打印dataframe的形状

可以使用pandas库中的shape属性来打印DataFrame的形状，示例如下：

import pandas as pd

df = pd.read_csv('example.csv')
print(df.shape)

其中，example.csv是一个示例数据集的文件名，该数据集应该已经存储在当前工作目录中。运行以上代码将输出DataFrame的形状，即元组形式的行数和列数，如“(100, 5)”表示有100行和5列。

相关问题

查dataframe数据

在Pandas库中，DataFrame是一种二维表格型的数据结构，用于处理大量有序数据。查看DataFrame的数据主要包括以下几个步骤：

1. **打印整体数据**：使用`head()`函数显示前几行，`tail()`则显示后几行，例如 `df.head()` 或 `df.tail(5)`。

2. **查看特定列**：使用列名，如 `df['column_name']`，或者直接通过索引来查看单个元素，如 `df.iloc[0, 1]`。

3. **统计摘要**：可以使用内置的描述性统计函数，如`describe()`，获取列的计数、平均值、标准差等。

4. **查看数据形状**：使用`.shape`属性了解行数和列数，如`df.shape`。

5. **查看数据类型**：使用`.dtypes`属性查看各列的数据类型，如`df.dtypes`。

6. **检查缺失值**：`isnull()` 和 `notnull()` 可以检查数据中有多少缺失值，而`df.isna().sum()` 可计算每个列的缺失值总数。

7. **查看部分数据**：`loc[]` 或 `iloc[]` 函数可以根据行标签和列标签选择子集。

8. **可视化**：使用`matplotlib`或`seaborn`等库将数据绘制成图表，如直方图、散点图等。

# 示例
import pandas as pd

# 假设df是一个DataFrame
df.head()  # 打印前五行
df['column_name'].head()  # 查看某个列的前几行

dataframe 所有方法

以下是pandas DataFrame对象的常用方法：

1. `head(n)`：返回前n行数据，默认是前5行。
2. `tail(n)`：返回后n行数据，默认是后5行。
3. `info()`：打印DataFrame对象的摘要，包括行数、列数、数据类型、缺失值等信息。
4. `describe()`：生成描述性统计信息，包括总数、均值、标准差、最小值、25%、50%、75%和最大值。
5. `shape`：返回DataFrame对象的形状，即行数和列数。
6. `columns`：返回DataFrame对象的列名。
7. `index`：返回DataFrame对象的行标签。
8. `sort_values(by, ascending=True)`：按照指定的列进行排序，ascending参数表示是否升序，默认是升序。
9. `sort_index(axis=0, ascending=True)`：按照行或列标签进行排序，axis参数表示是按照行标签还是列标签排序，默认是按照行标签排序，ascending参数表示是否升序，默认是升序。
10. `loc[row_indexer, column_indexer]`：通过行标签或列标签来选取数据，row_indexer和column_indexer分别表示行标签和列标签，可以是单个标签、标签列表或标签切片。
11. `iloc[row_indexer, column_indexer]`：通过行索引或列索引来选取数据，row_indexer和column_indexer分别表示行索引和列索引，可以是单个索引、索引列表或索引切片。
12. `drop(labels, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise')`：删除行或列，labels参数表示要删除的行或列的标签，axis参数表示是按照行还是列删除，默认是按照行删除，inplace参数表示是否在原DataFrame对象上进行修改，默认是不修改，返回一个新的DataFrame对象。
13. `fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None)`：填充缺失值，value参数表示要填充的值，method参数表示填充方法，可以是ffill、bfill等，默认是None，axis参数表示按照行还是列进行填充，默认是按照行填充，inplace参数表示是否在原DataFrame对象上进行修改，默认是不修改，limit参数表示每个连续缺失值的填充次数。
14. `drop_duplicates(subset=None, keep='first', inplace=False, ignore_index=False)`：删除重复行，subset参数表示要考虑的列，默认是所有列，keep参数表示保留哪一个重复行，默认是保留第一个，inplace参数表示是否在原DataFrame对象上进行修改，默认是不修改，ignore_index参数表示是否重新设置索引，使其从0开始。
15. `groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, observed=False, **kwargs)`：按照指定的列进行分组，by参数表示要分组的列名，可以是单个列名或多个列名组成的列表或Series对象，默认是按照所有列进行分组，返回一个GroupBy对象。
16. `aggregate(func=None, axis=0, *args, **kwargs)`：对每个分组进行聚合操作，func参数表示要进行聚合的函数，可以是内置函数、自定义函数或函数列表，默认是对所有列应用所有可用的聚合函数，axis参数表示按照行还是列进行聚合，默认是按照行进行聚合。
17. `transform(func=None, axis=0, *args, **kwargs)`：对每个分组应用指定的函数，并将结果广播到原DataFrame的每个元素中，func参数表示要进行转换的函数，可以是内置函数或自定义函数，默认是对所有列应用指定的函数，axis参数表示按照行还是列进行转换，默认是按照行进行转换。
18. `pivot_table(values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')`：生成透视表，values参数表示要聚合的列，index参数表示行索引，columns参数表示列索引，aggfunc参数表示聚合函数，fill_value参数表示缺失值的填充值，margins参数表示是否添加行和列的汇总，默认是不添加，dropna参数表示是否删除缺失值所在的行或列，默认是删除，margins_name参数表示汇总行和列的名称。