这篇文章为大家整理一下实际使用中比较高频的一些用法，当然还会有一篇关于时间序列处理的文章。在这里需要强调一点就是，不建议初学者上来就把Pandas中所有的方法都啃一遍，这样效率太低而且很多方法平时基本用不到，啃下来也容易忘。正确的方式是先把常用的方法先吃透，然后找个项目直接上手，遇到现有方法处理不了的再查看官方文档。
通过”人工智能“的方式，我从官方文档中筛选出一些比较常用的方法，有二十多个，初学者可以先试着把这些吃透了。为了避免过多看不下去，这篇文章就先介绍10个。
用于演示的数据如下：
In [15]: data
Out[15]:
company salary age
0 NaN 43 21
1 A 8 41
2 A 28 26
3 C 42 28
4 A 33 26
5 C 20 18
6 A 48 43
7 B 25 23
8 B 39 18.head()
作用对象：Series和DataFrame
主要用途：返回DataFrame的前N行。当数据量较大时，使用.head()可以快速对数据有个大致了解。
用法：
#默认返回前5行，N可以自行设定
In [16]: data.head()
Out[16]:
company salary age
0 NaN 43 21
1 A 8 41
2 A 28 26
3 C 42 28
4 A 33 26.info()
作用对象：Series和DataFrame
主要用途：打印所用数据的一些基本信息，包括索引和列的数据类型和占用的内存大小。
用法：
In [17]: data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 9 entries, 0 to 8
Data columns (total 3 columns):
company 8 non-null object
salary 9 non-null int32
age 9 non-null int32
dtypes: int32(2), object(1)
memory usage: 224.0+ bytes.describe()
作用对象：Series和DataFrame
主要用途：生成描述性统计汇总，包括数据的计数和百分位数，有助于了解大致的数据分布
用法：
# 默认生成数值列的描述性统计
# 使用 include = 'all'生成所有列
In [18]: data.describe()
Out[18]:
salary age
count 9.000000 9.000000
mean 31.777778 27.111111
std 12.804079 9.143911
min 8.000000 18.000000
25% 25.000000 21.000000
50% 33.000000 26.000000
75% 42.000000 28.000000
max 48.000000 43.000000.value_counts()
作用对象：Series
主要用途：统计分类变量中每个类的数量，比如company中各个公司都有多少人
主要参数：
- normalize （boolean, default False）
返回各类的占比 - sort （boolean, default True）
是否对统计结果进行排序 - ascending （boolean, default False）
是否升序排列
用法：
In [19]: data['company'].value_counts()
Out[19]:
A 4
B 2
C 2
Name: company, dtype: int64
# 返回占比情况
In [20]: data['company'].value_counts(normalize=True)
Out[20]:
A 0.50
B 0.25
C 0.25
Name: company, dtype: float64
# 升序排列
In [21]: data['company'].value_counts(ascending=True)
Out[21]:
C 2
B 2
A 4
Name: company, dtype: int64.isna()
作用对象：Series和DataFrame
主要用途：判断数据是否为缺失值，是的话返回True，否的话返回False
用法：
In [22]: data.isna()
Out[22]:
company salary age
0 True False False
1 False False False
2 False False False
3 False False False
4 False False False
5 False False False
6 False False False
7 False False False
8 False False False.any()
作用对象：Series和DataFrame
主要用途：大多数情况下数据量较大，不可能直接isna()后一个一个看是否是缺失值。any()和isna()结合使用可以判断某一列是否有缺失值。
用法：
In [23]: data.isna().any()
Out[23]:
company True
salary False
age False
dtype: bool.dropna()
作用对象：Series和DataFrame
主要用途：删掉含有缺失值的数据
用法：
In [24]: data.dropna()
Out[24]:
company salary age
1 A 8 41
2 A 28 26
3 C 42 28
4 A 33 26
5 C 20 18
6 A 48 43
7 B 25 23
8 B 39 18.fillna()
作用对象：Series和DataFrame
主要用途：填充缺失数据
主要参数：
- value （scalar, dict, Series, or DataFrame）
用于填充缺失值的值 - method （{‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default None）
缺失值的填充方式，常用的是bfill后面的值进行填充，ffill用前面的值进行填充 - inplace （boolean, default False）
是否作用于原对象
用法：
In [26]: data.fillna('B')
Out[26]:
company salary age
0 B 43 21
1 A 8 41
2 A 28 26
3 C 42 28
4 A 33 26
5 C 20 18
6 A 48 43
7 B 25 23
8 B 39 18
# 用缺失值后面的值来填充（这里NaN后面是'A'）
In [25]: data.fillna(method='bfill')
Out[25]:
company salary age
0 A 43 21
1 A 8 41
2 A 28 26
3 C 42 28
4 A 33 26
5 C 20 18
6 A 48 43
7 B 25 23
8 B 39 18.sort_index()
作用对象：Series和DataFrame
主要用途：对数据按照索引进行排序
主要参数：
- ascending （boolean, default True）
是否升序排列 - inplace （boolean, default False）
是否作用于原对象
用法：
# 按索引降序排列
In [27]: data.sort_index(ascending=False)
Out[27]:
company salary age
8 B 39 18
7 B 25 23
6 A 48 43
5 C 20 18
4 A 33 26
3 C 42 28
2 A 28 26
1 A 8 41
0 NaN 43 21.sort_values()
作用对象：Series和DataFrame
主要用途：对DataFrame而言，按照某列进行排序（用by参数控制），对Series按数据列进行排序。
主要参数：
- by （str or list of str）
作用于DataFrame时需要指定排序的列 - ascending （boolean, default False）
是否升序排列
In [28]: data.sort_values(by='salary')
Out[28]:
company salary age
1 A 8 41
5 C 20 18
7 B 25 23
2 A 28 26
4 A 33 26
8 B 39 18
3 C 42 28
0 NaN 43 21
6 A 48 43
用于演示的数据如下：
In [11]: data
Out[11]:
company gender salary age
0 B female 30 40.0
1 A female 36 31.0
2 B female 35 28.0
3 B female 9 18.0
4 B female 16 43.0
5 A male 46 22.0
6 B female 15 28.0
7 B female 33 40.0
8 C male 19 32.0.astype()
作用对象：Series和DataFrame
主要用途：修改字段的数据类型，数据量大的情况下可用于减小数据占用的内存，多用于Series。
用法：
# 把age字段转为int类型
In [12]: data["age"] = data["age"].astype(int)
In [13]: data
Out[13]:
company gender salary age
0 B female 30 40
1 A female 36 31
2 B female 35 28
3 B female 9 18
4 B female 16 43
5 A male 46 22
6 B female 15 28
7 B female 33 40
8 C male 19 32.rename()
作用对象：Series,DataFrame(大多数情况下)
主要用途：多用于修改DataFrame的列名
主要参数：
- columns （dict-like or function）
指定要修改的列名以及新的列名，一般以字典形式传入 - inplace （boolean, default False）
是否作用于原对象
用法：
# 将'age'更改为员工编号'number',并作用于原对象
In [15]: data.rename(columns={'age':'number'},inplace=True)
In [16]: data
Out[16]:
company gender salary number
0 B female 30 40
1 A female 36 31
2 B female 35 28
3 B female 9 18
4 B female 16 43
5 A male 46 22
6 B female 15 28
7 B female 33 40
8 C male 19 32.set_index()
作用对象：DataFrame
主要用途：将DataFrame中的某一（多）个字段设置为索引
用法：
In [19]: data.set_index('number',inplace=True)
In [20]: data
Out[20]:
company gender salary
number
40 B female 30
31 A female 36
28 B female 35
18 B female 9
43 B female 16
22 A male 46
28 B female 15
40 B female 33
32 C male 19.reset_index()
作用对象：Series,DataFrame
主要用途：重置索引，默认重置后的索引为0~len(df)-1
主要参数：
- drop （boolean, default False）
是否丢弃原索引，具体看下方演示 - inplace （boolean, default False）
是否作用于原对象
用法：
# drop = True，重置索引，并把原有的索引丢弃
In [22]: data.reset_index(drop=True)
Out[22]:
company gender salary
0 B female 30
1 A female 36
2 B female 35
3 B female 9
4 B female 16
5 A male 46
6 B female 15
7 B female 33
8 C male 19
# drop = False,重置索引
# 原索引列'number'作为新字段进入DataFrame
In [23]: data.reset_index(drop=False,inplace=True)
In [24]: data
Out[24]:
number company gender salary
0 40 B female 30
1 31 A female 36
2 28 B female 35
3 18 B female 9
4 43 B female 16
5 22 A male 46
6 28 B female 15
7 40 B female 33
8 32 C male 19.drop_duplicates()
作用对象：Series,DataFrame
主要用途：去掉重复值，作用和SQL中的distinct类似
用法：
In [26]: data['company'].drop_duplicates()
Out[26]:
0 B
1 A
8 C
Name: company, dtype: object.drop()
作用对象：Series,DataFrame
主要用途：常用于删掉DataFrame中的某些字段
主要参数：
- columns （single label or list-like）
指定要删掉的字段
用法：
# 删掉'gender'列
In [27]: data.drop(columns = ['gender'])
Out[27]:
number company salary
0 40 B 30
1 31 A 36
2 28 B 35
3 18 B 9
4 43 B 16
5 22 A 46
6 28 B 15
7 40 B 33
8 32 C 19.isin()
作用对象：Series,DataFrame
主要用途：常用于构建布尔索引，对DataFrame的数据进行条件筛选
用法：
# 筛选出A公司和C公司的员工记录
In [29]: data.loc[data['company'].isin(['A','C'])]
Out[29]:
number company gender salary
1 31 A female 36
5 22 A male 46
8 32 C male 19pd.cut()
主要用途：将连续变量离散化，比如将人的年龄划分为各个区间
主要参数：
- x （array-like）
需要进行离散化的一维数据 - bins （int, sequence of scalars, or IntervalIndex）
设置需要分成的区间，可以指定区间数量，也可以指定间断点 - labels （array or bool, optional）
设置区间的标签
用法：
# 把薪水分成5个区间
In [33]: pd.cut(data.salary,bins = 5)
Out[33]:
0 (23.8, 31.2]
1 (31.2, 38.6]
2 (31.2, 38.6]
3 (8.963, 16.4]
4 (8.963, 16.4]
5 (38.6, 46.0]
6 (8.963, 16.4]
7 (31.2, 38.6]
8 (16.4, 23.8]
Name: salary, dtype: category
Categories (5, interval[float64]): [(8.963, 16.4] < (16.4, 23.8] < (23.8, 31.2] < (31.2, 38.6] <(38.6, 46.0]]
# 自行指定间断点
In [32]: pd.cut(data.salary,bins = [0,10,20,30,40,50])
Out[32]:
0 (20, 30]
1 (30, 40]
2 (30, 40]
3 (0, 10]
4 (10, 20]
5 (40, 50]
6 (10, 20]
7 (30, 40]
8 (10, 20]
Name: salary, dtype: category
Categories (5, interval[int64]): [(0, 10] < (10, 20] < (20, 30] < (30, 40] < (40, 50]]
# 指定区间的标签
In [34]: pd.cut(data.salary,bins = [0,10,20,30,40,50],labels = ['低','中下','中','中上','高'])
Out[34]:
0 中
1 中上
2 中上
3 低
4 中下
5 高
6 中下
7 中上
8 中下
Name: salary, dtype: category
Categories (5, object): [低 < 中下 < 中 < 中上 < 高]pd.qcut()
主要用途：将连续变量离散化，区别于pd.cut()用具体数值划分，pd.qcut()使用分位数进行区间划分
主要参数：
- x （array-like）
需要进行离散化的一维数据 - q（integer or array of quantiles）
设置需要分成的区间，可以指定区间格式，也可以指定间断点 - labels （array or boolean, default None）
设置区间的标签
用法：
# 按照0-33.33%，33.33%-66.67%，66.67%-100%百分位进行划分
In [35]: pd.qcut(data.salary,q = 3)
Out[35]:
0 (18.0, 33.667]
1 (33.667, 46.0]
2 (33.667, 46.0]
3 (8.999, 18.0]
4 (8.999, 18.0]
5 (33.667, 46.0]
6 (8.999, 18.0]
7 (18.0, 33.667]
8 (18.0, 33.667]
Name: salary, dtype: category
Categories (3, interval[float64]): [(8.999, 18.0] < (18.0, 33.667] < (33.667, 46.0]].where()
作用对象：Series,DataFrame
主要用途：将不符合条件的值替换掉成指定值，相当于执行了一个if-else
主要参数：
- cond （boolean Series/DataFrame, array-like, or callable）
用于筛选的条件 - other（scalar, Series/DataFrame, or callable）
对不符合cond条件的值（结果为为False），用other的值进行替代
用法：
# 语句解析
# 若salary<=40，则保持原来的值不变
# 若salary大于40，则设置为40
In [38]: data['salary'].where(data.salary<=40,40)
Out[38]:
0 30
1 36
2 35
3 9
4 16
5 40
6 15
7 33
8 19
Name: salary, dtype: int32pd.concat()
主要用途：将多个Series或DataFrame拼起来（横拼或者竖拼都可以）
主要参数：
- objs （a sequence or mapping of Series or DataFrame objects）
用于拼接的Series或DataFrame，一般都放在一个列表中传入 - axis （0/’index’, 1/’columns’）
控制数据是横向拼接还是纵向拼接，默认为纵向拼接。 - ignore_index （bool, default False）
是否保留原Seires或DataFrame内部的索引，如果为True则对拼接而成的数据生成新索引（0~n-1）
用法：
# 分别取data的前三条和后三条为data1和data2
In [41]: data1 = data.head(3)
In [42]: data1
Out[42]:
number company gender salary
0 40 B female 30
1 31 A female 36
2 28 B female 35
In [43]: data2 = data.tail(3)
In [44]: data2
Out[44]:
number company gender salary
6 28 B female 15
7 40 B female 33
8 32 C male 19
# 拼接数据
In [45]: pd.concat([data1,data2],ignore_index = False)
Out[45]:
number company gender salary
0 40 B female 30
1 31 A female 36
2 28 B female 35
6 28 B female 15
7 40 B female 33
8 32 C male 19
# 拼接数据并重置索引
In [46]: pd.concat([data1,data2],ignore_index=True)
Out[46]:
number company gender salary
0 40 B female 30
1 31 A female 36
2 28 B female 35
3 28 B female 15
4 40 B female 33
5 32 C male 19.pivot_table()
作用对象：DataFrame
主要用途：对DataFrame进行数据透视，相当于Excel中的数据透视表
主要参数：
- values （column to aggregate, optional）
用于聚合运算的字段（数据透视的目标变量） - index （column, Grouper, array, or list of the previous）
类比于数据透视表中的行标签 - columns （column, Grouper, array, or list of the previous）
类比于数据透视表中的列标签 - aggfunc （ function, list of functions, dict, default numpy.mean）
对values进行什么聚合运算
用法：
# 从公司和性别两个维度对薪水进行数据透视
# 看看这两个维度下的平均薪资水平
In [47]: data.pivot_table(values = 'salary',index = 'company',
columns = 'gender',aggfunc=np.mean)
Out[47]:
gender female male
company
A 36.0 46.0
B 23.0 NaN
C NaN 19.0Pandas中常用的函数便整理到这里，至于map和apply这类的就不在此过多介绍了，详细的介绍可以看之前写过的文章。希望整理的这些函数能对大家有所帮助！
本文来自zhihu，观点不代表一起大数据-技术文章心得立场，如若转载，请注明出处：https://zhuanlan.zhihu.com/p/106722583
更多内容请访问：IT源点
注意：本文归作者所有，未经作者允许，不得转载
