パンダの基本

pandas は、より高度なデータ構造とツールを含む Numpy に基づくデータ分析パッケージです。

ndarray をコアとする Numpy と同様に、pandas も Series と DataFrame の 2 つのコア データ構造を中心に展開します。 Series と DataFrame は、それぞれ 1 次元のシーケンスと 2 次元のテーブル構造に対応します。 pandas の従来のインポート方法は次のとおりです。

from pandas import Series,DataFrame
import pandas as pd

Series

---

Series は、固定長の順序付き辞書とみなすことができます。基本的に、あらゆる 1 次元データを Series オブジェクトの構築に使用できます:

>>> s = Series([1,2,3.0,'abc'])
>>> s
0      1
1      2
2      3
3    abc
dtype: object

dtype:object にはさまざまな基本データ型を含めることができますが、常にパフォーマンスに影響を与えると思われるため、これが最善ですシンプルにするために dtype を使用します。 dtype:object 可以包含多种基本数据类型，但总感觉会影响性能的样子，最好还是保持单纯的 dtype。

Series 对象包含两个主要的属性：index 和 values，分别为上例中左右两列。因为传给构造器的是一个列表，所以 index 的值是从 0 起递增的整数，如果传入的是一个类字典的键值对结构，就会生成 index-value 对应的 Series；或者在初始化的时候以关键字参数显式指定一个 index 对象：

>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y'])
>>> s
a    1
b    3
x    5
y    7
dtype: int64
>>> s.index
Index(['a', 'b', 'x', 'y'], dtype='object')
>>> s.values
array([1, 3, 5, 7], dtype=int64)

Series 对象的元素会严格依照给出的 index 构建，这意味着：如果 data 参数是有键值对的，那么只有 index 中含有的键会被使用；以及如果 data 中缺少响应的键，即使给出 NaN 值，这个键也会被添加。

注意 Series 的 index 和 values 的元素之间虽然存在对应关系，但这与字典的映射不同。index 和 values 实际仍为互相独立的 ndarray 数组，因此 Series 对象的性能完全 ok。

Series 这种使用键值对的数据结构最大的好处在于，Series 间进行算术运算时，index 会自动对齐。

另外，Series 对象和它的 index 都含有一个 name 属性：

>>> s.name = 'a_series'
>>> s.index.name = 'the_index'
>>> s
the_index
a            1
b            3
x            5
y            7
Name: a_series, dtype: int64

DataFrame

---

DataFrame 是一个表格型的数据结构，它含有一组有序的列（类似于 index），每列可以是不同的值类型（不像 ndarray 只能有一个 dtype）。基本上可以把 DataFrame 看成是共享同一个 index 的 Series 的集合。

DataFrame 的构造方法与 Series 类似，只不过可以同时接受多条一维数据源，每一条都会成为单独的一列：

>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],
        'year':[2000,2001,2002,2001,2002],
        'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df = DataFrame(data)
>>> df
   pop   state  year
0  1.5   Ohino  2000
1  1.7   Ohino  2001
2  3.6   Ohino  2002
3  2.4  Nevada  2001
4  2.9  Nevada  2002

[5 rows x 3 columns]

虽然参数 data 看起来是个字典，但字典的键并非充当 DataFrame 的 index 的角色，而是 Series 的 “name” 属性。这里生成的 index 仍是 “01234”。

较完整的 DataFrame 构造器参数为：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：

>>> df = DataFrame(data,index=['one','two','three','four','five'],
               columns=['year','state','pop','debt'])
>>> df
       year   state  pop debt
one    2000   Ohino  1.5  NaN
two    2001   Ohino  1.7  NaN
three  2002   Ohino  3.6  NaN
four   2001  Nevada  2.4  NaN
five   2002  Nevada  2.9  NaN

[5 rows x 4 columns]

同样缺失值由 NaN 补上。看一下 index、columns 和 索引的类型：

>>> df.index
Index(['one', 'two', 'three', 'four', 'five'], dtype='object')
>>> df.columns
Index(['year', 'state', 'pop', 'debt'], dtype='object')
>>> type(df['debt'])
<class &#39;pandas.core.series.Series&#39;>

DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。

对象属性

---

重新索引

Series 对象的重新索引通过其 .reindex(index=None,**kwargs) 方法实现。**kwargs 中常用的参数有俩：method=None,fill_value=np.NaN：

ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c'])
>>> a = ['a','b','c','d','e']
>>> ser.reindex(a)
a   -5.3
b    7.2
c    3.6
d    4.5
e    NaN
dtype: float64
>>> ser.reindex(a,fill_value=0)
a   -5.3
b    7.2
c    3.6
d    4.5
e    0.0
dtype: float64
>>> ser.reindex(a,method='ffill')
a   -5.3
b    7.2
c    3.6
d    4.5
e    4.5
dtype: float64
>>> ser.reindex(a,fill_value=0,method='ffill')
a   -5.3
b    7.2
c    3.6
d    4.5
e    4.5
dtype: float64

.reindex() 方法会返回一个新对象，其 index 严格遵循给出的参数，method:{'backfill', 'bfill', 'pad', 'ffill', None} 参数用于指定插值（填充）方式，当没有给出时，自动用 fill_value 填充，默认为 NaN（ffill = pad，bfill = back fill，分别指插值时向前还是向后取值）

DataFrame 对象的重新索引方法为：.reindex(index=None,columns=None,**kwargs)。仅比 Series 多了一个可选的 columns 参数，用于给列索引。用法与上例类似，只不过插值方法 method 参数只能应用于行，即轴 0。

>>> state = ['Texas','Utha','California']
>>> df.reindex(columns=state,method='ffill')
    Texas  Utha  California
a      1   NaN           2
c      4   NaN           5  
d      7   NaN           8

[3 rows x 3 columns]
>>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill')
   Texas  Utha  California
a      1   NaN           2
b      1   NaN           2
c      4   NaN           5
d      7   NaN           8

[4 rows x 3 columns]

不过 fill_value 依然对有效。聪明的小伙伴可能已经想到了，可不可以通过 df.T.reindex(index,method='**').T 这样的方式来实现在列上的插值呢，答案是可行的。另外要注意，使用 reindex(index,method='**') 的时候，index 必须是单调的，否则就会引发一个 ValueError: Must be monotonic for forward fill，比如上例中的最后一次调用，如果使用 index=['a','b','d','c'] 的话就不行。

删除指定轴上的项

即删除 Series 的元素或 DataFrame 的某一行（列）的意思，通过对象的 .drop(labels, axis=0) 方法：

>>> ser
d    4.5
b    7.2
a   -5.3
c    3.6
dtype: float64
>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> ser.drop('c')
d    4.5
b    7.2
a   -5.3
dtype: float64
>>> df.drop('a')
   Ohio  Texas  California
c     3      4           5
d     6      7           8

[2 rows x 3 columns]
>>> df.drop(['Ohio','Texas'],axis=1)
   California
a           2
c           5
d           8

[3 rows x 1 columns]

.drop() 返回的是一个新对象，元对象不会被改变。

索引和切片

就像 Numpy，pandas 也支持通过 obj[::]

Series オブジェクトには、インデックスと値という 2 つの主要な属性が含まれています。これらは、上記の例では左と右の列です。コンストラクターに渡されるのはリストであるため、index の値は 0 から増加する整数です。辞書のようなキーと値のペア構造が渡されると、index-value に対応する Series が生成されます。初期化 キーワード パラメーターを使用してインデックス オブジェクトを明示的に指定する場合:

>>> foo
a    4.5
b    7.2
c   -5.3
d    3.6
dtype: float64
>>> bar
0    4.5
1    7.2
2   -5.3
3    3.6
dtype: float64
>>> foo[:2]
a    4.5
b    7.2
dtype: float64
>>> bar[:2]
0    4.5
1    7.2
dtype: float64
>>> foo[:'c']
a    4.5
b    7.2
c   -5.3
dtype: float64

Series オブジェクトの要素は、指定されたインデックスに従って厳密に構築されます。つまり、データ パラメーターにキーと値のペアがある場合、データ パラメーターに含まれるキーのみが作成されます。インデックスが使用され、応答キーがデータにない場合は、NaN 値が指定された場合でもキーが追加されます。 🎜🎜Seriesのインデックスと値の要素との対応はありますが、辞書のマッピングとは異なることに注意してください。インデックスと値は実際には依然として独立した ndarray 配列であるため、Series オブジェクトのパフォーマンスはまったく問題ありません。 🎜🎜Series キーと値のペアを使用したこのデータ構造の最大の利点は、Series 間で算術演算が実行されるときにインデックスが自動的に整列されることです。 🎜🎜さらに、Series オブジェクトとそのインデックスの両方に name 属性が含まれています: 🎜

>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.ix[:2,:2]
   Ohio  Texas
a     0      1
c     3      4

[2 rows x 2 columns]
>>> df.ix['a','Ohio']
0

🎜🎜🎜DataFrame🎜🎜🎜DataFrame は、順序付けされた列のセットを含む表形式のデータ構造です (インデックス）、各列は異なる値の型にすることができます（dtype を 1 つだけ持つことができる ndarray とは異なります）。基本的に、DataFrame は、同じインデックスを共有する Series のコレクションと考えることができます。 🎜🎜DataFrame の構築方法は Series と似ていますが、複数の一次元データ ソースを同時に受け入れることができ、それぞれが個別の列になる点が異なります。🎜

>>> df['Ohio']
a    0
c    3
d    6
Name: Ohio, dtype: int32
>>> df[:'c']
   Ohio  Texas  California
a     0      1           2
c     3      4           5

[2 rows x 3 columns]
>>> df[:2]
   Ohio  Texas  California
a     0      1           2
c     3      4           5

[2 rows x 3 columns]

🎜パラメータ データは辞書のように見えますが、ディクショナリのキーは、DataFrame ロールのインデックスとして機能するのではなく、シリーズの「名前」属性として機能します。ここで生成されるインデックスは「01234」のままです。 🎜🎜より完全な DataFrame コンストラクターのパラメーターは次のとおりです: DataFrame(data=None,index=None,coloumns=None)、列は「name」です: 🎜

>>> df['Texas']>=4
a    False
c     True
d     True
Name: Texas, dtype: bool
>>> df[df['Texas']>=4]
   Ohio  Texas  California
c     3      4           5
d     6      7           8

[2 rows x 3 columns]
>>> df.ix[:,df.ix['c']>=4]
   Texas  California
a      1           2
c      4           5
d      7           8

[3 rows x 2 columns]

🎜同様に、欠損値は埋められますNaNで。インデックス、列、インデックスの種類を見てみましょう: 🎜

>>> foo = Series({'a':1,'b':2})
>>> foo
a    1
b    2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b    3
d    4
dtype: int64
>>> foo + bar
a   NaN
b     5
d   NaN
dtype: float64

🎜DataFrame の行指向と列指向の操作は基本的にバランスが取れており、抽出された列はすべて Series です。 🎜🎜オブジェクト プロパティ🎜🎜

再インデックス

🎜Series オブジェクトの再インデックスは、.reindex(index=None,**kwargs) メソッドを通じて実装されます。 **kwargs には 2 つの一般的に使用されるパラメータがあります: method=None,fill_value=np.NaN: 🎜

f = lambda x:x.max()-x.min()
>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.apply(f)
Ohio          6
Texas         6
California    6
dtype: int64
>>> df.apply(f,axis=1)
a    2
c    2
d    2
dtype: int64

🎜.reindex() メソッドwill インデックスが指定されたパラメータに厳密に従う新しいオブジェクトを返します。method:{'backfill', 'bfill', 'pad', 'ffill', None} パラメータは補間 (充填) を指定するために使用されます。メソッドが指定されていない場合、自動的に fill_value で埋められます。デフォルトは NaN です (ffill = パッド、bfill = バック フィルは、それぞれ補間中の前方値または後方値を指します) 🎜🎜DataFrame オブジェクトインデックス付けメソッドは: .reindex(index=None,columns=None,**kwargs) です。オプションの列パラメーターは Series 以外に 1 つだけあり、列のインデックス付けに使用されます。使用法は上記の例と似ていますが、内挿メソッド method パラメーターが行、つまり軸 0 にのみ適用できる点が異なります。 🎜

>>> df.sort_index(by='Ohio')
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.sort_index(by=['California','Texas'])
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.sort_index(axis=1)
   California  Ohio  Texas
a           2     0      1
c           5     3      4
d           8     6      7

[3 rows x 3 columns]

🎜しかし、fill_value はまだ有効です。賢い友人なら、df.T.reindex(index,method='**').T を通じて列の補間を実現できるかどうかをすでに考えているかもしれません。その答えは実現可能です。また、reindex(index,method='**') を使用する場合、インデックスは単調である必要があります。そうでない場合、ValueError: Must be monotonic for forward fill がトリガーされることにも注意してください。 code> (上記の例の最後の呼び出しなど) index=['a','b','d','c'] を使用すると機能しません。 🎜

指定した軸上の項目を削除します

🎜これは、オブジェクトの .drop(labels, axis=0) を通じて、Series の要素または DataFrame の特定の行 (列) を削除することを意味します。 メソッド: 🎜

>>> ser=Series([3,2,0,3],index=list('abcd'))
>>> ser
a    3
b    2
c    0
d    3
dtype: int64
>>> ser.rank()
a    3.5
b    2.0
c    1.0
d    3.5
dtype: float64
>>> ser.rank(method='min')
a    3
b    2
c    1
d    3
dtype: float64
>>> ser.rank(method='max')
a    4
b    2
c    1
d    4
dtype: float64
>>> ser.rank(method='first')
a    3
b    2
c    1
d    4
dtype: float64

🎜.drop() は新しいオブジェクトを返します。メタ オブジェクトは変更されません。 🎜

インデックス作成とスライス

🎜 Numpy と同様に、pandas も obj[::] によるインデックス作成とスライス、およびブール配列によるフィルタリングをサポートしています。 🎜🎜 ただし、pandas オブジェクトのインデックスは整数に限定されないため、スライス インデックスとして非整数を使用する場合、それが最終的に含まれることに注意してください。 🎜

>>> foo
a    4.5
b    7.2
c   -5.3
d    3.6
dtype: float64
>>> bar
0    4.5
1    7.2
2   -5.3
3    3.6
dtype: float64
>>> foo[:2]
a    4.5
b    7.2
dtype: float64
>>> bar[:2]
0    4.5
1    7.2
dtype: float64
>>> foo[:'c']
a    4.5
b    7.2
c   -5.3
dtype: float64

这里 foo 和 bar 只有 index 不同——bar 的 index 是整数序列。可见当使用整数索引切片时，结果与 Python 列表或 Numpy 的默认状况相同；换成 'c' 这样的字符串索引时，结果就包含了这个边界元素。

另外一个特别之处在于 DataFrame 对象的索引方式，因为他有两个轴向（双重索引）。

可以这么理解：DataFrame 对象的标准切片语法为：.ix[::,::]。ix 对象可以接受两套切片，分别为行（axis=0）和列（axis=1）的方向：

>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.ix[:2,:2]
   Ohio  Texas
a     0      1
c     3      4

[2 rows x 2 columns]
>>> df.ix['a','Ohio']
0

而不使用 ix ，直接切的情况就特殊了：

• 索引时，选取的是列

• 切片时，选取的是行

这看起来有点不合逻辑，但作者解释说 “这种语法设定来源于实践”，我们信他。

>>> df['Ohio']
a    0
c    3
d    6
Name: Ohio, dtype: int32
>>> df[:'c']
   Ohio  Texas  California
a     0      1           2
c     3      4           5

[2 rows x 3 columns]
>>> df[:2]
   Ohio  Texas  California
a     0      1           2
c     3      4           5

[2 rows x 3 columns]

使用布尔型数组的情况，注意行与列的不同切法（列切法的 : 不能省）：

>>> df['Texas']>=4
a    False
c     True
d     True
Name: Texas, dtype: bool
>>> df[df['Texas']>=4]
   Ohio  Texas  California
c     3      4           5
d     6      7           8

[2 rows x 3 columns]
>>> df.ix[:,df.ix['c']>=4]
   Texas  California
a      1           2
c      4           5
d      7           8

[3 rows x 2 columns]

算术运算和数据对齐

pandas 最重要的一个功能是，它可以对不同索引的对象进行算术运算。在将对象相加时，结果的索引取索引对的并集。自动的数据对齐在不重叠的索引处引入空值，默认为 NaN。

>>> foo = Series({'a':1,'b':2})
>>> foo
a    1
b    2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b    3
d    4
dtype: int64
>>> foo + bar
a   NaN
b     5
d   NaN
dtype: float64

DataFrame 的对齐操作会同时发生在行和列上。

当不希望在运算结果中出现 NA 值时，可以使用前面 reindex 中提到过 fill_value 参数，不过为了传递这个参数，就需要使用对象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算术方法还有：sub(), div(), mul()。

Series 和 DataFrame 之间的算术运算涉及广播，暂时先不讲。

函数应用和映射

Numpy 的 ufuncs（元素级数组方法）也可用于操作 pandas 对象。

当希望将函数应用到 DataFrame 对象的某一行或列时，可以使用 .apply(func, axis=0, args=(), **kwds) 方法。

f = lambda x:x.max()-x.min()
>>> df
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.apply(f)
Ohio          6
Texas         6
California    6
dtype: int64
>>> df.apply(f,axis=1)
a    2
c    2
d    2
dtype: int64

排序和排名

Series 的 sort_index(ascending=True) 方法可以对 index 进行排序操作，ascending 参数用于控制升序或降序，默认为升序。

若要按值对 Series 进行排序，当使用 .order() 方法，任何缺失值默认都会被放到 Series 的末尾。

在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一个轴向的选择参数与一个 by 参数，by 参数的作用是针对某一（些）列进行排序（不能对行使用 by 参数）：

>>> df.sort_index(by='Ohio')
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.sort_index(by=['California','Texas'])
   Ohio  Texas  California
a     0      1           2
c     3      4           5
d     6      7           8

[3 rows x 3 columns]
>>> df.sort_index(axis=1)
   California  Ohio  Texas
a           2     0      1
c           5     3      4
d           8     6      7

[3 rows x 3 columns]

排名（Series.rank(method='average', ascending=True)）的作用与排序的不同之处在于，他会把对象的 values 替换成名次（从 1 到 n）。这时唯一的问题在于如何处理平级项，方法里的 method 参数就是起这个作用的，他有四个值可选：average, min, max, first。

>>> ser=Series([3,2,0,3],index=list('abcd'))
>>> ser
a    3
b    2
c    0
d    3
dtype: int64
>>> ser.rank()
a    3.5
b    2.0
c    1.0
d    3.5
dtype: float64
>>> ser.rank(method='min')
a    3
b    2
c    1
d    3
dtype: float64
>>> ser.rank(method='max')
a    4
b    2
c    1
d    4
dtype: float64
>>> ser.rank(method='first')
a    3
b    2
c    1
d    4
dtype: float64

注意在 ser[0]=ser[3] 这对平级项上，不同 method 参数表现出的不同名次。

DataFrame 的 .rank(axis=0, method='average', ascending=True) 方法多了个 axis 参数，可选择按行或列分别进行排名，暂时好像没有针对全部元素的排名方法。

统计方法

pandas 对象有一些统计方法。它们大部分都属于约简和汇总统计，用于从 Series 中提取单个值，或从 DataFrame 的行或列中提取一个 Series。

比如 DataFrame.mean(axis=0,skipna=True) 方法，当数据集中存在 NA 值时，这些值会被简单跳过，除非整个切片（行或列）全是 NA，如果不想这样，则可以通过 skipna=False 来禁用此功能：

>>> df
    one  two
a  1.40  NaN
b  7.10 -4.5
c   NaN  NaN
d  0.75 -1.3

[4 rows x 2 columns]
>>> df.mean()
one    3.083333
two   -2.900000
dtype: float64
>>> df.mean(axis=1)
a    1.400
b    1.300
c      NaN
d   -0.275
dtype: float64
>>> df.mean(axis=1,skipna=False)
a      NaN
b    1.300
c      NaN
d   -0.275
dtype: float64

其他常用的统计方法有： 

欠損データを処理する

is(not)null

このペアのメソッドは、オブジェクトに対して要素レベルのアプリケーションを実行し、通常はブール型のインデックス付けに使用できるブール型の配列を返します。

dropna

##########################	******************** *** ************************
count	NA 以外の値の数
describe	概要統計を計算するシリーズまたはDFの列、最大値、および最大値
argmin、argmax	最小値と最大値のインデックス位置（整数）最小値と最大値のインデックス 値
分位数	サンプル分位数 (0 ～ 1)
sum	合計
平均値	平均値
中央値	中央値
mad	平均値
var	分散
std	標準偏差
skew	サンプル値の歪度(3次モーメント)から平均絶対分散を計算します
クルト	値のサンプル尖度(4次モーメント)
cumsum	サンプル値の累積和
cummin、cummax	サンプル値の累積最大値と累積最小値
cumprod	サンプル値の累積積
diff	最初の差を計算する(時系列に便利)
pct_change	パーセント変化を計算
pandasのNA 主な性能はnpです。 nan、Python の組み込みの None も NA として扱われます。	NA を処理するには、dropna、fillna、isnull、notnull の 4 つの方法があります。

Series の場合、dropna は空ではないデータとインデックス値のみを含む Series を返します。

問題は DataFrame の処理方法にあります。DataFrame が削除されると、少なくとも 1 つの行 (列) が失われる必要があるためです。ここでの解決策は前の解決策と似ていますが、追加のパラメータ dropna(axis=0, how='any', thresh=None) を渡します。これは how パラメータのオプションの値です。どれか、またはすべて。 all は、すべてのスライス要素が NA の場合にのみ行 (列) を破棄します。もう 1 つの興味深いパラメータは、整数型の thresh です。その機能は、たとえば、thresh=3 の場合、連続して少なくとも 3 つの非 NA 値がある場合に保持されます。

fillna

fillna(value=None, method=None, axis=0) 基本的な型に加えて、列の value パラメータにはさまざまな値が入力されます。メソッドの使用方法は前の .reindex() メソッドと同じなので、ここでは詳しく説明しません。

---

inplace パラメータ

dropna , fillna , isnull , notnull 。 

is(not)null

这一对方法对对象做元素级应用，然后返回一个布尔型数组，一般可用于布尔型索引。 

dropna

对于一个 Series，dropna 返回一个仅含非空数据和索引值的 Series。

问题在于对 DataFrame 的处理方式，因为一旦 drop 的话，至少要丢掉一行（列）。这里的解决方式与前面类似，还是通过一个额外的参数：dropna(axis=0, how='any', thresh=None) ，how 参数可选的值为 any 或者 all。all 仅在切片元素全为 NA 时才抛弃该行(列)。另外一个有趣的参数是 thresh，该参数的类型为整数，它的作用是，比如 thresh=3，会在一行中至少有 3 个非 NA 值时将其保留。

fillna

fillna(value=None, method=None, axis=0) 中的 value 参数除了基本类型外，还可以使用字典，这样可以实现对不同的列填充不同的值。method 的用法与前面 .reindex() 方法相同，这里不再赘述。 

inplace 参数

---

前面有个点一直没讲，结果整篇示例写下来发现还挺重要的。就是 Series 和 DataFrame 对象的方法中，凡是会对数组作出修改并返回一个新数组的，往往都有一个 replace=False これまで触れていなかった点がありますが、サンプル全体を書いてみて、これが非常に重要であることがわかりました。 Series オブジェクトと DataFrame オブジェクトのメソッドのうち、配列を変更して新しい配列を返すメソッドには、多くの場合 replace=False のオプション パラメーターがあります。手動で True に設定すると、元の配列を置き換えることができます。

以上がパンダの基本の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。