网站关键词排名查询,霸屏网站开发,备案网站的黑名单,福州外贸网站制作#行处理
#df.iloc[1] 行索引号——获取行
#df.iloc[0,1] 行列索引号——获取一个元素
#df.iloc[[0,1]] 双括号默认都是行索引号——获取n行
#df.iloc[0:2,1:3] 行列索引号——获取区域元素
#df.loc[A] 行名称——获取行
#df.loc[A,c1] 行列…#行处理
#df.iloc[1] 行索引号——获取行
#df.iloc[0,1] 行列索引号——获取一个元素
#df.iloc[[0,1]] 双括号默认都是行索引号——获取n行
#df.iloc[0:2,1:3] 行列索引号——获取区域元素
#df.loc[A] 行名称——获取行
#df.loc[A,c1] 行列名称——获取一个元素
#df.loc[[A,B]] 双括号默认都是行名称号——获取n行
#df.loc[A:B,c1:c2] 行列名称——获取区域元素
#列处理
#df[c2] 列名称——获取列
#df[[c1,c2] 列名称——获取n列
#修改某一值
#df.iloc[0,1] 2
#df.loc[A,c1] 2
#修改某一行信息 map与apply 当apply中axis0时表示行
#df.loc[A]df.loc[A].map(lambda x:x*2) -- A行信息数*2
#df.iloc[1]df.iloc[1].map(lambda x:x*2) -- 索引号1行信息数*2
#df.loc[A] df.apply(lambda x: x[B] 2 * x[C], axis0)
#修改某一列信息 map与apply 当apply中axis1时表示列
#df[c1]df[c1].map(lambda x:x*2) -- c1列信息数*2
#df[c3] df.apply(lambda x: x[c1] 2 * x[c2], axis1)
#map、applymapapply比较
#apply对DataFrame的数据进行按行或按列操作axis0时表示行axis1时表示列可添加min与max
#apply运用到Series中执行的是对每个元素的运算
#applymap自动对DataFrame每一个元素进行处理不能添加统计函数比如min与max
#map 是对 行、列series 等 进行每个元素的单独操作不能添加统计函数比如min与max
#某列值为**显示此列
#df[df[c1]9] -- 列c1值为9的行
import numpy as np
import pandas as pd
anp.random.randint(5,10,size(5,5))
df pd.DataFrame(a,index[A,B,C,D,E],columns[c1, c2, c3, c4, c5])
#print(type(df))
print(df)#iloc 按照索引号切片取信息左闭右开
df1df.iloc[0:2,1:3]
print(df1)
#loc 按照行列名称取信息
df2df.loc[A:B,c2:c3]
print(df2)
#列索引
print(df[c2])
# 返回前n行
print(df.head(2))
# 返回后n行
print(df.tail(2))
# 按照行列名称取信息,n个注意用【 】扩起
df3 df[[c2,c3]]
print(df3)
#修改某一数据
df.iloc[1,2]apple
print(df)
#修改列数据 使用map方法其中lambda函数中x代表当前的列
#df[c2] df[c2].map(lambda x: x**2)
#print(df)
#修改行数据
df.iloc[1]df.iloc[1].map(lambda x:x*2)
#修改多列数据 apply方法 c3c12*c2
df[c3] df.apply(lambda x: x[c1] 2 * x[c2], axis1)
#排序
print(df[c2].sort_values(ascendingFalse))
#apply使用统计函数
df1df.apply(lambda x: x.max()-x.min())
#print(df)
#增加列数据
df[c6][1,2,3,4,5]
print(df)
#某列数值等于**显示此列
print(df[df[c1]9])
