pandas函数汇总，来下载

### pandas函数汇总与详解 #### 一、导入数据 Pandas 是一个强大的 Python 数据分析库，提供了多种方式来导入各种格式的数据。 - **pd.read_csv(filename)**：从 CSV 文件读取数据。 - **pd.read_table(filename)**：从任何分隔符（如制表符）分隔的文本文件读取数据。 - **pd.read_excel(filename)**：从 Excel 文件读取数据。 - **pd.read_sql(query, connection_object)**：从 SQL 数据库或表读取数据。 - **pd.read_json(json_string)**：从 JSON 格式的字符串、URL 或文件读取数据。 - **pd.read_html(url)**：解析 HTML URL、字符串或文件，并将表格提取为 DataFrame 列表。 - **pd.read_clipboard()**：从剪贴板获取内容，并传递给 `read_table()` 函数处理。 - **pd.DataFrame(dict)**：从字典创建 DataFrame，其中键作为列名，值作为数据列表。 #### 二、导出数据 同样地，Pandas 提供了丰富的工具来导出数据到不同格式。 - **df.to_csv(filename)**：将 DataFrame 写入 CSV 文件。 - **df.to_excel(filename)**：将 DataFrame 写入 Excel 文件。 - **df.to_sql(table_name, connection_object)**：将 DataFrame 写入 SQL 表。 - **df.to_json(filename)**：将 DataFrame 写入 JSON 格式文件。 - **df.to_html(filename)**：将 DataFrame 保存为 HTML 表格。 - **df.to_clipboard()**：将 DataFrame 写入剪贴板。 #### 三、创建测试对象 这些方法对于测试非常有用。 - **pd.DataFrame(np.random.rand(20, 5))**：创建包含 5 列和 20 行随机浮点数的 DataFrame。 - **pd.Series(my_list)**：从可迭代对象 `my_list` 创建 Series。 - **df.index = pd.date_range('1900/1/30', periods=df.shape[0])**：为 DataFrame 添加日期索引。 #### 四、查看/检查数据 - **df.head(n)**：显示 DataFrame 的前 n 行。 - **df.tail(n)**：显示 DataFrame 的后 n 行。 - **df.shape()**：返回 DataFrame 的行数和列数。 - **df.info()**：显示 DataFrame 的索引、数据类型和内存使用情况的信息。 - **df.describe()**：对于数值型列提供摘要统计信息。 - **s.value_counts(dropna=False)**：查看唯一值及其计数，不忽略缺失值。 - **df.apply(pd.Series.value_counts)**：对所有列应用 `value_counts` 方法，获取各列的唯一值及其计数。 #### 五、选择数据 - **df[col]**：返回带有标签 col 的列作为 Series。 - **df[[col1, col2]]**：返回指定列作为新的 DataFrame。 - **s.iloc[0]**：基于位置进行选择。 - **s.loc[0]**：基于索引进行选择。 - **df.iloc[0, :]**：选择第一行。 - **df.iloc[0, 0]**：选择第一列的第一元素。 #### 六、数据清洗 - **df.columns = ['a', 'b', 'c']**：重命名列名。 - **pd.isnull()**：检查是否存在空值，返回布尔数组。 - **pd.notnull()**：与 `isnull()` 相反，检查非空值。 - **df.dropna()**：删除所有包含空值的行。 - **df.dropna(axis=1)**：删除所有包含空值的列。 - **df.dropna(axis=1, thresh=n)**：删除具有少于 n 个非空值的所有行。 - **df.fillna(x)**：用 x 替换所有空值。 - **s.fillna(s.mean())**：用均值替换所有空值。 ### 总结 通过上述内容可以看出，Pandas 提供了丰富的函数来帮助用户完成数据导入、导出、创建测试数据集、查看数据、选择数据以及数据清洗等工作。掌握这些函数能够极大地提高数据分析工作的效率。在实际工作中，根据具体需求灵活运用这些函数，可以快速实现数据的预处理、清洗及可视化等操作。