#构造

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

输出：

                   A         B         C         D

--  0.474957 -0.789351  0.827287  0.632483

-- -0.147661  2.093837  0.565236 -0.282967

--  0.871652 -0.492781  0.213760  1.046995

--  0.735719  0.827546  0.139042  1.764413

--  0.442560 -0.065412 -1.209434  0.690070

-- -0.303560  1.389159 -0.397401 -0.650598

#切片选择指定行

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#切片选择指定行

print(df[:])

输出

                   A         B         C         D

--  0.474957 -0.789351  0.827287  0.632483

-- -0.147661  2.093837  0.565236 -0.282967

--  0.871652 -0.492781  0.213760  1.046995

--  0.735719  0.827546  0.139042  1.764413

--  0.442560 -0.065412 -1.209434  0.690070

-- -0.303560  1.389159 -0.397401 -0.650598

                   A         B         C         D

--  0.474957 -0.789351  0.827287  0.632483

-- -0.147661  2.093837  0.565236 -0.282967

--  0.871652 -0.492781  0.213760  1.046995

#通过行标记获取指定行（包含两端）

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#通过行标记获取指定行（包含两端）

print(df['':''])

输出

--  0.474957 -0.789351  0.827287  0.632483

-- -0.147661  2.093837  0.565236 -0.282967

--  0.871652 -0.492781  0.213760  1.046995

--  0.735719  0.827546  0.139042  1.764413

--  0.442560 -0.065412 -1.209434  0.690070

-- -0.303560  1.389159 -0.397401 -0.650598

                   A         B         C         D

-- -0.147661  2.093837  0.565236 -0.282967

--  0.871652 -0.492781  0.213760  1.046995

--  0.735719  0.827546  0.139042  1.764413

#输出指定行指定列的数据

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#输出指定行指定列的数据

print(df.loc['', ['A','B','C','D']])

输出

                   A         B         C         D

--  0.474957 -0.789351  0.827287  0.632483

-- -0.147661  2.093837  0.565236 -0.282967

--  0.871652 -0.492781  0.213760  1.046995

--  0.735719  0.827546  0.139042  1.764413

--  0.442560 -0.065412 -1.209434  0.690070

-- -0.303560  1.389159 -0.397401 -0.650598

A    0.871652

B   -0.492781

C    0.213760

D    1.046995

Name: -- ::, dtype: float64

#输出第三行第一列的数据

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#输出第三行第一列的数据

print(df.iloc[, ])

输出

                   A         B         C         D

--  0.474957 -0.789351  0.827287  0.632483

-- -0.147661  2.093837  0.565236 -0.282967

--  0.871652 -0.492781  0.213760  1.046995

--  0.735719  0.827546  0.139042  1.764413

--  0.442560 -0.065412 -1.209434  0.690070

-- -0.303560  1.389159 -0.397401 -0.650598

0.8275459967949839

#df.A 选择某列

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#或者df.A 选择某列

print(df['A'])

输出

                   A         B         C         D

-- -1.537480  1.082599  0.174229 -1.841898

-- -1.691014 -0.164473 -2.199268 -1.488417

-- -1.324199 -0.420854  0.104982  0.754717

--  0.138477  1.003904 -0.437110 -2.542149

-- -1.049416  0.318146  1.249720  0.781054

-- -1.595190 -0.391273  0.783752 -1.225756

--   -1.537480

--   -1.691014

--   -1.324199

--    0.138477

--   -1.049416

--   -1.595190

Freq: D, Name: A, dtype: float64

#进行切片选择，指定行，指定列

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#进行切片选择，指定行，指定列

print(df.iloc[:,:])

输出

                   A         B         C         D

-- -1.537480  1.082599  0.174229 -1.841898

-- -1.691014 -0.164473 -2.199268 -1.488417

-- -1.324199 -0.420854  0.104982  0.754717

--  0.138477  1.003904 -0.437110 -2.542149

-- -1.049416  0.318146  1.249720  0.781054

-- -1.595190 -0.391273  0.783752 -1.225756

                   A         B

-- -1.324199 -0.420854

--  0.138477  1.003904

-- -1.049416  0.318146

#进行不连续筛选

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#进行不连续筛选

print(df.iloc[[,,],[,]])

输出

                   A         B         C         D

--  0.900440 -0.062287 -1.483173 -1.586545

-- -0.351609 -2.337686  0.471770  0.122194

--  1.598436  0.795936  1.102541 -0.471931

--  2.753501  0.184064  0.610561 -0.577957

-- -2.081754  0.666256  0.345566  0.969266

--  0.089630 -0.310928 -0.439767  0.944149

                   A         C

-- -0.351609  0.471770

--  1.598436  1.102541

-- -2.081754  0.345566

#筛选出df.A大于0的元素 布尔条件筛选

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#筛选出df.A大于0的元素 布尔条件筛选

print(df[df.A > ])

输出

                   A         B         C         D

--  0.892268  0.713791 -0.144297  0.739862

--  0.991796 -1.688081  1.333420 -0.524965

--  2.251776 -1.514738 -0.720530  1.052735

-- -0.297195 -0.945455 -1.796431  2.998356

-- -0.236509 -0.369757 -0.438734  0.408940

--  0.498061  0.778591 -0.282689  1.879702

                   A         B         C         D

--  0.892268  0.713791 -0.144297  0.739862

--  0.991796 -1.688081  1.333420 -0.524965

--  2.251776 -1.514738 -0.720530  1.052735

--  0.498061  0.778591 -0.282689  1.879702

#将df.A大于0的值改变

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#将df.A大于0的值改变

df[df.A>]=

print(df)

输出

                   A         B         C         D

-- -0.587337  0.166438 -1.536473 -2.118008

--  0.327482 -0.383389  0.353157  0.592067

-- -0.483211 -2.066614 -0.313845  0.989347

--  1.230698 -1.196974 -1.465180  0.585245

--  0.180381 -1.289805  0.264123  0.731016

--  0.288694 -1.318865 -1.550989  0.467802

                     A           B           C           D

--   -0.587337    0.166438   -1.536473   -2.118008

--  999.000000  999.000000  999.000000  999.000000

--   -0.483211   -2.066614   -0.313845    0.989347

--  999.000000  999.000000  999.000000  999.000000

--  999.000000  999.000000  999.000000  999.000000

--  999.000000  999.000000  999.000000  999.000000

#新增一列不赋值

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#新增一列

df['F']=np.nan

print(df)

输出

                   A         B         C         D

-- -0.227356  1.229450  0.488290 -0.910271

--  0.756934 -0.489924  1.125287  0.148251

-- -1.157556 -0.703575  1.488778 -0.713087

--  0.942155  0.972845 -1.765062  0.991459

--  1.053055 -0.685858  0.604448  0.837986

--  0.809910  0.771260  0.674058  0.420373

                   A         B         C         D   F

-- -0.227356  1.229450  0.488290 -0.910271 NaN

--  0.756934 -0.489924  1.125287  0.148251 NaN

-- -1.157556 -0.703575  1.488778 -0.713087 NaN

--  0.942155  0.972845 -1.765062  0.991459 NaN

--  1.053055 -0.685858  0.604448  0.837986 NaN

--  0.809910  0.771260  0.674058  0.420373 NaN

#新增一列赋值

import pandas as pd

import pickle

import numpy as np

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

df = pd.DataFrame(np.random.randn(,), index=dates, columns=['A','B','C','D'])#生成6行4列位置

print(df)

#新增一列

df['E']  = pd.Series([,,,,,], index=pd.date_range('', periods=))

print(df)

输出

                   A         B         C         D

-- -0.565898  0.647803  1.018365 -1.269129

-- -1.049725  0.718618  0.745133 -2.976616

-- -0.859447 -0.686062  0.332352 -0.065416

-- -0.291780  1.144493 -1.387311 -0.752532

--  0.469711  0.129786  0.677650  0.723333

--  0.876061  0.441140  1.566190 -1.628274

                   A         B         C         D  E

-- -0.565898  0.647803  1.018365 -1.269129

-- -1.049725  0.718618  0.745133 -2.976616

-- -0.859447 -0.686062  0.332352 -0.065416

-- -0.291780  1.144493 -1.387311 -0.752532

--  0.469711  0.129786  0.677650  0.723333

--  0.876061  0.441140  1.566190 -1.628274

pandas demo 示例的更多相关文章

  1. Demo 示例控制输入光标位置

    <!DOCTYPE html> <html> <head> <meta charset=utf-8 /> <meta name="aut ...

  2. Ext简单demo示例

    <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/stri ...

  3. 【分享】Vue 资源典藏（UI组件、开发框架、服务端、辅助工具、应用实例、Demo示例）

    Vue 资源典藏,包括:UI组件 开发框架 服务端 辅助工具 应用实例 Demo示例 element ★11612 - 饿了么出品的Vue2的web UI工具套件 Vux ★7503 - 基于Vue和 ...

  4. kafka_2.11-0.8.2.1+java 生产消费程序demo示例

      Kafka学习8_kafka java 生产消费程序demo示例 kafka是吞吐量巨大的一个消息系统,它是用scala写的,和普通的消息的生产消费还有所不同,写了个demo程序供大家参考.kaf ...

  5. SpringBoot整合Swagger2(Demo示例)

    写在前面 由于公司项目采用前后端分离,维护接口文档基本上是必不可少的工作.一个理想的状态是设计好后,接口文档发给前端和后端,大伙按照既定的规则各自开发,开发好了对接上了就可以上线了.当然这是一种非常理 ...

  6. Vue UI组件 开发框架 服务端 辅助工具 应用实例 Demo示例

    Vue UI组件 开发框架 服务端 辅助工具 应用实例 Demo示例 element ★11612 - 饿了么出品的Vue2的web UI工具套件 Vux ★7503 - 基于Vue和WeUI的组件库 ...

  7. $ORACLE_HOME/rdbms/demo示例安装

    需要手工安装p13390677_112040_Linux-x86-64_6of7.zip,或者win32_11gR2_examples.zip.默认不包含. 从Oracle Database 12c ...

  8. dubbo环境搭建与tomcat集成、DEMO示例、常见问题（最完整版本、带管理控制台、监控中心、zookeeper）

    以windows为例,linux基本相同,开发环境一般linux,个人环境一般windows(如果不开额外vm的话). 示例以dubbo官方自带demo为例子,进行整合和稍加修改测试. 0.dubbo ...

  9. Echarts图表常用功能配置，Demo示例

    先看下效果图: 就如上图所示,都是些常用的基本配置. Legend分页,X轴设置,Y轴设置,底部缩放条设置, 数值显示样式设置,工具箱设置,自定义工具按钮, 绑定点击事件等等.这些配置代码中都做了简单 ...

随机推荐

  1. js中去除字符串两边的空格

    在提交表单的时候会需要去除字符串两边的空格,代码如下: /*去除字符串两边空格*/ String.prototype.trim = function() { return this.replace(/ ...

  2. 5分钟实现集群-NTP时间同步

    环境:VMware-Workstation-12-Pro,Windows-10,CentOS-7.5,Xshell5 NTP基本介绍 NTP(Network TimeProtocol,网络时间协议), ...

  3. R中apply等函数用法[转载]

    转自:https://www.cnblogs.com/nanhao/p/6674063.html 1.apply函数——对矩阵 功能是:Retruns a vector or array or lis ...

  4. 在MS SQL删除重复行的几种方法

    1.如果有ID字段,就是具有唯一性的字段         delect   table   where   id   not   in   (             select   max(id) ...

  5. STA分析(五) parastics

    互联线的寄生参数 一般一个cell或者block的连接pin就叫做一个net.在物理实现的时候,一条net可能会穿过几层metal,因为每个metal层的电阻,电容值都不一样.所以,在分析 net的寄 ...

  6. 排序的hashmap（guava）

    1.mvnrepository上搜索 guava.并引用其jar包 类似compile "com.google.guava:guava:18.0" 测试代码 Builder< ...

  7. Intermediate Python for Data Science learning 1 - Basic plots with matplotlib

    Basic plots with matplotlib from:https://campus.datacamp.com/courses/intermediate-python-for-data-sc ...

  8. swift 之 as、as!、as?

    1,as使用场合(1)从派生类转换为基类,向上转型(upcasts) class Animal {} class Cat: Animal {} let cat = Cat() let animal = ...

  9. NOSQL学习之一：Memcached, Redis, MongoDB区别

    Redis是一个开源(BSD许可),内存存储的数据结构服务器,可用作数据库,高速缓存和消息队列代理. Memcached是一个自由开源的,高性能,分布式内存对象缓存系统. MongoDB是一个基于分布 ...

  10. Groovy中的闭包

    Closures(闭包) 本节主要讲groovy中的一个核心语法:closurs,也叫闭包.闭包在groovy中是一个处于代码上下文中的开放的,匿名代码块.它可以访问到其外部的变量或方法. 1. 句法 ...