标签：而且 taf round color jason panda obj 二维 对齐
1 重新生成索引 如果某个索引值不存在就引入缺失值
1 from pandas import Series,DataFrame 2 import pandas as pd 3 import numpy as np 4 obj=Series([4.5,7.2,-5.3,3.6],index=[‘d‘,‘b‘,‘a‘,‘c‘]) 5 obj 6 7 #重新生成索引 8 obj2=obj.reindex([‘a‘,‘b‘,‘c‘,‘d‘,‘e‘]) 9 obj2
a使用method的ffill可以实现前向值填充，效果如下
1 #前向填充 2 obj3=Series([‘blue‘,‘purple‘,‘yellow‘],index=[0,2,4]) 3 obj3.reindex(range(6),method=‘ffill‘)
b:对于dataframe使用reindex可以同时修改行列索引，如果仅传入一个序列那么如下
1 frame=DataFrame(np.arange(9).reshape((3,3)),index=[‘a‘,‘c‘,‘d‘], 2 columns=[‘ohio‘,‘Texas‘,‘california‘]) 3 frame
1 frame2=frame.reindex([‘a‘,‘b‘,‘c‘,‘d‘]) 2 frame2
c：使用colunms重新索引列
1 states=[‘Texax‘,‘Utah‘,‘california‘] 2 frame.reindex(columns=states)
d:同时插入行列，但是插值只能按行应用
1 #同时对行 列进行重新索引 而插值只能引用到行 2 frame.reindex(index=[‘a‘,‘b‘,‘c‘,‘d‘],method=‘ffill‘, 3 columns=states)
reindex的参数说明如下：
2 丢弃制定轴上的项
a:drop方法返回一个指定轴上删除了指定值的新对象，删除列c
1 #丢弃指定轴的项 2 obj=Series(np.arange(5.),index=[‘a‘,‘b‘,‘c‘,‘d‘,‘e‘]) 3 new_obj=obj.drop(‘c‘) 4 new_obj
b：删除两个 b c
obj.drop([‘d‘,‘c‘])
c：对于dataframe可以删除任意轴上的索引
1 #对于DataFrame可以删除任意轴的索引 2 data = DataFrame(np.arange(16).reshape((4,4)), 3 index=[‘ohio‘,‘colorado‘,‘utah‘,‘new york‘], 4 columns=[‘one‘,‘two‘,‘three‘,‘four‘]) 5 #删除两个 6 data.drop([‘colorado‘,‘ohio‘])
3 索引，选取和过滤
a:Series中的索引类似与Numpy，但是不只是整数，索引字符
1 obj=Series(np.arange(4.),index=[‘a‘,‘b‘,‘c‘,‘d‘]) 2 obj[‘b‘]#1.0
b：按照整数，范围
1 obj[1]#1.0 2 obj[2:4]# 2 3
c：利用标签的切片运算和普通depython切片不同，其包含末端
1 obj[‘b‘:‘c‘]#b c 1 2
d：那么对dataframe进行索引就是获取一个或者多个列勒
1 data=DataFrame(np.arange(16).reshape(4,4), 2 index=[‘ohio‘,‘colorado‘,‘mike‘,‘jason‘], 3 columns=[‘one‘,‘two‘,‘three‘,‘four‘]) 4 data
e：选择一列
data[‘two‘]#输出第二列+行号 也就是索引
f：选择多列
1 data[[‘three‘,‘one‘]]
g：选取行标签前两行
data[:2]#选取的是前面两行
h：选取第三列大于5的值
data[data[‘three‘]>5]
i：为了能在dataframe的行上进行标签索引引入字段ix
data.ix[‘colorado‘,[‘two‘,‘three‘]]
j：选取第4 1 2列 而且行为colorado jason
data.ix[[‘colorado‘,‘jason‘],[3,0,1]]
k：输出行mike
data.ix[2]
DataFrame索引总结
4 算数运算和数据对齐
a:Series的加法
1 s1=Series([7.3,-2.5,3.4,1.5],index=[‘a‘,‘c‘,‘d‘,‘e‘]) 2 s2=Series([-2.1,3.6,-1.5,4,3.1],index=[‘a‘,‘c‘,‘e‘,‘f‘,‘g‘])
3 s1+s2
b:对于dataframe，对齐会同时发生在行 列中
df1=DataFrame(np.arange(9.).reshape((3,3)),columns=list(‘bcd‘), index=[‘utah‘,‘ohio‘,‘colorado‘]) df2=DataFrame(np.arange(12.).reshape((4,3)),columns=list(‘bde‘), index=[‘utah‘,‘ohio‘,‘colorado‘,‘oragen‘])
df1+df2
------>索引和列都为其并集
c：在算术方法中填充值。比如说两个dataframe相加，其中一个不在的时候填充为0
1 #算术中进行填充 2 df1=DataFrame(np.arange(12.).reshape((3,4)),columns=list(‘abcd‘)) 3 df2=DataFrame(np.arange(20.).reshape((4,5)),columns=list(‘abcde‘)) 4 df1+df2
#使用df1的add方法 传入df2以及一个fill_value参数 df1.add(df2,fill_value=0)
5 DataFrame和Series之间的运算----->广播，也就是如果第一个数值-1，那么这个列都会减1
a：看一看一个二维数组和一行之间的差
arr=np.arange(12.).reshape((3,4))
arr[0]
arr-arr[0]
b:frame和series的运算
frame=DataFrame(np.arange(12.).reshape((4,3)),columns=list(‘bde‘), index=[‘utah‘,‘ohio‘,‘texas‘,‘orogen‘]) series=frame.ix[0]
frame-series
好了，加油骚年！！！！
标签：而且 taf round color jason panda obj 二维 对齐
原文地址：http://www.cnblogs.com/lanjianhappy/p/7403600.html
