[数据分析工具] Pandas 功能介绍（二）

条件过滤

我们需要看第一季度的数据是怎样的，就需要使用条件过滤

体感的舒适适湿度是40-70，我们试着过滤出体感舒适湿度的数据

最后整合上面两种条件，在一季度体感湿度比较舒适的数据

列排序

数据按照某列进行排序

“by”参数可以使用字符串，也可以是列表，ascending 的参数也可以是单个值或者列表

ascending 默认值是 True

列中的每行上的 apply 函数

在前一篇的增加列的部分，根据风速计算人体感觉是否舒适，为了功能的演示，在这里使用 DataFrame 的 apply 方法，他会在指定列的每个值上执行。详见代码：

均值和标准差

我们通过 describe 方法查看的统计信息中均值和方差都是按照列统计呢，这里要说的，既可以按照列，还可以按照行

均值，行 df.mean(axis=0)，列df.mean(axis=1)

方差，行 df.std(axis=0)，列df.std(axis=1)

DataFrame 转换为 Numpy

DataFrame 合并

连接合并

在两个 df 的结果一致的情况下，我们可以简单两个 df 拼接起来

垂直（行）拼接，pd.concat([df1,df2],axis=0)，水平（列）拼接，pd.concat([df1,df2],axis=1)

基于索引关键字合并

Pandas 还提供了像 SQL 一样的连接，内联，外联，左联，右联

作为我们的示例数据，可以唯一标识一行的就是 Datatime 列

merged_df = df_1.merge(df_2, how='left', on='datetime')

在 DataFrame 中查找 NaN

每行有多少 NaN，df.isnull().sum()

Dataframe 中 NaN 的总数，上面统计出来的数量求和，df.isnull().sum().sum()

分组 Group By

分组在数据统计的时候经常使用。特别是统计数量、计算和、求平均值，等等。

我们在这里统计一下每个季度的假期数是多少

在统计一下，每个季度的平均分风速是多少

定义范围

如果我们想根据风力把风的等级区分出来，你可能可快就想到上面刚刚介绍的 apply，不过，现在介绍另外一种方式

通过这两次的分享，我们已经了解了 pandas 数据处理常用的方式方法。

文件内容简单说明：

文件地址：

bikeshare.zip