df[df.index == 'Liver'] # 用指定索引选取 df[0:3] # 用 [ ] 切片行,取前三行 df[0:10:2] # 在前10个中每两个取一个 df.iloc[:10,:] # 前10个 df[df.Q1 > 90] # Q1列大于90的 df[(df['Q1'] > 90) & (df['team'] == 'C')] #组合条件,用and连接 df[df['team'] =...
index.names是一个属性,用于获取或设置索引的名称。它返回一个包含索引名称的列表,其中每个元素对应一个索引级别。如果索引没有名称,则返回None。 设置索引的名称可以通过以下方式进行: 代码语言:txt 复制 import pandas as pd # 创建一个示例数据 data = {'A': [1, 2, 3], 'B': [4, 5, 6]} df =...
如果 data 是一个 ndarray，index 必须与 data 的长度相同。如果没有传递 index，将会创建一个包含值 ...
df.index.name # 行索引名称 df.index.dtype # 索引数据类型 df.index.shape # 形状 df.index.size # 元素数量,行记录条数 # df.columns.size df.index.values # 索引的值,array 数组 # df.index.value_counts() # 去重统计 # df.index.values.tolist() # array 数组转换成列表list df.index.is_u...
#设置"Name"为行索引 data= pd.read_csv("person.csv", index_col="Name") # 通过列标签选取多列数据 a= data[["City","Salary"]] print(a) 输出结果: City Salary Name Jack Beijing 22000 Lida Shanghai 19000 John Shenzhen 12000 Helen Hengshui 3500 ...
df.name.sort_values().index # 将新的索引应用到数据中 df.reindex(df.name.sort_values().index) # 上面与直接使用name排序是一个结果 df.sort_values('name') # 但是如果需要自己修改指定的顺序,则将指定顺序索引Series传给reindex() 按值大小排序 ...
df.loc[df.Q1== 8] # 等于8 df.loc[df['Q1']> 90, 'Q1':] # Q1大于90,显示Q1及其后所有列 3、函数筛选# 查询最大索引的值 df.Q1[lambdas: max(s.index)] # 值为21 # 计算最大值 max(df.Q1.index) # 99 df.Q1[df.index==99] ...
# 重命名指定行索引名称, []列表的长度必须与df行数一致,可以重复 # 输出当前的索引列名称 设置单个索引列 # 指定索引列,其中drop=False 表示保留原先索引列的数据 # 设置索引列名称 # 输出当前的索引列名称 字段去重 # unique()对某列实现去重
print(nums_df) # 输出当前的索引列名称 print(nums_df.index.name) # 设置单个索引列 nums_df=nums_df.set_index('ID',drop=True) # 指定索引列,其中drop=False 表示保留原先索引列的数据 nums_df.index.name = 'Index_From_ID' # 设置索引列名称 ...
并且可以对数据进行灵活的操作和分析。它的具体结构在下图标出。下面是一个创建DataFrame的示例。示例：import pandas as pd# 创建一个DataFramedata = {'Name': ['John', 'Emma', 'Michael'],'Age': [25, 30, 35],'City': ['New York', 'London', 'Paris']}df = pd.DataFrame(data)print(df)...