Python-pandas-DataFrame全部 功能 函數

提示：幫幫志會陸續更新非常多的IT技術知識，希望分享的內容對您有用。本章分享的是pandas的使用語法。前后每一小節的內容是存在的有：學習and理解的關聯性。【幫幫志系列文章】：每個知識點，都是寫出代碼和運行結果且前后關聯上的去分析和說明（能大量節約您的時間）。
所有文章都不會直接把代碼放那里，讓您自己去看去理解。我希望我的內容對您有用而努力~

python語法-pandas第三節-附 ：本小節是 DataFrame全系列分享(使用.特點.說明.外部文件數據.取值.功能函數.統計函數)的DataFrame 全部 功能 函數

詳細的 DataFrame：
鏈接: DataFrame全系列分享(使用.特點.說明.語法.外部文件數據.取值.功能函數.統計函數.增刪改查)
【上榜文章】一文搞定DataFrame，非常詳細的Python-Pandas - DataFrame全系列分享。大量案例且晦澀難懂的有大白話解釋。詳細的擴展內容也額外寫了其他更加細節全面的文章鏈接在里面，來保證DataFrame的全部內容,本文就是其中一個擴展篇 ： **功能函數篇**

---

---

一、功能函數附錄

方法名稱	功能描述
head(n)	返回 DataFrame 的前 n 行數據（默認前 5 行）
tail(n)	返回 DataFrame 的后 n 行數據（默認后 5 行）
info()	顯示 DataFrame 的簡要信息，包括列名、數據類型、非空值數量等
describe()	返回 DataFrame 數值列的統計信息，如均值、標準差、最小值等
shape	返回 DataFrame 的行數和列數（行數, 列數）
columns	返回 DataFrame 的所有列名
index	返回 DataFrame 的行索引
dtypes	返回每一列的數值數據類型
sort_values(by)	按照指定列排序
sort_index()	按行索引排序
dropna()	刪除含有缺失值（NaN）的行或列
fillna(value)	用指定的值填充缺失值
isnull()	判斷缺失值，返回一個布爾值 DataFrame
notnull()	判斷非缺失值，返回一個布爾值 DataFrame
loc[]	按標簽索引選擇數據
iloc[]	按位置索引選擇數據
at[]	訪問 DataFrame 中單個元素（比 loc[] 更高效）
iat[]	訪問 DataFrame 中單個元素（比 iloc[] 更高效）
apply(func)	對 DataFrame 或 Series 應用一個函數
applymap(func)	對 DataFrame 的每個元素應用函數（僅對 DataFrame）
groupby(by)	分組操作，用于按某一列分組進行匯總統計
pivot_table()	創建透視表
merge()	合并多個 DataFrame（類似 SQL 的 JOIN 操作）
concat()	按行或按列連接多個 DataFrame
to_csv()	將 DataFrame 導出為 CSV 文件
to_excel()	將 DataFrame 導出為 Excel 文件
to_json()	將 DataFrame 導出為 JSON 格式
to_sql()	將 DataFrame 導出為 SQL 數據庫
query()	使用 SQL 風格的語法查詢 DataFrame
duplicated()	返回布爾值 DataFrame，指示每行是否是重復的
drop_duplicates()	刪除重復的行
set_index()	設置 DataFrame 的索引
reset_index()	重置 DataFrame 的索引
transpose()	轉置 DataFrame（行列交換）

---

二、示例代碼

這里代碼直接開始演示分享功能函數的使用
(可能不會DataFrame的萌新小白，會看暈)，如：DataFrame不同語法聲明，DataFrame取值或者交叉取值(增刪改查)。及DataFrame的特點和語法什么的，此篇文章就不寫了。因為不然就重復了。可以點擊文章開頭的那個鏈接去查看(那個鏈接的文章里面又往外擴了很多針對性的不同 更加細節文章[如本文]。來 幫助掌握理解DataFrame。)

import pandas as pd
# 創建 DataFrame
data = {'name': ['bangbangzhi', 'hello', 'python', 'what'],'age': [25, 30, 35, 40],'city': ['chengdu', 'beijing', 'shanghai', 'tianjin']
}
df = pd.DataFrame(data)# 查看前兩行數據
print(df.head(2)) #當前一共四行#tail(n) 后幾行，和這里很像

import pandas as pd
# 創建 DataFrame
data = {'name': ['bangbangzhi', 'hello', 'python', 'what'],'age': [25, 30, 35, 40],'city': ['chengdu', 'beijing', 'shanghai', 'tianjin']
}
df = pd.DataFrame(data)# 查看 DataFrame 的基本信息
print(df.info())# 獲取描述統計信息
print(df.describe())#shape  和上面兩個使用一樣，您輸出看一下就明白了(我篇幅太長了)  形狀就是 x*x 的表格，如2*3 2行3列

import pandas as pd
# 創建 DataFrame
data = {'name': ['bangbangzhi', 'hello', 'python', 'what'],'age': [25, 30, 35, 40],'city': ['chengdu', 'beijing', 'shanghai', 'tianjin']
}
df = pd.DataFrame(data)
#返回所有列名
print(df.columns)
#返回所有行索引
print(df.index)#dtypes  返回數據類型

import pandas as pd
# 創建 DataFrame
data = {'name': ['bangbangzhi', 'hello', 'python', 'what'],'age': [25, 30, 35, 40],'city': ['chengdu', 'beijing', 'shanghai', 'tianjin']
}
df = pd.DataFrame(data)
# 按年齡排序
df_sorted = df.sort_values(by='age', ascending=False)
print(df_sorted)#sort_index 行索引排序
#當前我沒有指定行索引(默認從0開始，目前代碼行索引排序沒意義)
#可以指定某列數據為行索引[時間日期] 指定聲明注意啥的。真的~查閱文章開頭那個文章，很全的,時間為行索引有案例。這里沒法寫

# 處理缺失值（填充缺失值）
df['age'] = df['age'].fillna(30)#如果age列某一行沒有數據，就用30來填充
#填充完畢：print(df) 可以看一下。如果有空的就補充上了30

常用，至于補充多少看需求。可能是0。因為一般數字列會使用統計函數，空值會影響結果的
（統計函數 [最大最小和值平均] 全部內容在另一個文章里面）
如：

# 計算分組統計（按城市分組，計算平均年齡）
print(df.groupby('city')['age'].mean())#大概一提：沒那么復雜，前半句.groupby('city')按城市分組。后半句['age'].mean()
#mean就是統計函數函數的知識點，然后配合了取值語法。
#對吧~ 這里可能感覺 我剛剛說：(可能不會DataFrame的萌新小白，會看暈)，如：.....

==============================
后面的，全是重復的(和其他文章重復)

#取值
#loc[]	
#iloc[]  #concat()
#合并# 導出文件
#df.to_csv('output.csv', index=False)

真不是我偷懶，怎么可能偷懶
取值？我是寫了大量案例，放到全系列DataFrame里面的。全系列DataFrame文章也是從介紹到畫圖理解，到簡介語法，到xxxxx。最后到了取值，寫了大量取值。。。。最后額外單寫了一篇鏈接，在全系列DataFrame里面。
看鏈接: DataFrame取值–.loc[]、.iloc[] 具體的操作及詳細語義和語法說明

然后
后面的函數，全部重復了。
全系列DataFrame是從0到全部。有分享邏輯順序，遇到報錯(甚至有專門報錯的額外篇)，遇到xxx(有專門xxx的額外篇)
csv ，json , execl 導入導出 應有盡有
現在方法df.to_csv(‘output.csv’, index=False)演示沒有意義了。
看鏈接: 操作csv文件(讀取數據/寫入數據)及csv語法詳細分享

---

總結

如果哪個本文函數，找不到案例或者還是明白，可以評論。我改~改文章(加一段)
（會陸續更新非常多的IT技術知識及泛IT的電商知識，可以點個關注，共同交流。?( ′･?･` )比心）
（也歡迎評論，提問。 我會依次回答~）