简介 Pandas自身也提供了作图的[crayon-5ceba6e9adc1b844795935-i/] 方法，可以作各种图形。本文将详细介绍如何使用Pandas直接作一些常规的图。 折线图 控制作图的类型在[crayo…
pandas时间频率处理——resample和reindex方法
简介 本文接着介绍时间频率转换和重新对齐的两个方法（[crayon-5ceba6e9afa4c452095723-i/] 和[crayon-5ceba6e9afa55695329543-i/] ）。 resample()…
pandas时间序列处理——日期范围、频率、移动
简介 时间序列是一种非常重要的数据类型，在许多领域（金融、物理、经济、生态学）都有应用，它描述了多个时间点观察到的结果，形成一段时间序列。时间序列中的频率变化可以是定长或不定长的，幸运的是，pandas提供了一套完整的方…
pandas读写操作总结
简介 读写操作方便数据的迁移储存，pandas提供了非常丰富的接口，能够实现对二进制数据、文本文件、剪贴板内容、Excel、JSON格式、HTML格式和HDF5格式等数据的读写，操作非常方便。本文将介绍几个主要操作： C…
pandas函数应用——apply、applymap、map方法
简介 在pandas中，[crayon-5ceba6e9b303b363749599-i/] 方法使用是非常灵活的，他比[crayon-5ceba6e9b3045281259918-i/] 方法使用更自由。数据分析师日常…
pandas数据聚合方法——agg方法
简介 在之前的文章中我们就介绍了一些聚合方法，这些方法能够就地将数组转换成标量值。一些经过优化的groupby方法如下表所示： 然而并不是只能使用这些方法，我们还可以定义自己的聚合函数，在这里就需要使用到agg方法。 自…
pandas数据聚合与分组运算——groupby方法
简介 pandas中一类非常重要的操作是数据聚合与分组运算。通过groupby方法能够实现对数据集的拆分、统计、转换等操作，这个过程一气呵成。 在本文中，你将学到： 选取特定列分组； 对分组进行迭代； 通过字典或Seri…
pandas数据离散化
简介 有时候便于分析数据，我们需要将连续型的数据划分开，也就是离散化。比如：统计人员的年龄分布，需要划分几个档次等，然后就可以做柱状图或者直方图。可以通过pandas的cut()和qcut()函数实现，接下来一一介绍。 …
pandas去重、替换和重命名索引
简介 本文将介绍pandas的几个实用操作——去重、替换和重命名索引。 去除重复数据 在DataFrame中经常会碰到重复行数据，比如： [crayon-5ceba6e9b5bcd063046575/] 使用duplic…
pandas重塑和轴向旋转
简介 pandas中重新排列表格型数据的操作称为重塑（reshape）和轴向旋转（pivot）。可以将一个高维的数据按照想要的方式二维平铺展开。 重塑 重塑操作方法有两个： stack()：将数据的列旋转为行； unst…
pandas合并数据操作
简介 pandas提供了一套合并数据集操作的方法： pandas.merge()可根据一个或者多个键将不同的DataFrame连接在一起，类似于SQL数据库中的合并操作； pandas.concat()可以沿某个轴将多个…
pandas从入门到放弃——23个基本操作
简介 数据科学家George Seif分享了23个pandas基本操作，让我们一起来练练手。 默认导入pandas格式如下： [crayon-5ceba6e9b9c8b306579024/] 1. 读取csv格式文件 […
pandas索引和获取
简介 在pandas中最常见的操作就是索引和获取数据，在老版本中使用的ix方法已经被抛弃，转而代之的是loc和iloc方法。 Series操作 在Series中索引和获取的工作方式类似NumPy数组。示例如下： [cra…
pandas处理缺失数据
简介 在数据处理过程中经常会碰到缺失数据，pandas提供了一套处理缺失数据的方法。缺失数据通常用NaN（not a number）表示，它是一个可以被检测出来的标记。默认在所有的统计描述中都排除缺失数据。 方法 处理缺…
pandas数据结构
简介 pandas是数据处理和分析的操作工具，它是基于NumPy实现的，因此很多操作方式和NumPy相似。pandas广泛应用于数据处理领域，尤其在金融、机器学习方面应用甚多。它具有以下功能： 能够按轴自动对齐数据； 集…