九道門丨pandas的18個重要函數，你會用哪些？（上）。

接著上次，我們今天繼續來分享Pandas的18個重要函數（下），感興趣的同學趕緊拿出小本本記下來吧。

數據分析優質社群，等你加入哦~

10）df.astype（）：

當你想把一個特定的列數據類型轉換為另一種數據類型，DataFrame.astype函數就能派上用場。

語法：

DataFrame.astype(dtype,copy=True,errors="raise")

參數： dtype：將整個pandas對象轉換為同一類型。numpy.dtype{col:dtype,…}numpy.dtype copy：默認為True。在以下情況返回副本copy=Truecopy=False。 Errors：默認為“raise”。控制對提供的dtype的無效數據引發異常。raise：允許引發異常ignore：禁止顯示異常。出錯時返回原始對象。

例：

df=pd.read_csv("employees.csv") df.info #changingthedtypeofcolumns"Team"and"Salary" df=df.astype({"Team":"category","Salary":"int64"})

11）pd.concat（）：

沿特定軸連接pandas對象，并沿其他軸連接可選的設置邏輯。還可以在連接軸上添加分層索引層，如果傳遞的軸編號上的標簽相同（或重疊），則這可能很有用。

語法：

pandas.concat(objs,axis=0,join=outer,ignore_index=False,keys=None,levels=None,names=None,verify_integrity=False,sort=False,copy=True)

參數： objs：序列或數據幀對象的序列或映射。 axis：默認0。連接軸：要連接的軸可以是下標為0，列為1。 join：{"inner"，"outer"}，默認為"outer"。 ignore_index：bool，默認為False。 keys：順序，默認無。 levels：序列列表，默認無。 names：列表，默認無。 verify_integrity：bool，默認為False。 sort：bool，默認為False。

例：

import pandas as pd df1=pd.DataFrame({"points":[25,12,15,14,19],"Player":["Adam","Bob","Cot","Derrick","Ethan"],"rebounds":[11,8,10,6,6]}) df2=pd.DataFrame({"points":[15,22,75,84,29],"Player":["A","B","C","D","E"],"rebounds":[18,38,90,56,36]}) #Concatingboththedataframes pd.concat([df1,df2]) #連接后為數據幀分配鍵： df_concat=pd.concat([df1,df2],keys=["Set1","Set2"]) df_concat #兩個集合的索引都是重復的。因此使用ignore_index=True df_concat=pd.concat([df1,df2],keys=["Set1","Set2"],ignore_index=True) df_concat #沿軸axis=1:df2添加第二個數據幀 df_concat=pd.concat([df1,df2],keys=["Set1","Set2"],axis=1) df_concat

組合具有重疊列的對象，并僅返回那些通過傳遞關鍵字參數來共享的對象：DataFrameinnerjoin。

import pandas as pd df1=pd.DataFrame({"points":[25,12,15,14,19],"Player":["Adam","Bob","Cot","Derrick","Ethan"],"rebounds":[11,8,10,6,6]}) df2=pd.DataFrame({"points":[15,22,75,84,29],"Player":["A","B","C","D","E"],"rebounds":[18,38,90,56,36],"Overs":[25,12,15,14,19]}) df_concat=pd.concat([df1,df2],join="inner") df_concat

12）df.describe（）：

describe函數用于生成描述性統計信息，包括匯總數據集分布的中心趨勢、分散度和形狀（不包括值）的統計數據。它分析數值和對象序列，以及混合數據類型的列集。輸出取決于所提供的數據。

語法：

DataFrame.describe(percentiles=None,include=None,exclude=None)

參數： percentile：列出介于0–1之間的列表式數據類型。 include：描述數據幀時要包含的數據類型列表。 exclude：描述數據幀時要排除的數據類型列表。

例：

df2=pd.DataFrame({"points":[15,22,75,84,29],"Player":["A","B","C","D","E"],"rebounds":[18,38,90,56,36],"Overs":[25,12,15,14,19]}) df2.describe

13）df.isnull.sum：

在分析數據之前，刪除缺失值、計算缺失值及其百分比非常重要。

df.isnull.sumfunctionisusedtocountthenumberofmissingvaluesineachcolumn.

使用的數據：沃爾瑪銷售預測|卡格爾

import pandas as pd df=pd.read_csv("features.csv") df.isnull.sum

14）pd.isna：

檢測類似數組的對象的缺失值。此函數采用標量或類似數組的對象，并指示值是否丟失。

對于標量輸入，返回標量布爾值。對于數組輸入，返回一個布爾數組，指示是否缺少每個相應的元素。

df.isna

返回存在空值和不空值的位置。

15）pd.to_datetime：

將參數轉換為日期時間。

s=pd.Series(["5/10/2022","5/10/2022","5/10/2022"]*100) 將序列的數據類型更改為sobjectdatetime

pd.to_datetime(s)

16）df.isin：

isin函數可以傳遞一個列表，以檢查數據幀/序列中是否存在值列表。

例：

s=pd.Series(["5/10/2022","5/11/2022","5/12/2022"]*100) lst=["5/10/2022"] s.isin(lst)

如果存在值且找不到值，則返回TrueFalse

17）df.pivot：

返回按給定索引/列值組織的重構數據幀。

語法：

DataFrame.pivot(index=None,columns=None,values=None)

例：

df2=pd.DataFrame({"points":[15,22,75,84,29],"team":["A","B","C","D","E"],"player":["Adam","Tom","Jerry","Harry","Jon"]}) pivot_df2=df2.pivot(index="player",columns="team",values["points"]) pivot_df2=pivot_df2.fillna("-") pivot_df2

18）df.insert：

將列插入到DataFrame的指定位置。

參數： loc：dtypeis，插入索引。必須驗證0<=loc<=len(列） column：數字或可哈希（hashable）對象 value：標量、系列或類似數組 allow_duplicates：布爾值，可選默認False

語法：

DataFrame.insert(loc,column,value,allow_duplicates=False)

例：

df.insert(2,"age",[45,34,23,34,56,55,45,30,33]) df