005.python科学计算库pandas(下)
2024-05-14 11:54:11
测试数据 fandango_score_comparison.csv
series
import pandas as pd
from pandas import Seriesfandango = pd.read_csv('fandango_score_comparison.csv')
series_film = fandango['FILM']
print(series_film[0:5])
print("----------------------------------")
series_rt = fandango['RottenTomatoes']
print(series_rt[0:5])
print("----------------------------------")
film_names = series_film.values
rt_scores = series_rt.values
# 带轴标的一维ndarray(包括时间序列)。
series_custom = Series(rt_scores, index=film_names)
print(series_custom[['Minions (2015)', 'Leviathan (2014)']])
print("----------------------------------")
print(series_custom[4:6])
sort
import pandas as pd
from pandas import Seriesfandango = pd.read_csv('fandango_score_comparison.csv')
series_film = fandango['FILM']
series_rt = fandango['RottenTomatoes']
film_names = series_film.values
rt_scores = series_rt.values
# 带轴标的一维ndarray(包括时间序列)。
series_custom = Series(rt_scores, index=film_names)
original_index = series_custom.index.tolist()
# sorted 以升序返回一个包含迭代中所有项的新列表。
sorted_index = sorted(original_index)
print(sorted_index)
print("----------------------------------")
# 按照已排序后的sorted_index来排序series_custom (sorted_index 和 series_custom.index 元素需保持一致)
sorted_by_index = series_custom.reindex(sorted_index)
print(sorted_by_index)
import pandas as pd
from pandas import Seriesfandango = pd.read_csv('fandango_score_comparison.csv')
series_film = fandango['FILM']
series_rt = fandango['RottenTomatoes']
film_names = series_film.values
rt_scores = series_rt.values
# 带轴标的一维ndarray(包括时间序列)。
series_custom = Series(rt_scores, index=film_names)
sc2 = series_custom.sort_index()
print(sc2[0:4])
print("----------------------------------")
sc3 = series_custom.sort_values()
print(sc3[0:4])
series算术运算
import pandas as pd
from pandas import Series
import numpy as npfandango = pd.read_csv('fandango_score_comparison.csv')
series_film = fandango['FILM']
series_rt = fandango['RottenTomatoes']
film_names = series_film.values
rt_scores = series_rt.values
# 带轴标的一维ndarray(包括时间序列)。
series_custom = Series(rt_scores, index=film_names)
print(series_custom[0:3])
print("----------------------------------")
# 将每个值相加
print(np.add(series_custom, series_custom)[0:3])
print("----------------------------------")
# 对每个值应用正弦函数
print(np.sin(series_custom)[0:3])
print("----------------------------------")
# 返回最高值(将返回单个值而不是一系列值)
print(np.max(series_custom))
import pandas as pd
from pandas import Seriesfandango = pd.read_csv('fandango_score_comparison.csv')
series_film = fandango['FILM']
series_rt = fandango['RottenTomatoes']
film_names = series_film.values
rt_scores = series_rt.values
# 带轴标的一维ndarray(包括时间序列)。
series_custom = Series(rt_scores, index=film_names)
# series_custom > 50 会为每个film返回一个带有布尔值的系列对象
series_greater_than_50 = series_custom[series_custom > 50]
print(series_greater_than_50[0:5])
print("-----------------------------------")
both_criteria = series_custom[(series_custom > 50) & (series_custom < 75)]
print(both_criteria[0:5])
import pandas as pd
from pandas import Seriesfandango = pd.read_csv('fandango_score_comparison.csv')
rt_critics = Series(fandango['RottenTomatoes'].values, index=fandango['FILM'])
print(rt_critics[0:3])
rt_users = Series(fandango['RottenTomatoes_User'].values, index=fandango['FILM'])
print(rt_users[0:3])
rt_mean = (rt_critics + rt_users) / 2
print(rt_mean[0:3])
set_index
import pandas as pd
from pandas import Seriesfandango = pd.read_csv('fandango_score_comparison.csv')
# set_index 使用一个或多个现有列设置DataFrame索引(行标签)。默认情况下，生成一个新对象。
# drop : boolean, default True 删除要用作新索引的列
fandango_films = fandango.set_index('FILM', drop=False)
print(fandango_films[0:3])
- 当选择多个行时，返回一个DataFrame， 但当选择单个行时，返回的是一个Series对象
import pandas as pdfandango = pd.read_csv('fandango_score_comparison.csv')
fandango_films = fandango.set_index('FILM', drop=False)
# 使用括号表示法或loc[]进行切片
sub_films = fandango_films["Avengers: Age of Ultron (2015)":"Ant-Man (2015)"]
print(sub_films)
print(type(sub_films))
print("----------------------------------------------------")
sub_films = fandango_films.loc["Avengers: Age of Ultron (2015)":"Ant-Man (2015)"]
print(sub_films)
print(type(sub_films))
print("----------------------------------------------------")
# 查找特定的 movie
film = fandango_films.loc['Kumiko, The Treasure Hunter (2015)']
print(type(film))
print("----------------------------------------------------")
# 查找特定的 movie 列表
movies = ['Kumiko, The Treasure Hunter (2015)', 'Do You Believe? (2015)']
print(fandango_films.loc[movies])
print(type(fandango_films.loc[movies]))
# 当选择多个行时，返回一个DataFrame，
# 但当选择单个行时，返回的是一个Series对象
import pandas as pd
import numpy as npfandango = pd.read_csv('fandango_score_comparison.csv')
fandango_films = fandango.set_index('FILM', drop=False)
# panda中的apply()方法允许我们指定Python逻辑
# apply()方法需要传入一个矢量化操作
# 可以应用于每个系列对象。
# 以Series的形式返回数据类型
types = fandango_films.dtypes
# print(types) 返回所有的列名称
print(type(types))
print("----------------------------------------------------")
# 过滤数据类型为floats，索引属性只返回列名
float_columns = types[types.values == 'float64'].index
# 使用括号表示法过滤列，使其只是float列
float_df = fandango_films[float_columns]
print(float_df[0:3])
print(type(float_df))
print("----------------------------------------------------")
# “x”是表示列的系列对象
# numpy.std 计算沿指定轴的标准差。
deviations = float_df.apply(lambda x: np.std(x))
print(deviations[0:3])
print(type(deviations))
print("----------------------------------------------------")
rt_mt_user = float_df[['RT_user_norm', 'Metacritic_user_nom']]
deviations = rt_mt_user.apply(lambda x: np.std(x), axis=1)
print(deviations[0:3])
005.python科学计算库pandas(下)相关推荐
- 004.python科学计算库pandas(中)
测试数据 titanic_train.csv isnull import pandastitanic_survival = pandas.read_csv("titanic_train.cs ...
- Python科学计算库 — Pandas数学统计方法
首先导入pandas库 import numpy as np import pandas as pd Pandas 常用的数学统计方法如下表: 方法 说明 count 计算非NA值的数量 descri ...
- 【A-003】python数据分析与机器学习实战 Python科学计算库 Pandas数据分析处理库（二）
目录: 处理缺失数据制作透视图删除含空数据的行和列多行索引使用apply函数 本节要处理的数据来自于泰坦尼克号的生存者名单,它的数据如下: PassengerId Survived Pclass .. ...
- 007.python科学计算库matplotlib(下)
测试数据 fandango_scores.csv bar import matplotlib.pyplot as plt import pandas as pd from numpy import a ...
- Python科学计算库核心知识点总结_代码篇(ML/DL依赖语法)
Python科学计算库核心知识点总结_代码篇(ML/DL依赖语法) ...
- Python科学计算之Pandas基础学习
Python科学计算之Pandas基础学习 导入Pandas 我们首先要导入我们的演出明星--Pandas. 这是导入Pandas的标准方式.显然,我们不希望每时每刻都在程序中写'pandas',但是 ...
- 初识 Python 科学计算库之 NumPy（创建多维数组对象）
文章目录 参考 描述 NumPy 特点 获取 导入 多维数组对象 np.array() np.asarray() 范围 随机 概览 np.random.randn() np.random.normal ...
- 一文带你熟悉简单实用的Python科学计算库NumPy
Python科学计算库NumPy 安装 数组的创建 array创建 **arange** 创建 **随机数创建** 方法numpy.random.random(size=None) 方法numpy.r ...
- python科学计算库-数值计算库与科学计算库
BLAS 接口 BLAS , LAPACK , ATLAS 这些数值计算库的名字很类似,他们之间有什么关系呢?BLAS是一组线性代数运算接口,目前是事实上的标准,很多数值计算/科学计算都实现了这套接口 ...
最新文章
- BitLocker Partition Recovery
- 关于 SAP Spartacus 和 SmartEdit 集成的问题
- html弹出层全覆盖滚动条,JS弹出层遮罩,隐藏背景页面滚动条细节优化分析
- r语言t检验输出检验统计量_如何进行统计分析
- LibreOffice 6.4.4 发布
- GEE学习总结（3）——矢量面外接矩形和外包络面绘制与矢量数据导出
- 层次选择器[selector_2.html]
- 平行平板多光束干涉matlab,平行平板的多光束干涉.ppt
- 阿里云服务器centos7 安装docker 和docker-compose 及相关命令
- Java入门教程——下载JAVA
- MeScroll 移动端刷新，分页
- 【JavaWeb】用监听器实现单一登录
- 企业邮箱的优势有哪些？使用企业邮箱的好处
- html外链自动加nofollow,WordPress文章/页面外链自动添加nofollow属性的方法
- 华为否认提前发年终奖 网传消息实为销售激励计划
- Spring中的Interceptor拦截器中使用@Autowired注解，在运行时会出现空指针
- 操作系统实验三：主存空间的分配与回收
- 2022/12/17 mysql 索引基本原理解读
- oracle中索引的使用
- 渗透测试前的信息收集（玄魂磐石计划课件搬运）