1. 设置小数点位数

  1. ~~~python
    df[‘a’] = df[‘a’].round(decimals=2)
    1
    2
    3
    2. ~~~python
       decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C'])
       df.round(decimals)

2. pandas统计每行的个数

1
2
zero_col_count = dict(df[0].value_counts())#统计第0列元素的值的个数
three_row_count = dict(df.loc[3].value_counts())#统计第3行元素的值的个数

🎵我喜欢的音乐-Ming

3. 全局变量

  1. global

    1
    2
    3
    4
    5
    6
    7
    i = 0
    def add(a,b):
        global i
        print('第'+i+'次计算')
        return a+b
    for i in range(10):
        print(add(i,i+1))

4. pandas中apply列的输入输出

  1. 1 to 1

    1
    2
    3
    4
    def judge(x):
        if x < 10:
            return 0
    df['new_col'] = df['exist_col'].apply(judge)

  2. N to 1

    1
    2
    3
    4
    def judge(x):
        if(x['old_col_1'] < 10 && x['old_col_2'] == 'boy'):
            return 'child'
    df['new_col'] = df.apply(judge,axis=1)

  3. 1 to N

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    就是针对输出的三行写三个函数即可，或者使用lambda分别处理就行
    df_test = pd.DataFrame([
        {'dir': '/Users/uname1', 'size': 994933},
        {'dir': '/Users/uname2', 'size': 109338711},
    ])

    df_test['size_kb'] = df_test['size'].astype(int).apply(lambda x: locale.format("%.1f", x / 1024.0, grouping=True) + ' KB')
    df_test['size_mb'] = df_test['size'].astype(int).apply(lambda x: locale.format("%.1f", x / 1024.0 ** 2, grouping=True) + ' MB')
    df_test['size_gb'] = df_test['size'].astype(int).apply(lambda x: locale.format("%.1f", x / 1024.0 ** 3, grouping=True) + ' GB')

    df_test


                 dir       size       size_kb   size_mb size_gb
    0  /Users/uname1     994933      971.6 KB    0.9 MB  0.0 GB
    1  /Users/uname2  109338711  106,776.1 KB  104.3 MB  0.1 GB

5. 删除空值

1
2
3
cond = df.isnull().any(axis = 1)
index = df[cond].index
df2 = df.drop(labels=index)

6. 根据条件删除值

1
2
3
cond = (df < 60).any(axis=1)
index = df[cond].index
df3 = df.drop[labels=index]

7. 规范化到[0,1]

1
2
3
4
5
6
from sklearn import preprocessing
# 规范化到 [0,1] 空间
min_max_scaler=preprocessing.MinMaxScaler()
car_x=min_max_scaler.fit_transform(car_x)
pd.DataFrame(car_x).to_csv('temp.csv', index=False)
print(car_x)

8. pandas删除行、列

  • 删除行
1
2
3
4
5
6
7
8
9
10
11
# 按行名指定
print(df.drop('Charlie', axis=0))
print(df.drop('Charlie'))
print(df.drop(index='Charlie'))
## 一次删除多行
print(df.drop(['Bob', 'Dave', 'Frank']))
print(df.drop(index=['Bob', 'Dave', 'Frank']))
# 按行号指定
print(df.index[[1, 3, 5]])
print(df.drop(df.index[[1, 3, 5]]))
print(df.drop(index=df.index[[1, 3, 5]]))
  • 删除列
1
2
3
4
5
6
7
8
9
10
#  按列名指定
print(df.drop('state', axis=1))
print(df.drop(columns='state'))
## 一次删除多行
print(df.drop(['state', 'point'], axis=1))
print(df.drop(columns=['state', 'point']))
# 按列号指定
print(df.columns[[1, 2]])
print(df.drop(df.columns[[1, 2]], axis=1))
print(df.drop(columns=df.columns[[1, 2]]))
  • 删除多行多列
1
2
3
4
5
6
7
8
9
print(df.drop(index=['Bob', 'Dave', 'Frank'],
              columns=['state', 'point']))

print(df.drop(index=df.index[[1, 3, 5]],
              columns=df.columns[[1, 2]]))

df_org = df.copy()
df_org.drop(index=['Bob', 'Dave', 'Frank'],
            columns=['state', 'point'], inplace=True)

9. 删除缺失值的行


1
df = df[~df['col'].isnull()]

10. 删除索引

在读取的时候不要读取索引列！

1
qs = pd.read_excel('./2018-QS-World-University-Rankings-Top200.xlsx',index=False)

11. matplotlib画图

看这个就完事了

12. 你问我怎么添加图例

13. 设置行的索引为一列

1
data['user_geohash'] = data._stat_axis.values.tolist() # 行名称

14. pandas修改列名

1
df1.rename(columns={'c':'D'},inplace=True)

15. pandas修改列顺序

1
2
order = ['date', 'time', 'open', 'high', 'low', 'close', 'volumefrom', 'volumeto']
df = df[order]

来了姐妹

16. pandas获取指定列中某个值（范围）所属的行

1
df[df['colName'].isin([left,right])]

17. pandas合并表

1
2
3
df.join()
pd.conact()
df.merge()

18. 三目运算符

1
a = b if b > 10 else c

19. 查看列名

1
2
3
4
~~~

#### 20. 添加说明

plt.annotate(s=’’,xy = (6,30),xytext = (8,32),arrowprops={‘arrowstyle’:’->’})
~~~