Python-pandas-DataFrame全功能函数详解

Python-pandas-DataFrame全部 功能 函数

提示：帮帮志会陆续更新非常多的IT技术知识，希望分享的内容对您有用。本章分享的是pandas的使用语法。前后每一小节的内容是存在的有：学习and理解的关联性。【帮帮志系列文章】：每个知识点，都是写出代码和运行结果且前后关联上的去分析和说明（能大量节约您的时间）。
所有文章都不会直接把代码放那里，让您自己去看去理解。我希望我的内容对您有用而努力~

python语法-pandas第三节-附 ：本小节是 DataFrame全系列分享(使用.特点.说明.外部文件数据.取值.功能函数.统计函数)的DataFrame 全部 功能 函数

详细的 DataFrame：
链接: DataFrame全系列分享(使用.特点.说明.语法.外部文件数据.取值.功能函数.统计函数.增删改查)
【上榜文章】一文搞定DataFrame，非常详细的Python-Pandas - DataFrame全系列分享。大量案例且晦涩难懂的有大白话解释。详细的扩展内容也额外写了其他更加细节全面的文章链接在里面，来保证DataFrame的全部内容,本文就是其中一个扩展篇 ： **功能函数篇**

文章目录

一、功能函数附录

二、示例代码

这里代码直接开始演示分享功能函数的使用
(可能不会DataFrame的萌新小白，会看晕)，如：DataFrame不同语法声明，DataFrame取值或者交叉取值(增删改查)。及DataFrame的特点和语法什么的，此篇文章就不写了。因为不然就重复了。可以点击文章开头的那个链接去查看(那个链接的文章里面又往外扩了很多针对性的不同 更加细节文章[如本文]。来 帮助掌握理解DataFrame。)

import pandas as pd
# 创建 DataFrame
data = {
    'name': ['bangbangzhi', 'hello', 'python', 'what'],
    'age': [25, 30, 35, 40],
    'city': ['chengdu', 'beijing', 'shanghai', 'tianjin']
}
df = pd.DataFrame(data)

# 查看前两行数据
print(df.head(2)) #当前一共四行

#tail(n) 后几行，和这里很像

import pandas as pd
# 创建 DataFrame
data = {
    'name': ['bangbangzhi', 'hello', 'python', 'what'],
    'age': [25, 30, 35, 40],
    'city': ['chengdu', 'beijing', 'shanghai', 'tianjin']
}
df = pd.DataFrame(data)

# 查看 DataFrame 的基本信息
print(df.info())

# 获取描述统计信息
print(df.describe())

#shape  和上面两个使用一样，您输出看一下就明白了(我篇幅太长了)  形状就是 x*x 的表格，如2*3 2行3列

import pandas as pd
# 创建 DataFrame
data = {
    'name': ['bangbangzhi', 'hello', 'python', 'what'],
    'age': [25, 30, 35, 40],
    'city': ['chengdu', 'beijing', 'shanghai', 'tianjin']
}
df = pd.DataFrame(data)
#返回所有列名
print(df.columns)
#返回所有行索引
print(df.index)

#dtypes  返回数据类型

import pandas as pd
# 创建 DataFrame
data = {
    'name': ['bangbangzhi', 'hello', 'python', 'what'],
    'age': [25, 30, 35, 40],
    'city': ['chengdu', 'beijing', 'shanghai', 'tianjin']
}
df = pd.DataFrame(data)
# 按年龄排序
df_sorted = df.sort_values(by='age', ascending=False)
print(df_sorted)

#sort_index 行索引排序
#当前我没有指定行索引(默认从0开始，目前代码行索引排序没意义)
#可以指定某列数据为行索引[时间日期] 指定声明注意啥的。真的~查阅文章开头那个文章，很全的,时间为行索引有案例。这里没法写

# 处理缺失值（填充缺失值）
df['age'] = df['age'].fillna(30)

#如果age列某一行没有数据，就用30来填充
#填充完毕：print(df) 可以看一下。如果有空的就补充上了30

常用，至于补充多少看需求。可能是0。因为一般数字列会使用统计函数，空值会影响结果的
（统计函数 [最大最小和值平均] 全部内容在另一个文章里面）
如：

# 计算分组统计（按城市分组，计算平均年龄）
print(df.groupby('city')['age'].mean())

#大概一提：没那么复杂，前半句.groupby('city')按城市分组。后半句['age'].mean()
#mean就是统计函数函数的知识点，然后配合了取值语法。
#对吧~ 这里可能感觉 我刚刚说：(可能不会DataFrame的萌新小白，会看晕)，如：.....

==============================
后面的，全是重复的(和其他文章重复)

#取值
#loc[]	
#iloc[]  

#concat()
#合并

# 导出文件
#df.to_csv('output.csv', index=False)

真不是我偷懒，怎么可能偷懒
取值？我是写了大量案例，放到全系列DataFrame里面的。全系列DataFrame文章也是从介绍到画图理解，到简介语法，到xxxxx。最后到了取值，写了大量取值。。。。最后额外单写了一篇链接，在全系列DataFrame里面。
看链接: DataFrame取值–.loc[]、.iloc[] 具体的操作及详细语义和语法说明

然后
后面的函数，全部重复了。
全系列DataFrame是从0到全部。有分享逻辑顺序，遇到报错(甚至有专门报错的额外篇)，遇到xxx(有专门xxx的额外篇)
csv ，json , execl 导入导出 应有尽有
现在方法df.to_csv(‘output.csv’, index=False)演示没有意义了。
看链接: 操作csv文件(读取数据/写入数据)及csv语法详细分享

总结

如果哪个本文函数，找不到案例或者还是明白，可以评论。我改~改文章(加一段)
（会陆续更新非常多的IT技术知识及泛IT的电商知识，可以点个关注，共同交流。ღ( ´･ᴗ･` )比心）
（也欢迎评论，提问。 我会依次回答~）

作者：帮帮志