当前位置：首页 > news >正文

Python 从入门到实战45（Pandas数据操作）

news 来源：原创 2025/7/14 17:18:55

我们的目标是：通过这一套资料学习下来，可以熟练掌握python基础，然后结合经典实例、实践相结合，使我们完全掌握python，并做到独立完成项目开发的能力。

上篇文章我们学习了pandas数据读写的相关基础知识。今天学习一下pandas数据操作的相关操作。

DataFrame 对象是pandas 模块中最常用的对象，该对象所呈现的数据与excel表格相似。因此，我们需要了解DataFrame 对象中的各种数据操作方法。

1、增加数据

DataFrame 对象添加一列数据，可以先创建列名，然后为其赋值。如下：

执行结果：

A B C D

0 1 10 11 100

1 2 20 22 200

2 3 30 33 300

3 4 40 44 400

4 5 50 54 500

2、删除数据

pandas 模块提供了drop()函数，用于删除DataFrame对象中的某行或者某列数据。

drop()函数常用参数：

参数名	参数含义
labels‌	指定要删除的行索引或列名，可以是单个索引/标签、索引/标签列表或索引/标签数组。如果指定的是列名，需要将axis参数设置为1或columns‌
axis‌	设置删除行还是列，0表示删除行，1表示删除列，默认值为0。如果删除列，需要将axis设置为1或columns‌
‌index‌	设置要删除的行的索引或标签，相当于设置labels且axis为0‌
columns‌	设置要删除的列的索引或标签，相当于设置labels且axis为1或columns‌
‌level‌	如果索引是多重索引，指定按多重索引中的哪个等级的索引删除，可以传入多重索引的下标或名称‌
‌inplace	设置是否在DataFrame本身删除数据，默认为False，即在DataFrame的副本里删除数据，返回删除数据后的DataFrame。如果设置为True，则在调用drop()的DataFrame本身执行删除，返回值为None‌
errors‌	设置是否抛出错误，可以设置的值有{‘ignore’, ‘raise’}，默认raise，表示抛出错误。ignore表示忽略错误，跳过传入的错误索引名或列名，正确的索引名或列名不受影响，正常执行删除‌

举例说明：

#DataFrame 对象添加一列数据
data = {'A':[1,2,3,4,5],
        'B':[10,20,30,40,50],
        'C':[11,22,33,44,54]
}   #字典形式的数据
data_frame = pd.DataFrame(data) #创建DataFrame对象
#添加一列数据:D列
data_frame['D']=[100,200,300,400,500]
print(data_frame)

#删除行数据
data_frame.drop([0],inplace=True)
print("删除第一行数据后的结果：\n",data_frame)
#删除列数据:A列
data_frame.drop(labels="A",axis=1,inplace=True)
print("删除A行数据后的结果：\n",data_frame)

执行结果：

A B C D

0 1 10 11 100

1 2 20 22 200

2 3 30 33 300

3 4 40 44 400

4 5 50 54 500

删除第一行数据后的结果：

A B C D

1 2 20 22 200

2 3 30 33 300

3 4 40 44 400

4 5 50 54 500

删除A行数据后的结果：

B C D

1 20 22 200

2 30 33 300

3 40 44 400

4 50 54 500

如删除前3行数据

data_frame.drop(label=range(0,3),axis=0,inplace=True)

3、修改数据

修改DataFrame 中某一列中的某个元素，通过赋值方式来实现

#DataFrame 对象修改一列中某个索引的数据
data = {'A':[1,2,3,4,5],
        'B':[10,20,30,40,50],
        'C':[11,22,33,44,54]
}   #字典形式的数据
data_frame = pd.DataFrame(data) #创建DataFrame 对象
data_frame["A"][1] = 22   #A列中索引为1的值修改为22
print("修改后的数据：\n",data_frame)

执行结果：

修改后的数据：

A B C

0 1 10 11

1 22 20 22

2 3 30 33

3 4 40 44

4 5 50 54

修改DataFrame 中某一列中的元素，通过赋值方式来实现

data = {'A':[1,2,3,4,5],
        'B':[10,20,30,40,50],
        'C':[11,22,33,44,54]
}   #字典形式的数据
data_frame = pd.DataFrame(data) #创建DataFrame 对象
data_frame["A"][1] = 22   #A列中索引为1的值修改为22
print("修改后的数据：\n",data_frame)
#修改一整列的数据
data_frame["B"] = [101,202,303,404,505]
print("修改一整列的数据后：\n",data_frame)

执行结果：

修改一整列的数据后：

A B C

0 1 101 11

1 22 202 22

2 3 303 33

3 4 404 44

4 5 505 54

4、查询数据

如获取DataFrame 对象中某一列的数据。可以通过指定列名或者直接调用列名的属性来获取指定列的数据。

import pandas as pd #导入pandas 模块

#DataFrame 对象查询数据
data ={
        "A":[10,20,30,40],
        "B":[12,22,32,42],
        "C":[14,24,34,44]
} #字典形式的数据
data_frame = pd.DataFrame(data) #字典数据形成DataFrame 对象
print("指定列名的数据为：\n",data_frame["A"])
print("指定列名属性的数据为：\n",data_frame.B)

执行结果：

指定列名的数据为：

0 10

1 20

2 30

3 40

Name: A, dtype: int64

指定列名属性的数据为：

0 12

1 22

2 32

3 42

Name: B, dtype: int64

Process finished with exit code 0

也可以查询多行，如第一到第二行的数据

print("查询两行的数据：\n",data_frame[0:2])

输出：

查询两行的数据：

A B C

0 10 12 14

1 20 22 24

5、NaN 数据处理

1）将元素修改为NaN

NaN 在numpy 模块中用于表示空缺数据，若要将某个数据元素修改为NaN,只需要调用numpy.NaN为需要修改的元素赋值即可。

如下：

data ={
        "A":[10,20,30,40],
        "B":[12,22,32,42],
        "C":[14,24,34,44]
} #字典形式的数据
data_frame = pd.DataFrame(data) #字典数据形成DataFrame 对象
data_frame["A"][0] =numpy.nan

输出结果：

将第一列第一行的数据改为NaN后的数据：

A B C

0 NaN 12 14

1 20.0 22 24

2 30.0 32 34

3 40.0 42 44

2）统计NaN数据

pandas 提供了可以快速识别数据中的空缺值非空缺值的方法：isnull()方法用于识别数据中是否有空缺值，若有空缺值值返回为true。notnull()方法用于识别数据中是否有非空缺值，若有非空缺值值返回为true。

举例说明统计函数的使用方法：

print("每列空缺值数量为：\n",data_frame.isnull().sum())#输出数据中空缺值数量
print("每列非空缺值数量为：\n",data_frame.notnull().sum())#输出数据中非空缺值数量

执行结果：

每列空缺值数量为：

A 1

B 0

C 0

dtype: int64

每列非空缺值数量为：

A 3

B 4

C 4

dtype: int64

3)筛选NaN

在实现数据中NaN元素的筛选时，需要使用dropna()函数来实现，例如，删除包含NaN元素所在的整行数据，如下：

data ={
        "A":[10,20,30,40],
        "B":[12,22,32,42],
        "C":[14,24,34,44]
} #字典形式的数据
data_frame = pd.DataFrame(data) #字典数据形成DataFrame 对象
data_frame["A"][0] =numpy.nan
data_frame.dropna(axis=0,inplace=True)
print("删除有NaN元素所在的整行数据后为：\n",data_frame)

执行结果：

删除有NaN元素所在的整行数据后为：

A B C

1 20.0 22 24

2 30.0 32 34

3 40.0 42 44

另外，若是要删除含有NaN数据的那一列数据，axis 参数设置为1；

data_frame.dropna(axis=1,inplace=True)
print("删除有NaN元素所在的整列数据后为：\n",data_frame)

执行结果:

删除有NaN元素所在的整列数据后为：

B C

0 12 14

1 22 24

2 32 34

3 42 44

4)NaN元素的替换

可以使用fillna()函数将数据中NaN元素替换为同一个元素。如下：

#NaN元素的替换
data ={
        "A":[10,None,30,40],
        "B":[12,22,None,42],
        "C":[14,24,34,None]
} #字典形式的数据
data_frame = pd.DataFrame(data) #创建DataFrame 对象
data_frame.fillna(0,inplace=True) #将所有数据中NaN元素替换为0
print(data_frame)#输出DataFrame 对象内容

执行结果：

A B C

0 10.0 12.0 14.0

1 0.0 22.0 24.0

2 30.0 0.0 34.0

3 40.0 42.0 0.0

Process finished with exit code 0

另外，如果需要将不同列中的NaN元素修改为不同的元素值，可以通过字典的方式对每列进行依次修改，如下：

#NaN元素每列进行不同的替换
data ={
        "A":[10,None,30,40],
        "B":[12,22,None,42],
        "C":[14,24,34,None]
} #字典形式的数据
data_frame = pd.DataFrame(data) #创建DataFrame 对象
data_frame.fillna({"A":0,"B":110},inplace=True) #将所有数据中NaN元素替换为0
print(data_frame)#输出DataFrame 对象内容

执行结果：

A B C

0 10.0 12.0 14.0

1 0.0 22.0 24.0

2 30.0 110.0 34.0

3 40.0 42.0 NaN -----第3列没有替换。

今天先写学习到这里了，每天进步一点点。明天也要加油啊！

1、增加数据

2、删除数据

3、修改数据

4、查询数据

5、NaN 数据处理

1）将元素修改为NaN

2）统计NaN数据

3)筛选NaN

4)NaN元素的替换

相关文章：