今天從26個字母中精選出22個Pandas常用的函數，將它們的使用方法簡單介紹給大家，詳細內容可以查看官網學習。

import?pandas?as?pd import?numpy?as?np

apply函數

Pandas中一個很實用的函數，下面模擬了一份數據：

我們分別將python的內置函數、自定義函數、匿名函數傳給apply函數：

使用Python的匿名函數來進行傳遞：

between_time

start_time,? end_time,? include_start=NoDefault.no_default, include_end=NoDefault.no_default,? inclusive=None,? axis=None

來自官網的案例：

如果在參數中，開始時間大于結束時間，則會呈現不同的結果：

contains函數

針對Series中的包含字符信息：

drop_duplicates函數

刪除數據中的重復值；可以選擇根據某個或者多個字段來刪除。

在刪除數據的時候，默認保留的是第一條重復的數據，我們可以通過參數keep來指定保留最后一條

expanding函數

這是一個窗口函數，實現的是一種類似累計求和的功能

DataFrame.expanding(min_periods=1,?center=None,?axis=0,?method='single')

• min_periods：每個窗口最少包含的觀測值數量，小于該數量的窗口結果為NA。值可以是int，默認None。offset情況下，默認為1

• center：把窗口的標簽設置為居中，布爾型，默認False，居右

• axis：默認為0，對列進行計算

• method：single或者table

模擬了一份數據：

分別指定1-2-3不同的窗口數：

我們發現：當窗口數大于前面的記錄數，則累計和用NaN表示

filter函數

用來進行數據的過濾操作

• items：表示包含的字段

• regex：表示使用正則

ge函數

進行比較的一個函數：ge表示greater equal

hist函數

pandas內置的繪制直方圖的函數

df4?=?pd.DataFrame({'length':?[1.5,?0.5,?1.2,?0.9,?3],'width':?[0.7,?0.2,?0.15,?0.2,?1.1]},?index=['pig',?'rabbit',?'duck',?'chicken',?'horse'])hist?=?df4.hist(bins=3)

iterrows函數

iterrows函數用于對DataFrame進行迭代循環

join函數

join函數用于合并不同的DataFrame

kurtosis函數

用于查找一組數據中的峰度值

kurtosis(axis=index(0)?or?columns(1),?skipna=True,?level=None,?numeric_only=None,?**kwargs)

• axis:要應用的函數的軸。

• skipna:計算結果時排除NA /null值。

• level:如果軸是MultiIndex(分層)，則沿特定級別計數，并折疊成標量。

• numeric_only:僅包括float，int，boolean列。

• **kwargs:要傳遞給函數的其他關鍵字參數

如果給定的數據中存在缺失值，可以使用參數skipna直接跳過：

s1?=?pd.Series([10,None,16,14,30,None]) s10????10.0 1?????NaN 2????16.0 3????14.0 4????30.0 5?????NaN dtype:?float64s1.kurtosis(skipna=True)2.646199227619398

last函數

這是一個用在基于時間數據選擇上的函數

i?=?pd.date_range('2018-04-09',?#?起始日期periods=4,??#?周期freq='2D')??#?頻率、間隔 iDatetimeIndex(['2018-04-09',?'2018-04-11',?'2018-04-13',?'2018-04-15'],?dtype='datetime64[ns]',?freq='2D')

注意：在這里返回的日歷中3個日的數據，而不是數據中的3行記錄。13-14-15剛好是3天

max/min/mean/median

4個基于統計概念的函數：最大值、最小值、均值、中位數

nlargest函數

選擇前n個的數據，其語法如下：

nlargest(n,?columns,?keep='first')

• n：整數

• columns：根據一個或者多個字段篩選

• keep：選擇first、last、all；默認是first

下面的例子來自官網：

df7?=?pd.DataFrame({'population':?[59000000,?65000000,?434000,434000,?434000,?337000,?11300,11300,?11300],'GDP':?[1937894,?2583560?,?12011,?4520,?12128,17036,?182,?38,?311],'alpha-2':?["IT",?"FR",?"MT",?"MV",?"BN","IS",?"NR",?"TV",?"AI"]},index=["Italy",?"France",?"Malta","Maldives",?"Brunei",?"Iceland","Nauru",?"Tuvalu",?"Anguilla"]) #?記錄每個國家的人口數、GDP和名稱2位大寫 df7

keep參數在不同取值下的結果：

pop函數

表示刪除某個屬性或者字段信息

quantile函數

quantile就是分位數的意思，函數具體的語法規則為：

DataFrame.quantile(q=0.5,??axis=0,?numeric_only=True,interpolation=’linear’)

• q : 數字或者是類列表，范圍只能在0-1之間，默認是0.5，即中位數-第2四分位數

• axis :計算方向，0-index, 1-columns，默認為 0

• numeric_only：只允許是數值型數據

• interpolation（插值方法）：可以是 {‘linear’, ‘lower’, ‘higher’, ‘midpoint’, ‘nearest’}之一，默認是linear。

reset_index函數

reset就是重置的含義，index就是行索引；連起來就是重置行索引

df9?=?pd.DataFrame({"fruit":["蘋果","香蕉","橙子","橙子","蘋果","橙子"],"amount":[100,200,130,150,88,40]}) df9

當我們統計每種水果的總銷售額，是否使用reset_index函數的不同效果：

select_dtypes函數

根據字段類型來篩選數據，可以包含或者排除一個或者多個字段類型的數據。

下面是官網的案例，稍作修改：生成了3個不同數據類型的字段

1、包含字段類型

2、排除字段類型

take函數

也是選擇數據的一個函數，具體語法為：

take(indices,?axis=0,?is_copy=None,?**kwargs)

• indices：選擇位置：數組或者切片

• axis：選擇的軸，0-index，1-column，默認是0

• is_copy：是否返回副本；從Pandas1.0開始

下面是多個例子：

以第一個例子來解釋，指定數據的記錄為0和4。表示取出df10中的第1條和第5條數據（索引從0開始），而不是看我們自定義的索引號。

update函數

更新某個DataFrame數據框；模擬兩個數據：

第一次更新的結果：

如果用于更新的數據中存在空值，則保持原來的數據不變

var函數

用于求一組數據的方差

where函數

用于查找滿足條件的數據

w?=?pd.Series(range(5)) w0????0 1????1 2????2 3????3 4????4 dtype:?int64#?滿足條件的顯示；不滿足的用空值代替 w.where(w>=2)0????NaN 1????NaN 2????2.0 3????3.0 4????4.0 dtype:?float64#?不滿足的用8替代 w.where(w>=2,?8)0????8??#?8代替 1????8 2????2 3????3 4????4 dtype:?int64

-?END -

對比Excel系列圖書累積銷量達15w冊，讓你輕松掌握數據分析技能，可以在全網搜索書名進行了解選購： 創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的精选22个Pandas函数！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。