pandas 多条件判断

时间: 2023-11-01 10:00:41 浏览: 73

pandas基本用法

### pandas基本用法 #### 2. 基本说明 Pandas 是一款基于 NumPy 构建的强大数据处理库，极大地简化了数据处理过程。无论是读取还是处理数据，Pandas 都提供了非常便捷的方法。 ##### 2.1 基本的数据结构 Pandas 定义了两种核心数据结构： - **Series**：一维数组，可以存储任何数据类型（整数、字符串、浮点数等），类似于一维数组或字典，具有索引。 - **DataFrame**：二维表格型数据结构，包含一系列有序的列，每列可以是不同的值类型。DataFrame 可以被视为一系列 Series 的集合。 ##### 2.2 代码说明在 Jupyter Notebook 或其他 Python 环境中，首先需要导入 Pandas 库，并通常将其别名为 `pd`，以便于后续使用。 ```python import pandas as pd ``` 接下来详细介绍这两种数据结构的使用方式。 #### 3. Series ##### 3.1 数据形式: Series vs. List **List**：水平方向排列的数据，例如 `[1, 2, 3]`。 **Series**：垂直方向排列的数据，类似于带有索引的列表，例如： | index | data | |-------|------| | 0 | 9 | | 1 | 3 | | 2 | 8 | **示例**： ```python s = pd.Series([9, 3, 8]) print(s) ``` 输出结果： ``` 0 9 1 3 2 8 dtype: int64 ``` ##### 3.2 元素的类型 Series 中的元素类型可以是任意的，包括但不限于整数、浮点数、字符串等。 ##### 3.3 创建 Series, 用 list 可以通过传递一个列表给 `pd.Series()` 来创建 Series 对象。 **示例**： ```python s = pd.Series([100, 'PYTHON', 'Soochow', 'Qiwsir']) print(s) ``` 输出结果： ``` 0 100 1 PYTHON 2 Soochow 3 Qiwsir dtype: object ``` ##### 3.4 自定义索引可以为 Series 的数据指定自定义索引。 **示例**： ```python s = pd.Series([100, 'PYTHON', 'Soochow', 'Qiwsir'], index=['mark', 'title', 'university', 'name']) print(s) ``` 输出结果： ``` mark 100 title PYTHON university Soochow name Qiwsir dtype: object ``` ##### 3.5 根据索引查看及修改可以通过索引来查看和修改 Series 中的数据。 **示例**： ```python s = pd.Series([100, 'PYTHON', 'Soochow', 'Qiwsir'], index=['mark', 'title', 'university', 'name']) # 查看 print(s['title']) # 输出：PYTHON # 修改 s['title'] = 'Java' print(s) ``` 输出结果： ``` title Java mark 100 university Soochow name Qiwsir dtype: object ``` #### 3.6 创建 Series, 用 dict 也可以使用字典来创建 Series。 ##### 3.6.1 创建将字典作为参数传递给 `pd.Series()`。 **示例**： ```python d = {'mark': 100, 'title': 'PYTHON', 'university': 'Soochow', 'name': 'Qiwsir'} s = pd.Series(d) print(s) ``` 输出结果： ``` mark 100 title PYTHON university Soochow name Qiwsir dtype: object ``` ##### 3.6.2 自动对齐当两个 Series 使用相同索引时，它们之间的运算会自动对齐。 **示例**： ```python s1 = pd.Series({'a': 1, 'b': 2}) s2 = pd.Series({'b': 3, 'c': 4}) result = s1 + s2 print(result) ``` 输出结果： ``` a NaN b 5.0 c NaN dtype: float64 ``` ##### 3.6.3 缺省值, NaN 如果索引不完全匹配，则未匹配的索引位置会被填充为 NaN。 **示例**： ```python s1 = pd.Series({'a': 1, 'b': 2}) s2 = pd.Series({'b': 3, 'c': 4}) result = s1 + s2 print(result) ``` 输出结果： ``` a NaN b 5.0 c NaN dtype: float64 ``` ##### 3.7 判断是否为空可以使用两种方法来判断 Series 是否为空。 **方法01, pandas 本身**： ```python print(s.empty) ``` **方法02, Series 对象**： ```python print(len(s) == 0) ``` ##### 3.8 更新索引可以通过 `rename()` 方法更新 Series 的索引。 **示例**： ```python s = pd.Series([100, 'PYTHON', 'Soochow', 'Qiwsir'], index=['mark', 'title', 'university', 'name']) new_index = ['score', 'language', 'location', 'person'] s = s.rename(index=dict(zip(s.index, new_index))) print(s) ``` 输出结果： ``` score 100 language PYTHON location Soochow person Qiwsir dtype: object ``` ##### 3.9 Series 相关运算: + - * 可以进行加、减、乘等运算。 **示例**： ```python s1 = pd.Series([1, 2, 3]) s2 = pd.Series([4, 5, 6]) result = s1 + s2 print(result) ``` 输出结果： ``` 0 5 1 7 2 9 dtype: int64 ``` #### 4. DataFrame ##### 4.1 创建, 通过 dict 可以通过传递字典给 `pd.DataFrame()` 来创建 DataFrame。 **示例**： ```python data = {'Name': ['John', 'Anna', 'Peter', 'Linda'], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data) print(df) ``` 输出结果： ``` Name Age City 0 John 28 New York 1 Anna 24 Paris 2 Peter 35 Berlin 3 Linda 32 London ``` ##### 4.2 columns 的顺序创建 DataFrame 时可以指定列的顺序。 **示例**： ```python data = {'Name': ['John', 'Anna', 'Peter', 'Linda'], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data, columns=['Age', 'Name', 'City']) print(df) ``` 输出结果： ``` Age Name City 0 28 John New York 1 24 Anna Paris 2 35 Peter Berlin 3 32 Linda London ``` ##### 4.3 自定义索引可以为 DataFrame 的行设置自定义索引。 **示例**： ```python data = {'Name': ['John', 'Anna', 'Peter', 'Linda'], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data, index=['one', 'two', 'three', 'four']) print(df) ``` 输出结果： ``` Name Age City one John 28 New York two Anna 24 Paris three Peter 35 Berlin four Linda 32 London ``` ##### 4.4 索引值数目必须与行数相等如果指定索引，则索引的数量必须与 DataFrame 的行数一致。 **示例**： ```python data = {'Name': ['John', 'Anna', 'Peter', 'Linda'], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data, index=['one', 'two', 'three']) ``` 这段代码会抛出异常，因为索引数量与行数不匹配。 ##### 4.5 缺省值, 赋 NaN 可以通过 `np.nan` 为 DataFrame 的特定位置赋予缺失值。 **示例**： ```python import numpy as np data = {'Name': ['John', 'Anna', 'Peter', np.nan], 'Age': [28, 24, 35, 32], 'City': ['New York', 'Paris', 'Berlin', 'London']} df = pd.DataFrame(data) print(df) ``` 输出结果： ``` Name Age City 0 John 28 New York 1 Anna 24 Paris 2 Peter 35 Berlin 3 NaN 32 London ``` ##### 4.6 创建, 通过 '字典套字典' 可以使用嵌套字典创建 DataFrame。 **示例**： ```python data = {'one': {'a': 1, 'b': 2}, 'two': {'a': 3, 'b': 4}} df = pd.DataFrame(data) print(df) ``` 输出结果： ``` one two a 1 3 b 2 4 ``` ##### 4.7 对象的属性及方法 DataFrame 拥有许多有用的属性和方法，例如 `shape`, `head()`, `tail()`, `describe()`, `mean()`, `sum()` 等。 **示例**： ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) print(df.shape) print(df.head()) print(df.tail()) print(df.describe()) print(df.mean()) print(df.sum()) ``` 输出结果： ``` (3, 2) A B 0 1 4 1 2 5 2 3 6 A B 2 3 6 A B count 3.0 3.0 mean 2.0 5.0 std 1.0 1.0 min 1.0 4.0 25% 1.5 4.5 50% 2.0 5.0 75% 2.5 5.5 max 3.0 6.0 A 2.0 B 5.0 dtype: float64 A 6 B 15 dtype: int64 ``` ##### 4.8 赋值, 一列统一赋值可以为 DataFrame 的某一列赋值。 **示例**： ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) df['C'] = 10 print(df) ``` 输出结果： ``` A B C 0 1 4 10 1 2 5 10 2 3 6 10 ``` ##### 4.9 赋值, 点对点可以为 DataFrame 的特定位置赋值。 **示例**： ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) df.loc[0, 'A'] = 10 print(df) ``` 输出结果： ``` A B 0 10 4 1 2 5 2 3 6 ``` ##### 4.10 赋值, 更精准的修改可以通过 `.at[]` 和 `.iat[]` 方法进行更精确的赋值。 **示例**： ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) df.at[0, 'A'] = 10 df.iat[0, 0] = 20 print(df) ``` 输出结果： ``` A B 0 20 4 1 2 5 2 3 6 ``` 以上是关于 Pandas 的基本数据结构 Series 和 DataFrame 的详细介绍，以及如何使用这些数据结构进行基本操作。通过这些介绍，我们可以看出 Pandas 提供了非常灵活且强大的工具来处理数据。

在 Pandas 中，可以使用多个条件进行判断。下面是一些常见的方法： 1. 使用 `&` 和 `|` 运算符： ```python df[(df['column1'] > 10) & (df['column2'] < 5)] ``` 这将返回满足两个条件的行。 2. 使用多个 `query()` 方法： ```python df.query('column1 > 10 and column2 < 5') ``` 这将返回满足两个条件的行。 3. 使用 `loc` 方法： ```python df.loc[(df['column1'] > 10) & (df['column2'] < 5)] ``` 这也将返回满足两个条件的行。

阅读全文

pandas 多条件判断

相关推荐

Pandas测试用数据集的介绍与应用

Pandas DataFrame运算详解：算术、逻辑与统计操作

pandas if条件判断

pandas map函数条件判断

pandas 对值判断

pandas模糊条件

使用pandas where 函数判断一列满足条件时另一列输出

pandas 按照两个条件判断新增一列

pandas中先判断后匹配怎么写

pandas判断nan

pandas判断语句

pandas按条件添加列

pandas loc 判断 in

python pandas逻辑判断

pandas 按照两个条件判断新增一列，两个条件是或者的关系

pandas 按照两个条件判断新增一列，两个条件是或者的关系 使用 loc 方法

pandas判断是否为

pandas 怎么判断值的格式

pandas根据条件去填写另一列值

最新推荐

Python Pandas找到缺失值的位置方法

Pandas中汇总统计、处理缺失值、层次化索引超详细介绍！（附实例）

Windows平台下的Fastboot工具使用指南

管理建模和仿真的文件

DLMS规约深度剖析：从基础到电力通信标准的全面掌握

修改代码，使其正确运行

Python机器学习基础入门与项目实践

"互动学习：行动中的多样性与论文攻读经历"

【Shell脚本进阶】：wc命令行数统计的高级用法及解决方案

python编写一个程序，使得根据输入的起点和终点坐标值计算出坐标方位角

pandas 按照两个条件判断新增一列，两个条件是或者的关系使用 loc 方法