详细介绍Python-pandas-DataFrame全部 *功能* 函数

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

Python-pandas-DataFrame全部 *功能* 函数
一、功能函数附录
二、示例代码
总结

一、功能函数附录

方法名称	功能描述
head(n)	返回 DataFrame 的前 n 行数据（默认前 5 行）
tail(n)	返回 DataFrame 的后 n 行数据（默认后 5 行）
info()	显示 DataFrame 的简要信息，包括列名、数据类型、非空值数量等
describe()	返回 DataFrame 数值列的统计信息，如均值、标准差、最小值等
shape	返回 DataFrame 的行数和列数（行数, 列数）
columns	返回 DataFrame 的所有列名
index	返回 DataFrame 的行索引
dtypes	返回每一列的数值数据类型
sort_values(by)	按照指定列排序
sort_index()	按行索引排序
dropna()	删除含有缺失值（NaN）的行或列
fillna(value)	用指定的值填充缺失值
isnull()	判断缺失值，返回一个布尔值 DataFrame
notnull()	判断非缺失值，返回一个布尔值 DataFrame
loc[]	按标签索引选择数据
iloc[]	按位置索引选择数据
at[]	访问 DataFrame 中单个元素（比 loc[] 更高效）
iat[]	访问 DataFrame 中单个元素（比 iloc[] 更高效）
apply(func)	对 DataFrame 或 Series 应用一个函数
applymap(func)	对 DataFrame 的每个元素应用函数（仅对 DataFrame）
groupby(by)	分组操作，用于按某一列分组进行汇总统计
pivot_table()	创建透视表
merge()	合并多个 DataFrame（类似 SQL 的 JOIN 操作）
concat()	按行或按列连接多个 DataFrame
to_csv()	将 DataFrame 导出为 CSV 文件
to_excel()	将 DataFrame 导出为 Excel 文件
to_json()	将 DataFrame 导出为 JSON 格式
to_sql()	将 DataFrame 导出为 SQL 数据库
query()	使用 SQL 风格的语法查询 DataFrame
duplicated()	返回布尔值 DataFrame，指示每行是否是重复的
drop_duplicates()	删除重复的行
set_index()	设置 DataFrame 的索引
reset_index()	重置 DataFrame 的索引
transpose()	转置 DataFrame（行列交换）

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

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

# 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