当前位置： 首页 > news >正文

即墨网站建设在哪wordpress怎么更改首页海报轮播图

news 2025/10/26 20:07:46
即墨网站建设在哪,wordpress怎么更改首页海报轮播图,wordpress 小工具 音乐播放器,用凡科帮别人做网站目录 一.Pandas库的核心特点与应用场景 1.表格数据处理 2.与NumPy的区别 3.数据转换 二.Pandas与OpenPyXl的对比 三.DataFrame与Series数据类型 四.DataFrame常用操作 排序：df.sort_values(by列名, ascendingFalse)按指定列降序排序，整行数据同步…

目录

一.Pandas库的核心特点与应用场景

1.表格数据处理

2.与NumPy的区别

3.数据转换

二.Pandas与OpenPyXl的对比

三.DataFrame与Series数据类型

四.DataFrame常用操作

排序：df.sort_values(by='列名', ascending=False)按指定列降序排序，整行数据同步调整，当参数值为ture时则为升序排序或默认升序排序

数据替换：df['列名'].replace({'旧值':'新值'})实现值替换，需注意代码换行可能引起的误解。

数据访问：

删除数据：df.drop('行名', inplace=True)默认直接删除指定行，也可以通过axis=" "参数改变值为0时删除指定行，值为1时则删除指定列；inplace=True时覆盖原变量生效为False则不会改变原来的数据而是生成一个副本；

内容修改：直接赋值（如df['列名'] = 新值）可更新数据。

添加列：

添加行：通过指定行名和列名添加

五.pandas库读取不同类型的文件

一.Pandas库的核心特点与应用场景

1.表格数据处理

Pandas的核心功能是将数据以表格形式（DataFrame）处理，支持列名、行索引等结构化操作，适用于金融、股票等领域的Excel数据分析。

2.与NumPy的区别

NumPy仅支持数值类型数据，而Pandas支持字符串、列表等多种数据类型。
Pandas底层基于NumPy实现，但功能更丰富（如数据读取、转换、计算等）。

3.数据转换

Pandas表格数据（数值类型）可直接转换为NumPy数组，两者可互相转化。

二.Pandas与OpenPyXl的对比

  • Pandas：专注于数据存储、计算和分析，类似NumPy与OpenPyXL的结合体。
  • OpenPyXL：模拟Excel操作（公式、绘图等），功能更偏向文件操作而非数据分析。

三.DataFrame与Series数据类型

  • DataFrame：二维表格数据，包含行索引（index）和列名（columns），可通过字典形式创建（键为列名，值为数据）。"DataFrame(数据框)就是excel表(多个Series的拼接)" 
    import pandas as pd
df_1 = pd.DataFrame({'age':[10,20,30],'name':['tim','john','rose'],'income':[100,200,300]},index=['person1','person2','person3'])
print(df_1)age  name  income
person1   10   tim     100
person2   20  john     200
person3   30  rose     300

  • Series：一维表格数据，用于处理单列/行数据，支持自定义索引（index）。 
    #生成第一个Series[按照默认的index]
s_1 = pd.Series([1,2,3,4,5])
print(s_1)0    1
1    2
2    3
3    4
4    5
dtype: int64
#自定义index
s_2 = pd.Series([1,2,3,4,5], index=['a', 'b', 'c', 'd', 'e'])
print(s_2)a    1
b    2
c    3
d    4
e    5
dtype: int64

  • 属性：两者共有values（数据值）、index（行索引）、columns（列名）等属性

四.DataFrame常用操作

  • 排序：df.sort_values(by='列名', ascending=False)按指定列降序排序，整行数据同步调整，当参数值为ture时则为升序排序或默认升序排序

    import pandas as pd
dic={'name':['jack','marry','john','tom'],'age':[13,45,67,23],'gender':['f','f','m','m']}
df=pd.DataFrame(dic)
print(df)name  age gender
0   jack   13      f
1  marry   45      f
2   john   67      m
3    tom   23      m# 根据年龄这一列进行排序（升序和降序）
df=df.sort_values(by=['age'])
print(df)name  age gender
0   jack   13      f
3    tom   23      m
1  marry   45      f
2   john   67      mdf=df.sort_values(by=['age'],ascending=False)
print(df)name  age gender
2   john   67      m
1  marry   45      f
3    tom   23      m
0   jack   13      f

  • 数据替换：df['列名'].replace({'旧值':'新值'})实现值替换，需注意代码换行可能引起的误解。

    # 值替换
df['gender'] =df['gender'].replace(['m','f'],['male','female'])
print(df)name  age  gender
2   john   67    male
1  marry   45  female
3    tom   23    male
0   jack   13  female

  • 数据访问：

    • 通过行列索引或位置序号访问数据，df.loc()方法通过行名和列名定位数据，df.iloc()方法通过位置序号定位数据
    • 支持切片（如a:d）和离散选择（如['a','d']）。 
      import pandas as pd
import numpy as npdatas=pd.date_range('20180101',periods=5)#产生一个时间数据，五个
df=pd.DataFrame(np.arange(30).reshape(5,6),index=datas,columns=['A','B','C','D','E','F']
)A   B   C   D   E   F
2018-01-01   0   1   2   3   4   5
2018-01-02   6   7   8   9  10  11
2018-01-03  12  13  14  15  16  17
2018-01-04  18  19  20  21  22  23
2018-01-05  24  25  26  27  28  29# 打印某个值
print(df.loc['20180103','B'])  
13# 打印某列值
print(df.loc[:,'B'])
2018-01-01     1
2018-01-02     7
2018-01-03    13
2018-01-04    19
2018-01-05    25print(df.loc['20180103':,'B'])
2018-01-03    13
2018-01-04    19
2018-01-05    25print(df.loc['20180103':,['B',"D"]])B   D
2018-01-03  13  15
2018-01-04  19  21
2018-01-05  25  27# 打印某行值
print(df.loc['20180103',:])
A    12
B    13
C    14
D    15
E    16
F    17# 打印某些行
print(df.loc['20180103':,:])A   B   C   D   E   F
2018-01-03  12  13  14  15  16  17
2018-01-04  18  19  20  21  22  23
2018-01-05  24  25  26  27  28  29# 获取某个数据
print(df.iloc[1,2])
8# 获取某列
print(df.iloc[:,2])
2018-01-01     2
2018-01-02     8
2018-01-03    14
2018-01-04    20
2018-01-05    26#获取某几列
print(df.iloc[:,2:])C   D   E   F
2018-01-01   2   3   4   5
2018-01-02   8   9  10  11
2018-01-03  14  15  16  17
2018-01-04  20  21  22  23
2018-01-05  26  27  28  29print(df.iloc[:,[2,3]])C   D
2018-01-01   2   3
2018-01-02   8   9
2018-01-03  14  15
2018-01-04  20  21
2018-01-05  26  27
# 获取某行
print(df.iloc[2,:])
A    12
B    13
C    14
D    15
E    16
F    17# 获取某些行
print(df.iloc[2:,])A   B   C   D   E   F
2018-01-03  12  13  14  15  16  17
2018-01-04  18  19  20  21  22  23
2018-01-05  24  25  26  27  28  29

  • 删除数据：df.drop('行名', inplace=True)默认直接删除指定行，也可以通过axis=" "参数改变值为0时删除指定行，值为1时则删除指定列；inplace=True时覆盖原变量生效为False则不会改变原来的数据而是生成一个副本；

        删除列：del df['列名'] 或 df.drop('列名', axis=1, inplace=True)。

        删除行：df.drop('行名', axis=0, inplace=True)。

  • import pandas as pd
df = pd.DataFrame({'age':[10,10,12],'name':['tom','rose','jack'],'income':[100,200,300]},index=['person1','person2','person3'])
print(df)age  name  income
person1   10   tom     100
person2   10  rose     200
person3   12  jack     300# 删除
# 直接在原数据上删除
del df['age']
print(df)name  income
person1   tom     100
person2  rose     200
person3  jack     300# 删除列
data = df.drop('name',axis=1,inplace=False)
print(data)income
person1     100
person2     200
person3     300# 删除行
df.drop('person1',axis=0,inplace=False)name  income
person2  rose     200
person3  jack     300

  • 内容修改：直接赋值（如df['列名'] = 新值）可更新数据。

  • 添加列：

    import pandas as pd
df = pd.DataFrame({'age':[10,10,12],'name':['tom','rose','jack'],'income':[100,200,300]},index=['person1','person2','person3'])
print(df)age  name  income
person1   10   tom     100
person2   10  rose     200
person3   12  jack     300# 在最后增加一列
df['pay']=[20,30,40]
print(df)age  name  income  pay
person1   10   tom     100   20
person2   10  rose     200   30
person3   12  jack     300   40

  • 添加行：通过指定行名和列名添加

    df.loc['person4',['age','name','income']]=[20,'kitty',200]
print(df)age   name  income   pay
person1  10.0    tom   100.0  20.0
person2  10.0   rose   200.0  30.0
person3  12.0   jack   300.0  40.0
person4  20.0  kitty   200.0   NaN

                                                                                                                                                         

五.pandas库读取不同类型的文件

import pandas as pd
#读取csv文件
df_1=pd.read_csv("")df_2=pd.read_csv("",encoding='utf-8',header=None)# 读取excel文件
df_3=pd.read_excel("")# 读取txt文件
df_4=pd.read_table("",sep='',header=None)

http://www.dtcms.com/a/530556.html

相关文章：

  • 义乌外贸网站制作网站图片列表怎么做
  • 网站服务器怎么做安全防护工程建设业绩公示网站
  • 佛山网站建设 骏域医学教育网站建设方案
  • 网络彩票建立网站秦皇岛网站制作
  • 个人网站做项目工业设计大赛官网
  • RDF 容器：构建语义网的关键技术
  • 设置网站默认首页网站上面的主导航条怎么做
  • 国外的网站叫什么淳安网站建设
  • 企业网站开发 外文文献WordPress任务悬赏 插件
  • 大淘客网站建设wordpress数据搬移
  • 网站理念正品手表官网
  • 银川网站制作公司怎么做公司内网网站
  • 昆明做网站建设的公司建站快车产品介绍
  • 合肥论坛网站制作wordpress 修改目录权限
  • 石家庄网站开发与优化小说网站签约作者应该怎么做
  • 网站推广排名平台开发商逾期交房可以申请退房吗
  • 牡丹江网站建设用什么软件做网站好处
  • 免费网站怎么赚钱上海中高风险地区有哪些
  • 洛江区建设局网站做新的网站
  • 鞍山做网站必要商城官网
  • 会HTML怎么做网站网站建设 服务内容 费用
  • 查看网站模板魏县网站建设推广
  • 什么是域名访问网站黑糖不苦建设的网站
  • php网站开发实用技术练习题做百度推广 建自己的网站
  • 三亚网站定制wordpress 调用文章内容
  • 达州城乡建设网站电子毕业设计代做网站
  • 网站备案拍照好麻烦正规免费网站建设公司
  • 公司百度网站怎么做的广东圆心科技网站开发
  • 网站空间备份优化设计六年级上册语文答案
  • 甘肃省城乡住房建设厅网站首页广西建设学院官方网