一、DataFrame是否为空

判断整个DataFrame是否为空的方法：

pandas.DataFrame.empty

示例：

df = pd.DataFrame({'fruits':['apple', 'orange', 'watermelon'], 'price':[6, 4, 2]})
dffruits  price
0       apple      6
1      orange      4
2  watermelon      2if df.empty:print('=== df为空 ===')
else:print('=== df非空 ===')  # === df非空 ===df_empty = pd.DataFrame(columns=['fruits', 'price'])df_empty
Empty DataFrame
Columns: [fruits, price]
Index: []if df_empty.empty:print('=== df_empty为空 ===')  # === df_empty为空 ===
else:print('=== df_empty非空 ===')

而判断具体某个元素是否为NAN，则可以使用isna()函数：

df = pd.DataFrame({'fruits':['apple', 'orange', 'watermelon'], 'price':[6, 4, 2]})
dffruits  price
0       apple      6
1      orange      4
2  watermelon      2
df.isna()fruits  price
0   False  False
1   False  False
2   False  False

或者使用空值的特征判断（NAN的一大特征就是不等于本身）：

np.nan != np.nan
True

二、DataFrame行/列差值计算

计算DataFrame行/列的差值使用：

DataFrame.diff(periods=1, axis=0)

其中，

periods：默认值是1，表示两行/列的索引之差，即平移的区间，periods为正整数表示索引大的行/列减去索引小的，反之；
axis：运算的轴，默认为0，表示按照行进行计算，axis=1，表示按照列进行计算。

示例：

2.1 periods示例

df = pd.DataFrame({'price':[6, 4, 2, 4, 6], 'weight': [12, 43, 23, 3, 5], 'total':[72, 172, 46, 12, 30]})dfprice  weight  total
0      6      12     72
1      4      43    172
2      2      23     46
3      4       3     12
4      6       5     30# 默认对行操作，periods=1表示后一行减前一行
df.diff(periods=1)price  weight  total
0    NaN     NaN    NaN
1   -2.0    31.0  100.0
2   -2.0   -20.0 -126.0
3    2.0   -20.0  -34.0
4    2.0     2.0   18.0# periods=2表示做差的两行间相隔一行
df.diff(periods=2)price  weight  total
0    NaN     NaN    NaN
1    NaN     NaN    NaN
2   -4.0    11.0  -26.0
3    0.0   -40.0 -160.0
4    4.0   -18.0  -16.0# 默认对行操作，periods=-1表示前一行减后一行
df.diff(periods=-1)price  weight  total
0    2.0   -31.0 -100.0
1    2.0    20.0  126.0
2   -2.0    20.0   34.0
3   -2.0    -2.0  -18.0
4    NaN     NaN    NaN

2.2 axis示例

dfprice  weight  total
0      6      12     72
1      4      43    172
2      2      23     46
3      4       3     12
4      6       5     30# axis=0表示对行操作
df.diff(periods=1, axis=0)price  weight  total
0    NaN     NaN    NaN
1   -2.0    31.0  100.0
2   -2.0   -20.0 -126.0
3    2.0   -20.0  -34.0
4    2.0     2.0   18.0# axis=1表示对列操作
df.diff(periods=1, axis=1)price  weight  total
0    NaN       6     60
1    NaN      39    129
2    NaN      21     23
3    NaN      -1      9
4    NaN      -1     25

三、DataFrame行/列变化率计算

计算DataFrame中行/列的变化率时使用函数：

pd.DataFrame.pct_change(periods, fill_method, limit, freq, **kwargs)

参数含义：

periods : int类型，默认为1，含义同diff函数中的periods；
fill_method : str类型, 默认为’pad’，表示在计算变化率之前如何处理空值。'pad’表示使用前一个值进行缺失值填充；
limit : int类型, 默认为None，表示填充的最大NA的数量，如果NA的数量大于limit，那么停止填充NA元素；
freq : DateOffset, timedelta, 或者 str类型，可选参数，表示时间序列 API 中使用的增量(例如“M”或BDay())；
**kwargs，其他传递到 DataFrame.shift 或 Series.shift的关键字参数。

函数返回值类型与调用对象一致，为Series或者DataFrame。

Examples：

-----------
**Series**
----------->>> s = pd.Series([90, 91, 85])>>> s0    901    912    85dtype: int64>>> s.pct_change()0         NaN1    0.0111112   -0.065934dtype: float64>>> s.pct_change(periods=2)0         NaN1         NaN2   -0.055556dtype: float64# 存在空值时，使用前一个有效值先填充后再计算>>> s = pd.Series([90, 91, None, 85])>>> s0    90.01    91.02     NaN3    85.0dtype: float64>>> s.pct_change(fill_method='ffill')0         NaN1    0.0111112    0.0000003   -0.065934dtype: float64---------------
**DataFrame**
--------------->>> df = pd.DataFrame({...     'FR': [4.0405, 4.0963, 4.3149],...     'GR': [1.7246, 1.7482, 1.8519],...     'IT': [804.74, 810.01, 860.13]},...     index=['1980-01-01', '1980-02-01', '1980-03-01'])>>> dfFR      GR      IT1980-01-01  4.0405  1.7246  804.741980-02-01  4.0963  1.7482  810.011980-03-01  4.3149  1.8519  860.13>>> df.pct_change()FR        GR        IT1980-01-01       NaN       NaN       NaN1980-02-01  0.013810  0.013684  0.0065491980-03-01  0.053365  0.059318  0.061876# 对列进行变化百分比计算，同时periods=-1表示前一列相对后一列的变化率>>> df = pd.DataFrame({...     '2016': [1769950, 30586265],...     '2015': [1500923, 40912316],...     '2014': [1371819, 41403351]},...     index=['GOOG', 'APPL'])>>> df2016      2015      2014GOOG   1769950   1500923   1371819APPL  30586265  40912316  41403351>>> df.pct_change(axis='columns', periods=-1)2016      2015  2014GOOG  0.179241  0.094112   NaNAPPL -0.252395 -0.011860   NaN

【述毕】

笔者独自运营了微信公众号，用于分享个人学习及工作生活趣事，大家可以关注一波。（微信搜索“微思研”）

【Python实用基础整合(二)】DataFrame是否为空判断及行/列差值、变化率计算相关推荐

python实用技巧（二）
Python实用技巧(一) python实用技巧(二) python实用技巧(三) python实用技巧(四) code 解释补充 list.reverse() 返回值类型为NoneType l.r ...
python pyramid基础学习二
python pyramid基础学习二 1.前言前面我们使用了基础命令创建pyramid项目,并运行了Hello word,万事开头难,我们知道了开发pyramid项目需要一个env文件夹,里面包 ...
Python机器学习基础篇二《监督学习》
前言前期回顾: Python机器学习基础篇一<为什么用Python进行机器学习> 前面说过,监督学习是最常用也是最成功的机器学习类型之一.本章将会详细介绍监督学习,并解释几种常用的监督 ...
python爬虫基础（二）
文章目录 python爬虫 1.异步爬虫异步爬虫之多进程and多线程(不建议使用) 异步爬虫之线程池and进程池(适当使用) 单线程+异步协程(推荐) 补充:回调函数补充:yield 多任务异步协 ...
Python判断DataFrame或者其中某一项的值是否为空，提取某列唯一值
目录 DataFrame某一项的值是否为空判断dataframe是否为空提取唯一值: DataFrame某一项的值是否为空判断DataFrame中某一项的值是否为空的方法有两种: 1.通过pd. ...
python语言基础（二）环境搭建
一.编译器和解释器 python是解释性语言,它含有解释器,在python安装路径下,python.exe其实就是可执行的程序,含有内置的标准库和方法. 编辑器是写代码的工具,不是编译器. 高级语言 ...
Python实用脚本【二】
书接上文,再奉上几个小工具,方便实用!!! 1. 图片添加水印 from PIL import Image from PIL import ImageFont from PIL import Imag ...
Python实用基础(思路+资料整理+代码）
Python 练习册(笔记) 说明: https://www.zybuluo.com/susugreen/note/2512434 点此链接,会看到部分题目的代码,仅供参考本文本文由@史江歌(shi ...
Python爬虫基础操作二
目录四.爬虫数据存储csv/excel 五.session与cookies 六.selenium库:控制浏览器操作七.定时与邮件上一篇爬虫操作基础,本篇讲解爬虫数据存储.cookies,sess ...

【Python实用基础整合(二)】DataFrame是否为空判断及行/列差值、变化率计算