选择列

根据列名来选择某列的数据

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

# 选择A列数据

print("A列数据：")

print(data["A"])

输出结果：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

A列数据：

2017-01-08     0

2017-01-09     4

2017-01-10     8

2017-01-11    12

2017-01-12    16

2017-01-13    20

Freq: D, Name: A, dtype: int32

也可以用点符号来进行：

print(data.A)

上面的功能跟data["A"]一样。

选择某几行数据

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("选择0至3行的数据：")

print(data[0:3])

输出为：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

选择0至3行的数据：

            A  B   C   D

2017-01-08  0  1   2   3

2017-01-09  4  5   6   7

2017-01-10  8  9  10  11

也可以根据索引号范围来选择某几行的数据。

比如，如下的例子中我们就选择出2017-01-10到2017-01-12的数据：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("按照索引选择数据：")

print(data["2017-01-10":"2017-01-12"])

输出为：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

按照索引选择数据：

             A   B   C   D

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

使用loc进行选择

使用loc选择某几行的数据：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("按照索引选择数据：")

print(data.loc["2017-01-10":"2017-01-12"])

输出：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

按照索引选择数据：

             A   B   C   D

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

也可以按照列进行选择数据，比如，我们想要选择其中B和C列的数据：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("选择某两列的数据：")

print(data.loc[:, ["B", "C"]])

输出为：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

选择某两列的数据：

             B   C

2017-01-08   1   2

2017-01-09   5   6

2017-01-10   9  10

2017-01-11  13  14

2017-01-12  17  18

2017-01-13  21  22

如果只想选择某几行中某几列的数据，可以对上面的例子进行一下稍微的修改就能实现：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("选择某几行某几列的数据：")

print(data.loc["2017-01-09":"2017-01-12", ["B", "C"]])

输出为：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

选择某几行某几列的数据：

             B   C

2017-01-09   5   6

2017-01-10   9  10

2017-01-11  13  14

2017-01-12  17  18

根据位置索引选择数据

位置索引的方法为iloc，例如，选择第3行第2列的数据：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("选择第3行第2列的数据：")

print(data.iloc[3, 1])

输出：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

选择第3行第2位的数据：

13

当然，我们也可以在iloc中使用切片，比如，我想选择出从第3行之后的第2列数据：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("选择第3行之后第2列的数据：")

print(data.iloc[3:, 1])

输出为：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

选择第3行之后第2列的数据：

2017-01-11    13

2017-01-12    17

2017-01-13    21

Freq: D, Name: B, dtype: int32

我们也可以单独地选择某几行的数据，例如：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("选择第1,3,5行第1到第3列的数据：")

print(data.iloc[[1, 3, 5], 1:3])


data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

选择第3行之后第2列的数据：

             B   C

2017-01-09   5   6

2017-01-11  13  14

2017-01-13  21  22

标签和位置混合筛选

比如行用数字来筛选，而列用标签来进行筛选，例如：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("选择第1,3,5行第1到第3列的数据：")

print(data.ix[[1, 3, 5], ["A", "C"]])

输出为：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

选择第1,3,5行第1到第3列的数据：

             A   C

2017-01-09   4   6

2017-01-11  12  14

2017-01-13  20  22

根据某列中的数值进行筛选

类似于SQL中where column < xxx这种类型的选择。

例如，选择出A列小于8的数据：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("根据某列中的数值进行筛选：")

print(data[data.A < 8])

输出为：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

选择根据某列中的数值进行筛选：

            A  B  C  D

2017-01-08  0  1  2  3

2017-01-09  4  5  6  7

如果想要进行联合索引，比如where A<8 and B < 5，则：

import pandas as pd

import numpy as np

dates = pd.date_range("2017-01-08", periods=6)

data = pd.DataFrame(np.arange(24).reshape(6, 4), index=dates, columns=["A", "B", "C", "D"])

print("data:")

print(data)

print("根据某列中的数值进行筛选：")

data = data[data.A < 8]

print(data[data.B < 5])

输出为：

data:

             A   B   C   D

2017-01-08   0   1   2   3

2017-01-09   4   5   6   7

2017-01-10   8   9  10  11

2017-01-11  12  13  14  15

2017-01-12  16  17  18  19

2017-01-13  20  21  22  23

根据某列中的数值进行筛选：

            A  B  C  D

2017-01-08  0  1  2  3

pandas选择数据-【老鱼学pandas】的更多相关文章

  1. pandas合并merge-【老鱼学pandas】

    本节讲述对于两个数据集按照相同列的值进行合并. 首先定义原始数据: import pandas as pd import numpy as np data0 = pd.DataFrame({'key' ...

  2. pandas画图-【老鱼学pandas】

    本节主要讲述如何把pandas中的数据用图表的方式显示在屏幕上,有点类似在excel中显示图表. 安装matplotlib 为了能够显示图表,首先需要安装matplotlib库,安装方法如下: pip ...

  3. pandas基本介绍-【老鱼学pandas】

    前面我们学习了numpy,现在我们来学习一下pandas. Python Data Analysis Library 或 pandas 主要用于处理类似excel一样的数据格式,其中有表头.数据序列号 ...

  4. pandas处理丢失数据-【老鱼学pandas】

    假设我们的数据集中有缺失值,该如何进行处理呢? 丢弃缺失值的行或列 首先我们定义了数据集的缺失值: import pandas as pd import numpy as np dates = pd. ...

  5. pandas导入导出数据-【老鱼学pandas】

    pandas可以读写如下格式的数据类型: 具体详见:http://pandas.pydata.org/pandas-docs/version/0.20/io.html 读取csv文件 我们准备了一个c ...

  6. pandas设置值-【老鱼学pandas】

    本节主要讲述如何根据上篇博客中选择出相应的数据之后,对其中的数据进行修改. 对某个值进行修改 例如,我们想对数据集中第2行第2列的数据进行修改: import pandas as pd import ...

  7. pandas合并数据集-【老鱼学pandas】

    有两个数据集,我们想把他们的结果根据相同的列名或索引号之类的进行合并,有点类似SQL中的从两个表中选择出不同的记录并进行合并返回. 合并 首先准备数据: import pandas as pd imp ...

  8. tensorflow卷积神经网络-【老鱼学tensorflow】

    前面我们曾有篇文章中提到过关于用tensorflow训练手写2828像素点的数字的识别,在那篇文章中我们把手写数字图像直接碾压成了一个784列的数据进行识别,但实际上,这个图像是2828长宽结构的,我 ...

  9. 二分类问题续 - 【老鱼学tensorflow2】

    前面我们针对电影评论编写了二分类问题的解决方案. 这里对前面的这个方案进行一些改进. 分批训练 model.fit(x_train, y_train, epochs=20, batch_size=51 ...

随机推荐

  1. 平板不能设置代理的情况下利用随身wifi进行http代理访问

    需求来源:平板或手机是个封闭系统无法给wifi设置代理,需要利用filllder进行抓包,内容篡改等实验 拥有硬件资源:PC机器 + 小米随身wifi 方案1: NtBind Dns + Nginx ...

  2. web前端上传图片的几种方法

    1.表单上传 最传统的图片上传方式是form表单上传,使用form表单的input[type=”file”]控件,打开系统的文件选择对话框,从而达到选择文件并上传的目的. form表单上传 表单上传需 ...

  3. drcom 不耍流氓

    最近在研究PPPoE,于是做出了一个可以使用WIFI的客户端. 本软件只可以使用于学习交流,不可以使用于商业用途. 本软件在广工西区测试可以使用,软件开启360wifi可以使用.因为心跳包可能修改,本 ...

  4. Java方法使用的有点总结

    方法使用的优点: 1-将解决问题的方法与主函数代码分开,逻辑更清晰,代码可读性更强. 2-若方法出错,则程序可以缩小为只在该方法中查找错误,使代码更容易调试. 3-方法是解决一类问题的抽象,一旦写成功 ...

  5. JavaScript中的比较规则之“==”运算符

    "=="运算符(两个操作数的类型不相同时) 如果一个值是null,另一个值是undefined,则它们相等 如果一个值是数字,另一个值是字符串,先将字符串转换为数学,然后使用转换后 ...

  6. LeetCode 268. Missing Number （缺失的数字）

    Given an array containing n distinct numbers taken from 0, 1, 2, ..., n, find the one that is missin ...

  7. 在centos6编译安装http-2.4

    在centos6 编译安装httpd-2.4 安装httpd-2.4 Ü 依赖于apr-1.4+, apr-util-1.4+, [apr-iconv] Ü apr: : apache portabl ...

  8. php语法标记风格

    1.xml风格(标准风格推荐使用) 复制代码 代码如下: <?php echo"这是xml风格的标记"; ?> xml风格的标记是常用的标记,也是推荐使用的标记,服务器 ...

  9. linux云服务器常用设置

    前面的话 由于在云服务器上配置自己的网站,将Linux里的常用设置记录如下 更改shell 默认地, ubuntu系统默认的shell是dash,但更常用的shell是bash 通过下面命令可以将da ...

  10. BigDecimal与Long之间的转换

    新建了一个class类 取名叫Firut import java.math.BigDecimal; public class Firut { private String id; private Bi ...