非缺失值 df3.notnull()

image.png

6.3 删除，默认删除缺失值所在的行 df3.dropna()

image.png

• df3.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
• “how='any'：如果存在任何NA值，请删除该行或列。

• “how='all'：如果所有值均为NA，则删除该行或列。

  
  
  image.png

6.4 填充缺失值 df3.fillna(1）

• 用平均值填充缺失值

  
  
  image.png
• 上下填充
• df3.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)
• method='pad'或'ffill'将上一个有效数据往下填充

• method='backfill'或'bfill'将下一个有效数据往上填充

  
  
  image.png