这期内容当中小编将会给大家带来有关Python中如何Pandas代码助数据从业人员开启新征程，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
摘要
Pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。不少利用Python做数据分析的朋友应该对Pandas不陌生，这里给大家总结了20个常用的Pandas代码帮助大家更快速的理解数据。
我这里将这20个Pandas代码分成三类：
基本数据信息
基本数据处理
操作Data frames
基本数据信息
1、基本读写数据集（CSV、Execl）
# csv
# 读
pd.DataFrame.from_csv(“csv_file”)
pd.read_csv(“csv_file”)
# 写
df.to_csv("data.csv", sep=",", index=False) # 逗号分隔，没有下标
# execl
pd.read_excel("excel_file")
df.to_execl("data.xlsx",sheet_name='a')2、基本数据集特征
df.info()
3、基本数据统计
df.describe()
4、将data frames输出到一张表里（tabulate模块）
from tabulate import tabulate print(tabulate(print_table, headers=headers)) # print_table 为包含列表的列表 # headers 为表头所包含的字段
5、列出所有的字段
df.columns
6、得到前后n行
df.head(n) #前n行 df.tail(n) #后n行
7、通过特征、位置定位数据
df.loc[feature_name] #选择“size”列的第一行 df.loc([0], ['size']) df.iloc[n] # 位置
基本数据处理
8、去除缺失值
df.dropna(axis=0, how='any')
9、替换缺失值
df.replace(to_replace=None, value=None) # 将“to_replace”中的值替换为“value”
10、检查缺失值
pd.isnull(object) # 检测缺失值(数值数组中的NaN，对象数组中的None/NaN)
11、删除一个字段
df.drop('feature_variable_name', axis=1)
# 轴对于行是0，对于列是112、将对象类型转换为数值
pd.to_numeric(df["feature_name"], errors='coerce') # 将对象类型转换为numeric以便能够执行计算(如果它们是字符串)
13、将Dataframe转换为numpy数组
df.as_matrix()
操作Data frames
14、将函数应用于dataframe
# 这个将把数据的“height”列中的所有值乘以2 1、df["height"].apply(lambda height: 2 * height) 2、def multiply(x): return x * 2 df["height"].apply(multiply)
15、从命名一列
# 这里，将把数据的第三列重命名为“size”
df.rename(columns = {df.columns[2]:'size'}, inplace=True)16、获取某列的唯一项
# 这里将得到列“name”的唯一条目 df["name"].unique()
17、多级访问
# 在这里，将从数据中获取列的选择，“name”和“size” new_df = df[["name", "size"]]
18、数据的一些统计量df.sum()
df.min() df.max() df.idxmin() df.idxmax() #返回大值索引 df.mean() df.median() df.corr() # 不同列之间的相关系数 df["size"].median
19、 数据排序
df.sort_values(ascending = False)
20、布尔索引
df[df["size"] == 5] #布尔型索引
上述就是小编为大家分享的Python中如何Pandas代码助数据从业人员开启新征程了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注创新互联-成都网站建设公司行业资讯频道。