3. 修改数据 修改数据既可以使用之前介绍过的loc和iloc方法,也可以通过条件过滤出需要修改的值。 这里再次提醒下loc和iloc的区别: loc使用标签,iloc使用索引 loc的行和列的标签是包含端点的,iloc的行和列的索引是不包含端点的 3.1 单个数据修改 通过loc或者iloc定位到具体的元素,然后修改。 importpandasaspd df = ...
df.loc[:"地区2":,["武汉","广水"]] 4. Excel数据的拼接 在进行多张表合并的时候,我们需要将多张表的数据,进行纵向(上下)拼接。在pandas中,直接使用pd.concat()函数,就可以完成表的纵向合并。 关于pd.concat()函数,用法其实很简单,里面有一个参数ignore_index需要我们注意,ignore_index=True,表示会忽略原始...
#将df2合并到df1的下面,以及重置index,并打印出结果 res = df1.append(df2, ignore_index=True) print(res) # a b c d # 0 0.0 0.0 0.0 0.0 # 1 0.0 0.0 0.0 0.0 # 2 0.0 0.0 0.0 0.0 # 3 1.0 1.0 1.0 1.0 # 4 1.0 1.0 1.0 1.0 # 5 1.0 1.0 1.0 1.0 # 合并多个df,将df2与df3合并...
1. 使用单个标签data.loc[10,'salary'] # 9千-1.3万2. 单个标签的list data.loc[:,'name'][:5] 3. 标签的切片对象data.loc[:,['name','salary']][:5] iloc iloc是基于位置的索引,利用元素在各个轴上的索引序号进行选择,序号超出范围会产生IndexError,切片时允许序号超过范围,用法包括: 1. 使用整数...
.loc总是使用标号,并且包含间隔的两端。 .iloc总是使用“位置索引”并排除右端。 使用方括号而不是圆括号的目的是为了访问Python的切片约定:你可以使用单个或双冒号,其含义是熟悉的start:stop:step。像往常一样,缺少开始(结束)意味着从序列的开始(到结束)。step参数允许使用s.iloc[::2]引用偶数行,并使用s['Pa...
df1.set_index('id')#把id列设置为索引列 #按索引提取单行的数值 df_inner.loc[5]#提取“索引值”为5的那一行数据,也就是第6行 #按索引提取区域行数值 df_inner.iloc[0:3]#用切片提取前3行 #重设索引 df_inner.reset_index()#再设置一条索引 ...
s2=s2.reset_index() s2.columns=['name','value'] ``` 3、转置操作 如果需要把数据框进行线代中的‘转置’:(这个步骤没有保存结果到变量s2中) 目前并没有发现实际作用 ``` pd.DataFrame(s2).T ``` 4、Series 查看数据类型 ``` Series名字.dtypes ...
In [17]: ind = pd.Index([2,3,4,5,7]) In [18]: ind Out[18]: Int64Index([2,3,4,5,7], dtype='int64') 数据选择方式 Series 将Series看作Series看作字典,用键值映射。 将Series看作一维数组,可以索引、掩码和花哨。 索引器:loc\iloc和ix ...
pd.concat([df1,df2],axis=0,ignore_index=True)#ignore_index=True,重置索引,默认False 1.2多表合并(合并行) pd.concat([df1,df2,...],axis=0,ignore_index=True) 2.数据排序和排名: 2.1数据排序 df.sort_values(by=['列名']) df.sort_values(by=['列1','列2']) ...
1.1 df.loc[]:增加一行数据 1.2 df.append(data=list,dict,ignore_index=True/False): 1.3 pd.concat() 2、增加列数据 2.1 df['col_name']=values 2.2 df.loc[:,'new_col_name'] = values 2.3 df.insert() 2.4 pd.concat() 2.5 增加多列 3、合并数据 3.1 pd.concat() 3.2 df.join() 3.3pd...