1.函数:空值判断 1)判断数值是否为空用 pd.isna,pd.isnull,np.isnan2)判断字符串是否为空用 pd.isna,pd.isnull:3)判断时间是否为空用 pd.isna,pd.isnull,np.isnat 参数:obj:标量或数组 返回:布尔或布尔数组 说明: 1.NA值如None或np.nan,NaT将映射True值.''或np.inf不被视为NA值 2.pandas.options.mode.use_inf_as_na = True#视为na值 3.Series

使用Pandas对数据进行筛选和排序 本文转载自:蓝鲸的网站分析笔记 原文链接:使用Pandas对数据进行筛选和排序 目录: sort() 对单列数据进行排序 对多列数据进行排序 获取金额最小前10项 获取金额最大前10项 Loc 单列数据筛选并排序 多列数据筛选并排序 按筛选条件求和(sumif, sumifs) 按筛选条件计数(countif, countifs) 按筛选条件计算均值(averageif, averageifs) 按筛选条件获取最大值和最小值 筛选和排序是Excel中使用频率

使用dropna()函数去掉NaN的行或列 import pandas as pd import pickle import numpy as np dates = pd.date_range() df = pd.DataFrame(np.arange().reshape((,)), index=dates, columns=['A', 'B', 'C', 'D']) df.iloc[,]=np.nan df.iloc[,]=np.nan print(df) print(df.dropna(ax

参考这篇文章: https://blog.csdn.net/u012387178/article/details/52571725 python pandas判断缺失值一般采用 isnull(),然而生成的却是所有数据的true/false矩阵,对于庞大的数据dataframe,很难一眼看出来哪个数据缺失,一共有多少个缺失数据,缺失数据的位置. 比如: 0.520113 0.884000 1.260966 -0.236597 0.312972 -0.196281 -0.837552 NaN 0.

一.Pandas的数据操作 0.DataFrame的数据结构 1.Series索引操作 (0)Series class Series(base.IndexOpsMixin, generic.NDFrame): """ One-dimensional ndarray with axis labels (including time series). #带轴标签的一维ndarray(包括时间序列). Labels need not be unique but must be a

目录 1. 数据文件 2. 读数据 3. 查找数据 4. 替换数据 4.1 一对一替换 4.2 多对一替换 4.3 多对多替换 5. 插入数据 6. 删除数据 6.1 删除列 6.2 删除行 7. 处理缺失值 7.1 数据准备 7.2 查看缺失值 7.3 删除缺失值 7.4 缺失值的填充 8. 处理重复值 8.1 删除重复行 8.2 删除某一列中的重复值 8.3 获取唯一值 9 排序数据 9.1 用sort_values()函数排序数据 9.2 用rank()函数获取数据的排名 10 rank(

Pandas查询数据 Pandas查询数据的几种方法 df.loc方法,根据行.列的标签值查询 df.iloc方法,根据行.列的数字位置查询 df.where方法 df.query方法 .loc既能查询,又能覆盖写入,强烈推荐! Pandas使用df.loc查询数据的方法 使用单个label值查询数据 使用值列表批量查询 使用数值区间进行范围查询 使用条件表达式查询 调用函数查询 注意 以上查询方法,既适用于行,也适用于列 注意观察降维dataFrame>Series>值 0.读取数据 数据为

pandas 提供了三种主要方法可以对数据进行合并: pandas.merge()方法:数据库风格的合并: pandas.concat()方法:轴向连接,即沿着一条轴将多个对象堆叠到一起: 实例方法combine_first()方法:合并重叠数据. pandas.merge()方法:数据库风格的合并   例如,通过merge()方法将两个DataFrame合并: on='name'的意思是将name列当作键: 默认情况下,merge做的是内连接(inner),即键的交集. 其他方式还有左连接(l

使用Pandas进行数据提取 本文转载自:蓝鲸的网站分析笔记 原文链接:使用python进行数据提取 目录 set_index() ix 按行提取信息 按列提取信息 按行与列提取信息 提取特定日期的信息 按日期汇总信息 resample() 数据提取是分析师日常工作中经常遇到的需求.如某个用户的贷款金额,某个月或季度的利息总收入,某个特定时间段的贷款金额和笔数,大于5000元的贷款数量等等.本篇文章介绍如何通过python按特定的维度或条件对数据进行提取,完成数据提取需求. 准备工作 首先是准备

使用Pandas进行数据匹配 本文转载自:蓝鲸的网站分析笔记 原文链接:使用Pandas进行数据匹配 目录 merge()介绍 inner模式匹配 lefg模式匹配 right模式匹配 outer模式匹配 NaN值匹配模式 Pandas中的merge函数类似于Excel中的Vlookup,可以实现对两个数据表进行匹配和拼接的功能.与Excel不同之处在于merge函数有4种匹配拼接模式,分别为inner,left,right和outer模式. 其中inner为默认的匹配模式.本篇文章我们将介绍m

使用Pandas创建数据透视表 本文转载自:蓝鲸的网站分析笔记 原文链接:使用Pandas创建数据透视表 目录 pandas.pivot_table() 创建简单的数据透视表 增加一个行维度(index) 增加一个值变量(value) 更改数值汇总方式 增加数值汇总方式 增加一个列维度(columns) 增加多个列维度 增加数据汇总值 数据透视表是Excel中最常用的数据汇总工具,它可以根据一个或多个制定的维度对数据进行聚合.在python中同样可以通过pandas.pivot_table函数来

2014-06-26 Created By BaoXinjian

一.对数据的分布进行初步判断     1.1 原理 对于不同的分布,有特定的偏度(skewness)和峰度(kurtosis),正态分布.均匀分布.逻辑斯谛分布.指数分布的偏度和峰度都是特定的值,在偏度-峰度图中是特定的点,而伽马分布和对数正态分布在偏度-峰度图中是一条直线,贝塔分布在偏度-峰度图中是一片区域.因此可以通过未知分布的偏度峰度值(在图中是一个观察点),与各种分布的偏度峰度点(线.区域)进行对比,判断未知分布数据大致可能的一个或几个分布.     1.2 R代码         li

Pandas 把数据写入csv from sklearn import datasets import pandas as pd iris = datasets.load_iris() iris_X = iris.data iris_y = iris.target df=pd.DataFrame(iris_y) df.to_csv(r"C:\Users\si\Desktop\11.csv")

js 判断数据是否为空 // var a = ""; // var a = " "; // var a = null; // var a = undefined; // var a = []; // var a = {}; // var a = NaN; if(a === undefined) { // 只能用 === 运算来测试某个值是否是未定义的 console.log("为undefined"); } if(a == null) { //

formatter 判断数据是否为空

pandas学习(数据分组与分组运算.离散化处理.数据合并) 目录 数据分组与分组运算 离散化处理 数据合并 数据分组与分组运算 GroupBy技术:实现数据的分组,和分组运算,作用类似于数据透视表 数据分组--〉归纳 程序示例: import numpy as np import pandas as pd # 读入数据 df=pd.read_csv('data1.txt') print('原始数据') print(df) #返回一个对象 group=df.groupby(df['产地']) #

Pandas DataFrame数据的增.删.改.查 https://blog.csdn.net/zhangchuang601/article/details/79583551 #删除列 df_2 = df_1.drop(columns=['deptNo','routeNo']).copy() del df_2['trp_vehicleType'] #列名变更 df_3 = df_2.rename(columns={'dingdanNo':'订单号', 'createTime':'建单时间'})

在mysql中插入数据有时需要判断数据插入是否重复 语句编写:insert into 表(相应字段) select 相应字段 from dual where not exists (select 相应字段 from 表 where 相应查询条件) eg:

----通过exists判断数据,并查找存在的数据---以scott用户的emp 及dept表为例 select * from emp; select * from dept; ---查找emp表中的数据,且员工部门在dept表中能找到 select * from emp g ---1=1可以不用,此用法方便再后边实现and条件的注释 from dept t where t.deptno = g.deptno); ----查找dept表中的数据,且员工部门在emp表中能找到 select * f

pandas选取数据可以通过 loc iloc  [] 来选取 使用loc选取某几列: user_fans_df = sample_data.loc[:,['uid','fans_count']] 使用[] 来选取列 reader_login_freq_df = sample_data[['reader_uid','reader_login_freq','reader_age']] []选取,应该是返回了元数据的一份视图,本质上应该没有新生成一份数据. loc应该是又返回了一份新的数据