#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. [LeetCode] 345. Reverse Vowels of a String_Easy tag:Two Pointers

    Write a function that takes a string as input and reverse only the vowels of a string. Example 1: In ...

  2. 机器学习理论基础学习5--- PCA

    一.预备知识 减少过拟合的方法有:(1)增加数据 (2)正则化(3)降维 维度灾难:从几何角度看会导致数据的稀疏性 举例1:正方形中有一个内切圆,当维度D趋近于无穷大时,圆内的数据几乎为0,所有的数据 ...

  3. http接口自动化测试框架实现

    一.测试需求描述 对服务后台一系列的http接口功能测试. 输入:根据接口描述构造不同的参数输入值 输出:XML文件 eg:http://xxx.com/xxx_product/test/conten ...

  4. Linux (RHEL)修改时区

    1.修改配置文件修改为上海时区 vi /etc/sysconfig/clock ZONE="Asia/Shanghai" 2.创建上海时区的软连接 ln -sf /usr/shar ...

  5. 怎么在jquery里清空文本框的内容

    $("input[name='test']").val("").focus(); // 将name=test的文本框清空并获得焦点,以便重新输入

  6. Lintcode: First Position of Target (Binary Search)

    Binary search is a famous question in algorithm. For a given sorted array (ascending order) and a ta ...

  7. VueJS 数据驱动和依赖追踪分析

    之前关于 Vue 数据绑定原理的一点分析,最近需要回顾,就顺便发到随笔上了 在之前实现一个自己的Mvvm中,用 setter 来观测model,将界面上所有的 viewModel 绑定到 model ...

  8. thymeleaf 配置

    thymeleaf,官网文档中,那个配置有误(估计是代码更新了但是文档没有更新).应该是这样的- <bean id="templateResolver" class=&quo ...

  9. Linux命令： 查找文件中的字符串

    ①cat filename | grep 'string' ②编辑模式查找,/string, 依次敲入下面的命令 vim filename e i ESC /string 从光标位置开始往后查找第一个 ...

  10. python repr方法和str方法

    每个类都有默认的__repr__, __str__方法,用print 实例时调用类的str方法,直接输出类的实例,调用的是类的repr方法 在命令行界面,不用print命令打印而是直接写变量名,就是用 ...