Разнообразие номеров панд (включено)

искусственный интеллект pandas
Разнообразие номеров панд (включено)

Общественный номер: You Er Hut
Автор: Питер
Редактор: Питер

Фильтрация данных Pandas series_DataFrame (вкл.)

В этой статье описывается, как фильтровать и просматривать данные в pandas. Поскольку в pandas существуют различные приемы фильтрации данных, в этой статье сначала представлена ​​основная часть сравнения.

Расширенное чтение

Для ознакомления с pandas и создания типов данных Series и DataFrame в pandas, пожалуйста, прочитайте:

1,Создание данных типа серии

2,10 способов создания данных типа DataFrame

3.Все начинается с функции взрыва

Данные моделирования

Различные примеры в этой статье основаны на смоделированных данных, и некоторые отсутствующие значения вводятся при создании данных, которые генерируются библиотекой numpy:

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "name":['小明','小王','张菲','关宇','孙小小','王建国','刘蓓'],
    "sex":['男','女','女','男','女','男','女'],
    "age":[20,23,18,21,25,21,24],
    "score":[np.nan,600,550,np.nan,610,580,634],  # 缺失两条数据
    "address":["广东省深圳市南山区",
               np.nan,  # 数据缺失
               "湖南省长沙市雨花区",
               "北京市东城区",
               "广东省广州市白云区",
               "湖北省武汉市江夏区",
               "广东省深圳市龙华区"]
})

df

Давайте посмотрим на типы данных каждого поля: 3 типа символов, один тип int64 и один тип float64.

карта разума

Начнем с различных методов фильтрации данных:

Просмотр данных головы и хвоста

Для просмотра данных головы и хвоста используются методы головы и хвоста:

head

Этот метод по умолчанию использует первые 5 строк

Вы можете указать, сколько строк данных отображать:

tail

Использование tail аналогично:

  • Хвост по умолчанию 5 строк
  • Укажите количество строк для просмотра

случайный скрининг

При использовании примера метода по умолчанию отображается одна строка данных, и вы также можете указать, сколько строк следует просмотреть:

Фильтрация числовых данных

единственное условие

1. Скрининг числовых данных, как правило, осуществляется по сравнению размеров:

несколько условий

2. Когда у нас есть несколько условий сравнения, нам нужно обратить внимание:

  • Не могу использовать и, используйте вертикальную черту|
  • Используйте скобки для каждого условия

Вот как правильно писать:

Используйте числовые функции

Обычно используемые числовые функции сравнения:

df.eq()    # 等于相等 ==
df.ne()    # 不等于 !=
df.le()    # 小于等于 >=
df.lt()    # 小于 <
df.ge()    # 大于等于 >=
df.gt()    # 大于 >

1. Фильтр с использованием одной числовой функции

2. Используйте несколько числовых функций для фильтрации;

фильтр данных персонажа

Скрининг данных символьного типа в основном осуществляется с помощью связанных функций в python и pandas;

  • Содержит: ул.содержит
  • Начало: ул.startswith
  • конец: ул.эндсвит

Три примера на рисунке ниже иллюстрируют использование трех вышеуказанных функций:

Поля, использованные в приведенных выше примерах, не имеют нулевых значений. Что делать, если поля содержат нулевые значения? Например, мы хотим выбрать студентов, в адресе которых указано «Шэньчжэнь»:

Решение 1. Введите параметры

Решение 2. Судя по сравнению булевых значений

Укажите фильтры значений данных

Отфильтруйте данные, указав конкретное значение для поля:

Сочетание числовых и символьных типов

Комбинированное использование условий сравнения числового размера и условий, связанных с символами:

  • и:&
  • или: |

выборка индекса

Извлечение числа непосредственно по значению индекса в этом случае используется редко:

количество срезов

Нарезка в pandas такая же, как и в Python:

  • Левый индекс начинается с 0, правый индекс начинается с -1
  • Правила нарезки:start:stop:step, соответственно представляют начальную позицию начала, конечную позицию остановки, шаг размера шага (может быть положительным или отрицательным)

Элемент в конечной позиции индекса не включается:голова без хвоста, помните важные правила нарезки индекса! ! !

Подсчитайте, используя одно значение среза:

Различные случаи использования выборки слайсов:

Давайте посмотрим на выборку фрагмента в этом случае:

Когда размер шага не равен 1, а индекс отрицательный:

Фильтр отсутствующих значений

В этой статье используются следующие случаи пропущенных значений:

Просмотр отсутствующих значений

df.isnull()

Просмотр отсутствующих значений поля

df25 = df.isnull().any()  # 列中是否存在空值
df25

Блокировать строки, в которых существуют пропущенные значения

df26 = df[df.isnull().values==True]
df26

Доступ к атрибуту столбца

Укажите имя атрибута

Во-первых, мы напрямую указываем имя атрибута столбца, и в этом случае данные типа Series вынимаются

Во втором случае выносятся данные типа DataFrame:

Задает тип свойства поля

Типы полей данных в этом случае:

1. ВынутьВключаютДанные типа объекта:

Если вы хотите вывезтиСодержит множество видовДанные:

2. Вынутьне содержитДанные типа объекта:

Суммировать

Есть действительно разные способы получить числа в pandas, и есть много способов получить нужные нам данные. Различные типы, представленные в этой статье, являются относительно базовыми, такими как данные головы и хвоста, скрининг на основе условного суждения, срез срезов и т. д., и в будущем они представят больше методов извлечения данных в pandas, так что следите за обновлениями!

Категории