摘要：通过简单例子，了解功能。以此作为基点，在工作中不断深入

1.设置需要显示的行列宽度（显示的最大列数和最大行数，其余部分用.....表示）

设置显示多少行多少列

import pandas as pd

import numpy as np

pd.set_option('max_columns',5,'max_rows',5)

df = pd.read_csv('20190708.csv')

print(df)

'''

pd.set_option('max_columns',3,'max_rows',3)

      Unnamed: 0  ...      circ_mv

0              0  ...  142940.1406

...          ...  ...          ...

3608        3608  ...  466813.2600

[3609 rows x 19 columns]

pd.set_option('max_columns',5,'max_rows',5)

      Unnamed: 0    ts_code  ...     total_mv      circ_mv

0              0  603639.SH  ...  443175.0623  142940.1406

1              1  600130.SH  ...  294144.0000  294144.0000

...          ...        ...  ...          ...          ...

3607        3607  600017.SH  ...  947301.3975  947301.3975

3608        3608  601038.SH  ...  774878.1000  466813.2600

[3609 rows x 19 columns]

'''

1.pd.set_option

2.提取df索引，并对索引操作

import pandas as pd

import numpy as np

pd.set_option('max_columns',5,'max_rows',5)

df = pd.read_csv('20190708.csv')

print(df)

column_ = df.columns

index_ = df.index

data_ = df.values

print(column_)

print(index_)

print(data_)

print(type(column_))         ##<class 'pandas.core.indexes.base.Index'>

print(type(column_.values))  ##class 'numpy.ndarray'

print(type(column_.tolist()))##<class 'list'>

2.1提取索引，数据类型转化

说明：

1.列索引提取出来的数据类型都是Index对象<class 'pandas.core.indexes.base.Index'>

　　通过column_.values获得## <class 'numpy.ndarray'>数组类

通过column_.tolist()获得##<class 'list'> 列表类

2.行索引与列索引类似

　　3.访问索引内的值

　　print(column_.values[1])   ##ts_code同数组取值一样

　　print(index_.tolist()[1])      ## 1 同list取值一样

　　4.重命名行列索引

　　df.index = index_list          ##新的行名列表直接赋值

　　df.columns = column_list

　　　　说明：局部行改名，可以先提取行索引，转化成列表，更改对应名称，之后执行df.index = index_list操作。

　　　　也可以通过df.rename(index=idx_rename,columns=col_rename),其中idx_rename、col_rename是字典{“旧名”：新名}

3.df取值的方式之标签索引和位置索引

　　3.1基于标签（索引）.loc

　　　　单个标签0（解释为标签）或‘a’,列表或数组标签['a','b','c'],带标签的切片‘a’:'f',布尔数组，一个callable带一个参数的函数

　　　　　　

　3.1基于标签（索引）.loc的行列取值

　　　布尔数组及callable取值后续更新

　　3.2基于位置 （整数）.iloc   （从0到len-1，位置索引不能超过这个索引范围）

　　　　基于位置索引的取值方式，大体上与基于标签索引的取值方式一致。

import pandas as pd

import numpy as np

df = pd.read_csv('20190708.csv')

##取0行1列位置的值

print(df.iloc[0,1])

##取指位置定行,返回一个series序列

print(df.iloc[0,:])

##取指定位置列，返回一个series序列

print(df.iloc[:,1])

##行位置切片

print(df.iloc[0:5,:])

##列位置切片

print(df.iloc[:,0:5])

##指定行位置（不连续）多个

print(df.iloc[[0,3,6],:])

##指定列位置（不连续）多个

print(df.iloc[:,[0,2,4]])

##指定行列位置多个

print(df.iloc[[0,3,6],[0,2,4]])

3.2基于位置索引

4.属性访问

　　 我们通过一个例子，来说明通过属性访问的实现过程

##获得一个序列

series_1 = dfa.ts_code

print(series_1)

通过属性运算'.'的方式获取ts_code这一列的数据，返回一个series序列，这个是数字索引，怎么通过属性获取其中的值（目前不清楚），这里用索引取series_1中的值

　　　　print(series_1[1]) ##返回 600130.SH

　　　　print(series_1) ##输出如下

　　　　print(series_1.b)

import pandas as pd

import numpy as np

df = pd.read_csv('20190708.csv')

dfa = df.iloc[[0,1,2,3],[1,2,3,4]]

dfa.index = ['a','b','c','d']

print(dfa)

##获得一个序列

series_1 = dfa.ts_code

print(series_1)

print(series_1.b)

完整代码

5.通过可调用选择（按条件选取）

　　.loc .iloc 及 []可以接受一个callable索引器。

import pandas as pd

import numpy as np

df = pd.read_csv('20190708.csv')

dfa = df.iloc[[0,1,2,3],[1,2,3,4]]

dfa.index = ['a','b','c','d']

print(dfa)

##显示满足条件的行(.iloc同理)

print(dfa.loc[lambda df:dfa.close>4,:])

##显示满足条件的列(.iloc同理)

print(dfa.loc[:,lambda df:['close','ts_code']])

##[]取 一列数据

print(dfa[lambda dfa:dfa.columns[0]])
     ts_code  trade_date  close  turnover_rate

a  603639.SH    20190708  26.12         2.4992

b  600130.SH    20190708   3.83         1.6078

c  000692.SZ    20190708   3.05         0.7804

d  300596.SZ    20190708  31.98         1.1319

     ts_code  trade_date  close  turnover_rate

a  603639.SH    20190708  26.12         2.4992

d  300596.SZ    20190708  31.98         1.1319

   close    ts_code

a  26.12  603639.SH

b   3.83  600130.SH

c   3.05  000692.SZ

d  31.98  300596.SZ

a    603639.SH

b    600130.SH

c    000692.SZ

d    300596.SZ

Name: ts_code, dtype: object

Process finished with exit code 0

6.布尔操作过滤数据

|（or） &(and)  ~(not)  ,使用时需用括号进行分组

import pandas as pd

import numpy as np

df = pd.read_csv('20190708.csv')

dfa = df.iloc[[0,1,2,3],[1,2,3,4]]

dfa.index = ['a','b','c','d']

##对序列操作

series_2 = dfa.close

print(series_2)

##显示序列中大于4的所有数据

print(series_2[series_2>4])

##显示序列中大于4或者小于3.5的

print(series_2[(series_2>4)|(series_2<3.5)])

##显示大于4且 小于30的

print(series_2[(series_2>4)&(series_2<30)])

##显示不大于4的

print(series_2[~(series_2>4)])

##对df操作

print(dfa[dfa['close']>4])

print(dfa[(dfa['close']>4)&(dfa['turnover_rate']>2)])
a    26.12

b     3.83

c     3.05

d    31.98

Name: close, dtype: float64

a    26.12

d    31.98

Name: close, dtype: float64

a    26.12

c     3.05

d    31.98

Name: close, dtype: float64

a    26.12

Name: close, dtype: float64

b    3.83

c    3.05

Name: close, dtype: float64

     ts_code  trade_date  close  turnover_rate

a  603639.SH    20190708  26.12         2.4992

d  300596.SZ    20190708  31.98         1.1319

     ts_code  trade_date  close  turnover_rate

a  603639.SH    20190708  26.12         2.4992

Process finished with exit code 0
import pandas as pd

import numpy as np

df = pd.read_csv('20190708.csv')

dfa = df.iloc[[0,1,2,3],[1,2,3,4]]

dfa.index = ['a','b','c','d']

print(dfa)

##使用map函数,判断指定列是否以‘6’开头

criterion = dfa['ts_code'].map(lambda x:x.startswith(''))

print(criterion)  ##先产生布尔结果

print(dfa[criterion])  ##在筛选显示

##使用三元表达式筛选

dfb = dfa[[x.startswith('') for x in dfa['ts_code']]]

print(dfb )

##多条件筛选

dfc = dfa[criterion & (dfa['trade_date']==20190708)]

print(dfc)
     ts_code  trade_date  close  turnover_rate

a  603639.SH    20190708  26.12         2.4992

b  600130.SH    20190708   3.83         1.6078

c  000692.SZ    20190708   3.05         0.7804

d  300596.SZ    20190708  31.98         1.1319

a     True

b     True

c    False

d    False

Name: ts_code, dtype: bool

     ts_code  trade_date  close  turnover_rate

a  603639.SH    20190708  26.12         2.4992

b  600130.SH    20190708   3.83         1.6078

     ts_code  trade_date  close  turnover_rate

a  603639.SH    20190708  26.12         2.4992

b  600130.SH    20190708   3.83         1.6078

     ts_code  trade_date  close  turnover_rate

a  603639.SH    20190708  26.12         2.4992

b  600130.SH    20190708   3.83         1.6078

　　

pandas基础（第一章（一））的更多相关文章

  1. 20190804-Python基础 第一章

    学习爬虫的同时,补充学习更多Python的基础知识,才能让所学更加扎实. 至今,所学的很多东西,基础都不牢固,导致这些所学都是浅尝则止的皮毛,不能真正上战场,故借速成之心,踏实打牢基础,举一反三,以求 ...

  2. python基础第一章

    Python基础 第一个python程序 变量 程序交互 基本数据类型 格式化输出 基本运算符 流程控制if...else... 流程控制-循环 第一个python程序 文件执行 1.用notepad ...

  3. java基础第一章

    有一定的基础,但是还是要重新开始,2020.10.6 1.手写Hello World public class HelloWorld{ public static void main(String[] ...

  4. JAVA基础第一章-初识java

    业内经常说的一句话是不要重复造轮子,但是有时候,只有自己造一个轮子了,才会深刻明白什么样的轮子适合山路,什么样的轮子适合平地! 从今天开始,我将会持续更新java基础知识,欢迎关注. java的诞生 ...

  5. C语言基础-第一章

    1.常量 直接常量: int mm=100; float nn=100.01; 字符常量:   编译指令,#define 常量名 常量值   (预处理命令,预处理命令都#开头.成为宏命令)  关键字, ...

  6. 深入学习重点分析java基础---第一章：深入理解jvm(java虚拟机) 第一节 java内存模型及gc策略

    身为一个java程序员如果只会使用而不知原理称其为初级java程序员,知晓原理而升中级.融会贯通则为高级 作为有一个有技术追求的人,应当利用业余时间及零碎时间了解原理 近期在看深入理解java虚拟机 ...

  7. Vue基础第一章

    Vue的简单示例 <!DOCTYPE html> <html> <head> <meta charset="utf-8"> < ...

  8. JAVA基础第二章-java三大特性：封装、继承、多态

    业内经常说的一句话是不要重复造轮子,但是有时候,只有自己造一个轮子了,才会深刻明白什么样的轮子适合山路,什么样的轮子适合平地! 我将会持续更新java基础知识,欢迎关注. 往期章节: JAVA基础第一 ...

  9. JAVA 入门第一章（语法基础）

    本人初学java 博客分享记录一下自己的学习历程 java我的初步学习分为六章,有c和c++的基础学起来也简便了很多. 第一章 语法基础 第二章 面向对象 第三章 常用工具类 第四章 文件操纵 第五章 ...

  10. .net架构设计读书笔记--第一章 基础

    第一章 基础 第一节 软件架构与软件架构师  简单的说软件架构即是为客户构建一个软件系统.架构师随便软件架构应运而生,架构师是一个角色. 2000年9月ANSI和IEEE发布了<密集性软件架构建 ...

随机推荐

  1. JEECG 深度使用培训班 周六周日公开课（一期班）

    版权声明:本文为博主原创文章,未经博主同意不得转载. https://blog.csdn.net/zhangdaiscott/article/details/25411023 广大技术爱好者:     ...

  2. Jquery实例链接

    jquery学习笔记 jquery实现全选,反选,取消的操作 左侧菜单收缩的实现(包括,筛选器,addclass.removeclass.绑定事件,链式编程) 模态对话框实现增加删除表格里面的内容 j ...

  3. ActiveMQ的介绍及使用

    一.消息中间件概述 什么是消息中间件 发送者将消息发送给消息服务器,消息服务器将消感存放在若千队列中,在合适的时候再将消息转发给接收者. 这种模式下,发送和接收是异步的,发送者无需等待; 二者的生命周 ...

  4. APP性能

    一.APP性能维度分析  APP类型众多,根据具体类型划分,性能指标的维度和优先级各不相同.视频类APP归属于娱乐游戏型的APP,因此性能测试维度优先级排序为:流畅度.crash.内存.流量.响应时长 ...

  5. ln创建软链接方式

    ln -s 目标文件 软链接

  6. TensorFlow——MNIST手写数字识别

    MNIST手写数字识别 MNIST数据集介绍和下载:http://yann.lecun.com/exdb/mnist/   一.数据集介绍: MNIST是一个入门级的计算机视觉数据集 下载下来的数据集 ...

  7. linux权限管理—基本权限

    目录 Linux权限管理-基本权限 一.权限的基本概述 二.权限修改命令chmod 三.基础权限设置案例 四.属主属组修改命令chown Linux权限管理-基本权限 一.权限的基本概述 1.什么是权 ...

  8. C++使用静态类成员时出现的一个问题

    开发环境 Qt Creator 4.8.2 编译器 MinGw 32-bit 在类中定义了一个static data member class Triangular{ public: static b ...

  9. 学习python os commands socket模块

    import os print(os.getcwd()) #获取当前路径, 导包也是从这个路径下面才能找到 # os.chdir('./..') #返回上一级路径,再获取路径看看 # print(os ...

  10. spring boot 集成 websocket 实现消息主动推送

    spring boot 集成 websocket 实现消息主动 前言 http协议是无状态协议,每次请求都不知道前面发生了什么,而且只可以由浏览器端请求服务器端,而不能由服务器去主动通知浏览器端,是单 ...