#!/usr/bin/env python

# -*- coding: utf-8 -*-

# @Time    : 2018/5/24 15:03

# @Author  : zhang chao

# @File    : s.py

from scipy import linalg as lg

#按标签选择

#通过标签选择多轴

import pandas as pd

import numpy as np

dates = pd.date_range('', periods=8)

df = pd.DataFrame(np.random.randn(8,4), index=dates, columns=list('ABCD'))

print("df:")

print(df)

print('-'*50)

s=pd.Series(list(range(10,18)),index=pd.date_range('', periods=8))

df["F"]=s#新加一列元素F

print("df['F']=s")

print(df)

print('-'*50)

df.at[dates[0],"A"]=99

print("df.at[dates[0],'A']=99")

print(df)

print('-'*50)

print("df.iat[1,1]=-66")

df.iat[1,1]=-66

print(df)

print('-'*50)

print("df.loc[:,'D']=np.array([4]*len(df))")

df.loc[:,"D"]=np.array([4]*len(df))

print(df)

print('-'*50)

df2=df.copy()#拷贝

print('-'*50)

print("")

df2[df2>0]=-df2#将df2中的所有大于0的元素值 都改为小于0的

print (df2)
D:\Download\python3\python3.exe D:/Download/pycharmworkspace/s.py

df:

                   A         B         C         D

2017-01-01 -0.598774  1.076390 -0.642006 -0.089715

2017-01-02 -0.438976  1.063627  0.387825  1.312049

2017-01-03  0.101879  0.469225  0.860522  0.086417

2017-01-04 -0.670031  1.974935 -0.570337  0.478371

2017-01-05  0.250046 -1.385470 -0.893637 -1.786031

2017-01-06  0.876446 -0.167285 -0.475356 -0.145381

2017-01-07  0.291258  0.676994 -1.953909 -0.609507

2017-01-08 -0.569716  0.749637  1.038614 -0.502682

--------------------------------------------------

df['F']=s

                   A         B         C         D   F

2017-01-01 -0.598774  1.076390 -0.642006 -0.089715

2017-01-02 -0.438976  1.063627  0.387825  1.312049

2017-01-03  0.101879  0.469225  0.860522  0.086417

2017-01-04 -0.670031  1.974935 -0.570337  0.478371

2017-01-05  0.250046 -1.385470 -0.893637 -1.786031

2017-01-06  0.876446 -0.167285 -0.475356 -0.145381

2017-01-07  0.291258  0.676994 -1.953909 -0.609507

2017-01-08 -0.569716  0.749637  1.038614 -0.502682

--------------------------------------------------

df.at[dates[0],'A']=99

                    A         B         C         D   F

2017-01-01  99.000000  1.076390 -0.642006 -0.089715  10

2017-01-02  -0.438976  1.063627  0.387825  1.312049  11

2017-01-03   0.101879  0.469225  0.860522  0.086417  12

2017-01-04  -0.670031  1.974935 -0.570337  0.478371  13

2017-01-05   0.250046 -1.385470 -0.893637 -1.786031  14

2017-01-06   0.876446 -0.167285 -0.475356 -0.145381  15

2017-01-07   0.291258  0.676994 -1.953909 -0.609507  16

2017-01-08  -0.569716  0.749637  1.038614 -0.502682  17

--------------------------------------------------

df.iat[1,1]=-66

                    A          B         C         D   F

2017-01-01  99.000000   1.076390 -0.642006 -0.089715  10

2017-01-02  -0.438976 -66.000000  0.387825  1.312049  11

2017-01-03   0.101879   0.469225  0.860522  0.086417  12

2017-01-04  -0.670031   1.974935 -0.570337  0.478371  13

2017-01-05   0.250046  -1.385470 -0.893637 -1.786031  14

2017-01-06   0.876446  -0.167285 -0.475356 -0.145381  15

2017-01-07   0.291258   0.676994 -1.953909 -0.609507  16

2017-01-08  -0.569716   0.749637  1.038614 -0.502682  17

--------------------------------------------------

df.loc[:,'D']=np.array([4]*len(df))

                    A          B         C  D   F

2017-01-01  99.000000   1.076390 -0.642006    10

2017-01-02  -0.438976 -66.000000  0.387825    11

2017-01-03   0.101879   0.469225  0.860522    12

2017-01-04  -0.670031   1.974935 -0.570337    13

2017-01-05   0.250046  -1.385470 -0.893637    14

2017-01-06   0.876446  -0.167285 -0.475356    15

2017-01-07   0.291258   0.676994 -1.953909    16

2017-01-08  -0.569716   0.749637  1.038614    17

--------------------------------------------------

--------------------------------------------------

                    A          B         C  D   F

2017-01-01 -99.000000  -1.076390 -0.642006 -4 -10

2017-01-02  -0.438976 -66.000000 -0.387825 -4 -11

2017-01-03  -0.101879  -0.469225 -0.860522 -4 -12

2017-01-04  -0.670031  -1.974935 -0.570337 -4 -13

2017-01-05  -0.250046  -1.385470 -0.893637 -4 -14

2017-01-06  -0.876446  -0.167285 -0.475356 -4 -15

2017-01-07  -0.291258  -0.676994 -1.953909 -4 -16

2017-01-08  -0.569716  -0.749637 -1.038614 -4 -17

Process finished with exit code 0

pandas设置值、更改值的更多相关文章

  1. 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 ...

  2. Pandas设置值

    1.创建数据 >>> dates = pd.date_range(', periods=6) >>> df = pd.DataFrame(np.arange(24) ...

  3. UC浏览器中，设置了position: fixed 的元素会遮挡z-index值更高的同辈元素

    "UC浏览器中,设置了position: fixed 的元素会遮挡z-index值更高的同辈元素(非fixed)." 我们使用的artDialog弹窗中,在UC浏览器中,如果页面高 ...

  4. Panda的学习之路（3）——pandas 设置特定的值&处理没有数据的部分

    先设定好我们的dataframe: # pandas 设置特定的值 dates=pd.date_range(',periods=6) # print(dates) df=pd.DataFrame(np ...

  5. easyUI validatebox设置值和获取值，以及属性和方法

    一:表单元素使用easyui时,textbox和validatebox设置值和获取值的方式不一样[转] 1.为text-box设置值只能使用id选择器选择表单元素,只能使用textbox(" ...

  6. easyui-textbox 和 easyui-validatebox 设置值和获取值

    表单作如下定义:该input使用easyui的"easyui-textbox" <input id="addSnumber" style="wi ...

  7. JS表单设置值

    //表单设置值 $.fn.setForm = function(jsonValue) { var obj = this; $.each(jsonValue, function (name, ival) ...

  8. 从redis中取值如果不存在设置值，使用Redisson分布式锁【我】

    用到的jar包: <!-- Redis客户端 --> <dependency> <groupId>redis.clients</groupId> < ...

  9. [js]作用域链查找规则获取值和设置值

    作用域链查找规则获取值和设置值 <script> /** 1.作用域链查找规则 私有作用域出现的一个变量不是私有的,则往上一级作用域查找,上级作用域没有则继续向上级查找,一直找到windo ...

随机推荐

  1. 数据库连性池性能测试(hikariCP,druid,tomcat-jdbc,dbcp,c3p0)

    文章转自  https://www.tuicool.com/articles/qayayiM 摘要: 本文主要是对这hikariCP,druid,tomcat-jdbc,dbcp,c3p0几种连接池的 ...

  2. js之清除Cookie

    最近新的系统开发用的是Cookie存储用户信息,使用des加密 工具类如下所示: /** * Copyright (c) 2013-Now http://jeesite.com All rights ...

  3. [转]Qt 之 QFileSystemWatcher

    简述 QFileSystemWatcher类用于提供监视文件和目录修改的接口. QFileSystemWatcher通过监控指定路径的列表,监视文件系统中文件和目录的变更. 调用addPath()函数 ...

  4. LeetCode263:Ugly Number

    public bool IsUgly(int num) { if(num<1) return false; while(num>1) { if(num%2==0) { num=num/2; ...

  5. BZOJ4552 HEOI/TJOI2016 排序 线段树、二分答案

    题目传送门:https://www.lydsy.com/JudgeOnline/problem.php?id=4552 题意:给出一个$1$到$N$的全排列,对其进行$M$次排序,每次排序将区间$[l ...

  6. HTTP-从输入url到请求回数据发生了什么

  7. Ubuntu 安装google chrome

    sudo apt-get install google-chrome-stable /usr/bin/google-chrome-stable

  8. jdk8+Mybatis3.5.0+Mysql读取LongBlob失败

    问题:在mysql中存储base64,因为太长,基本就是几百K,所以用longBlob 描述:在mysql中,LongBlob.blob算是二进制流文件了,所以用普通的数据格式是不行的,这里用Type ...

  9. Python 学习 第六篇：迭代和解析

    Python中的迭代是指按照元素的顺序逐个调用的过程,迭代概念包括:迭代协议.可迭代对象和迭代器三个概念. 迭代协议是指有__next__()函数的对象会前进到下一个结果,而到达系列的末尾时,则会引发 ...

  10. 数组排列组合问题——BACKTRACKING

    BACKTRACKING backtracking(回溯法)是一类递归算法,通常用于解决某类问题:要求找出答案空间中符合某种特定要求的答案,比如eight queens puzzle(将国际象棋的八个 ...