Pandas常用的功能有哪些
这篇文章主要介绍Pandas常用的功能有哪些，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！
首先我们还是随机产生一个数据表，5行3列的数据框。保存到csv文件并读取。
import pandas as pd
import numpy as np
sample = np.array(np.random.randint(0,100, size=15))
sample_reshape = sample.reshape((5,3))
sample_pd = pd.DataFrame(sample_reshape)
sample_pd.to_csv("sample.csv",header=None, index=None)
import pandas as pd
import numpy as np
sample = pd.read_csv("sample.csv", header=None)
print sample.head()
"""
0 1 2
0 6 40 24
1 5 24 56
2 59 21 44
3 58 4 25
4 83 74 58
"""＃ 排序
首先介绍一下如何对数据框进行排序，总的来说，pandas提供两种排序方法，一个是根据索引值排序，一个是根据数据框中某一列或者某一行排序，这个就和Excel中的排序是一样的，但是它排序的结果是扩展到整个数据表的，不是按照单独一行或者一列排序，如果要对行或者列单独排序，可以首先把行或者列索引出来，然后在排序。
## sort_index
by参数指定列名，axis默认为0， 桉列排序,排序之后得到4， 21， 24,40， 74，可以指定axis为1，按行排序， 结果为5， 24， 56。
import pandas as pd
sample = pd.read_csv("sample.csv", header=None)
sort_index_1 = sample.sort_index(by=1)
print sort_index_1
"""
0 1 2
3 58 4 25
2 59 21 44
1 5 24 56
0 6 40 24
4 83 74 58
"""
sort_index_axis_1 = sample.sort_index(by=1, axis=1)
print sort_index_axis_1
"""
0 1 2
0 6 40 24
1 5 24 56
2 59 21 44
3 58 4 25
4 83 74 58
"""
ascending参数指定降序排序，由大到小。
sort_index_ascend = sample.sort_index(by=1, ascending=False)
print sort_index_ascend
"""
0 1 2
4 83 74 58
0 6 40 24
1 5 24 56
2 59 21 44
3 58 4 25
"""＃＃sort_values
通过结果，我们发现sort_values和sort_index几乎是相同的。But， sort_index后面将会被弃用。。。所以大家也可以只学习sort_values的用法。
import pandas as pd
sample = pd.read_csv("sample.csv", header=None)
sample_sort_value = sample.sort_values(by=1)
print sample_sort_value
print " - * - " * 5
sample_sort_axis = sample.sort_values(by=1, axis=1)
print sample_sort_axis
print " - * - " * 5
sort_value_ascend = sample.sort_values(by=1, ascending=False)
print sort_value_ascend
"""
0 1 2
3 58 4 25
2 59 21 44
1 5 24 56
0 6 40 24
4 83 74 58
- * - - * - - * - - * - - * -
0 1 2
0 6 40 24
1 5 24 56
2 59 21 44
3 58 4 25
4 83 74 58
- * - - * - - * - - * - - * -
0 1 2
4 83 74 58
0 6 40 24
1 5 24 56
2 59 21 44
3 58 4 25
"""下面我们看个稍微高级点的玩法，如果要按照某一行或者列的最大值来排序，该怎么做。首先我们新添加一列，用来求每一行的最大值。然后我们根据最大值降序排序就可以了。
import pandas as pd
sample = pd.read_csv("sample.csv", header=None)
sample['row_max'] = sample.apply(lambda x: x.max(), axis=1)
new = sample.sort_values(by='row_max', ascending=False)
print new
"""
0 1 2 row_max
4 83 74 58 83
2 59 21 44 59
3 58 4 25 58
1 5 24 56 56
0 6 40 24 40
"""学会怎么按照最大值排序，那么按照其他统计量也就可以了，比如均值，最小值等等。
# apply, applymap, map
这三个函数中，前两个是针对DataFrame使用的， 而map是针对Series使用的。 首先看一下函数文档，也就基本清楚他们怎么用了。
DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)
DataFrame.applymap(func)
Series.map(arg, na_action=None)
apply函数是将一个函数func，应用到DataFrame的元素中，其中axis指定数据的维度，其他几个参数不常用，这里不说了， 然后大家有需要用的时候可以去看看。applymap是将函数func直接应用到每一个元素中；map函数是将值和某个Series对应起来，下面看个栗子。
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(3, 3))
print df
print
df = df.applymap(lambda x: '%.2f' % x)
print df
"""
0 1 2
0 0.776506 -0.605382 1.843036
1 0.522743 1.267487 1.288286
2 0.495450 0.583332 -0.590918
0 1 2
0 0.78 -0.61 1.84
1 0.52 1.27 1.29
2 0.50 0.58 -0.59
"""
import pandas as pd
x = pd.Series([1, 2, 3], index=['one', 'two', 'three'])
print x
y = pd.Series(['foo', 'bar', 'baz'], index=[1, 2, 3])
print
print y
print
print x.map(y)
"""
one 1
two 2
three 3
dtype: int64
1 foo
2 bar
3 baz
dtype: object
one foo
two bar
three baz
dtype: object
"""# 分组
DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)
然后还是之前的数据，我们新添加一列，列名为key1，分组的意思就是将数据框以某种标志分为不同的组，这里选择key1作为分组依据，这样就分为了两组，分组的作用的我们可以分别统计各自组内的统计量。比如要分析不同性别，不同年龄段等等问题的时候，就会用到分组统计。
注意这里grouped是一个SeriesGroupBy 对象，具体统计的时候，需要用SeriesGroupBy 的方法。
import pandas as pd
sample = pd.read_csv("sample.csv", header=None)
sample['key1'] = ['a', 'b', 'b', 'a', 'b']
print sample
print
grouped = sample[1].groupby(sample['key1'])
print grouped
print
print grouped.mean()
print
print grouped.max()
"""
0 1 2 key1
0 6 40 24 a
1 5 24 56 b
2 59 21 44 b
3 58 4 25 a
4 83 74 58 b
key1
a 22.000000
b 39.666667
Name: 1, dtype: float64
key1
a 40
b 74
Name: 1, dtype: int64
"""
以上是"Pandas常用的功能有哪些"这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注行业资讯频道！
