팬더 기본 사항

pandas는 고급 데이터 구조와 도구가 포함된 Numpy 기반의 데이터 분석 패키지입니다.

핵심이 ndarray인 Numpy와 유사하게 pandas도 Series와 DataFrame의 두 가지 핵심 데이터 구조를 중심으로 작동합니다. Series와 DataFrame은 각각 1차원 시퀀스와 2차원 테이블 구조에 해당합니다. pandas의 기존 import 방법은 다음과 같습니다.

from pandas import Series,DataFrame
import pandas as pd

Series

---

Series는 고정 길이 순서 사전으로 간주할 수 있습니다. 기본적으로 모든 1차원 데이터를 사용하여 시리즈 개체를 구성할 수 있습니다.

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

dtype:object는 다양한 기본 데이터 유형을 포함할 수 있지만 항상 성능에 영향을 미칠 것 같아서 가장 좋습니다. 간단하게 유지하려면 dtype을 사용하세요. 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 개체에는 위 예의 왼쪽 및 오른쪽 열에 해당하는 인덱스와 값이라는 두 가지 주요 속성이 포함되어 있습니다. 생성자에 전달되는 것은 목록이므로 index의 값은 0부터 증가하는 정수입니다. 사전과 같은 키-값 쌍 구조가 전달되면 index-value에 해당하는 Series가 생성됩니다. 초기화 키워드 매개변수를 사용하여 인덱스 개체를 명시적으로 지정하는 경우:

>>> 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 개체의 요소는 지정된 인덱스에 따라 엄격하게 구성됩니다. 즉, 데이터 매개변수에 키-값 쌍이 있는 경우 Series 개체에 포함된 키만 인덱스가 사용되며 데이터에 응답 키가 없으면 NaN 값이 제공되더라도 키가 추가됩니다. 🎜🎜시리즈의 인덱스와 값의 요소 사이에는 대응 관계가 있지만 이는 사전의 매핑과 다릅니다. 인덱스와 값은 실제로 여전히 독립적인 ndarray 배열이므로 Series 객체의 성능은 완전히 괜찮습니다. 🎜🎜Series 키-값 쌍을 사용하는 이 데이터 구조의 가장 큰 장점은 Series 간에 산술 연산을 수행할 때 인덱스가 자동으로 정렬된다는 것입니다. 🎜🎜또한 Series 개체와 해당 인덱스에는 모두 name 속성이 포함되어 있습니다. 🎜

>>> 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🎜🎜🎜DataFrame은 정렬된 열 집합을 포함하는 테이블 형식 데이터 구조입니다( index), 각 열은 서로 다른 값 유형일 수 있습니다(dtype이 하나만 있을 수 있는 ndarray와는 다름). 기본적으로 DataFrame은 동일한 인덱스를 공유하는 시리즈 컬렉션으로 생각할 수 있습니다. 🎜🎜DataFrame의 구성 방법은 여러 개의 1차원 데이터 소스를 동시에 수용할 수 있다는 점을 제외하면 Series와 유사하며 각 데이터 소스는 별도의 열이 됩니다. 🎜

>>> 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]

🎜매개변수 데이터가 사전처럼 보이지만 사전의 키는 DataFrame 역할의 인덱스 역할을 하는 것이 아니라 시리즈의 "name" 속성 역할을 합니다. 여기서 생성된 인덱스는 여전히 "01234"입니다. 🎜🎜더 완전한 DataFrame 생성자 매개변수는 다음과 같습니다: DataFrame(data=None,index=None,coloumns=None), 열은 "이름": 🎜

>>> 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]

🎜마찬가지로 누락된 값은 채워집니다. NaN과 함께. 인덱스, 열 및 인덱스 유형을 살펴보세요. 🎜

>>> 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 행 기반 작업과 열 기반 작업은 기본적으로 균형을 이루고 추출된 모든 열은 시리즈입니다. 🎜🎜객체 속성🎜🎜

Reindex

🎜Series 객체의 재인덱싱은 .reindex(index=None,**kwargs) 메서드를 통해 구현됩니다. **kwargs에는 일반적으로 사용되는 두 가지 매개변수가 있습니다: 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() 메소드 will 지정된 매개변수를 엄격하게 따르는 인덱스가 있는 새 객체를 반환합니다. method:{'backfill', 'bfill', 'pad', 'ffill', None} 매개변수는 보간(채우기)을 지정하는 데 사용됩니다. 메소드가 지정되지 않은 경우 자동으로 fill_value로 채워지며 기본값은 NaN입니다(ffill = pad, bfill = back fill, 각각 보간 중 앞으로 또는 뒤로 값을 나타냄) 🎜🎜DataFrame 객체 색인 생성 방법은 .reindex(index=None,columns=None,**kwargs)입니다. 열을 인덱싱하는 데 사용되는 Series보다 선택적 열 매개 변수가 하나만 더 있습니다. 보간 방법 method 매개변수가 행, 즉 축 0에만 적용될 수 있다는 점을 제외하면 사용법은 위의 예와 유사합니다. 🎜

>>> 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]

🎜하지만 fill_value는 여전히 유효합니다. 똑똑한 친구들은 df.T.reindex(index,method='**').T를 통해 열에 대한 보간을 달성하는 것이 가능한지 이미 생각해 본 적이 있을 것입니다. 또한 reindex(index,method='**')를 사용할 때 인덱스는 단조적이어야 합니다. 그렇지 않으면 ValueError: Must be monotonic for Forward Fill을 트리거합니다. code>(예: 위 예의 마지막 호출)에서 index=['a','b','d','c']를 사용하면 작동하지 않습니다. 🎜

지정된 축의 항목 삭제

🎜객체의 .drop(labels, axis=0)을 통해 Series의 요소 또는 DataFrame의 특정 행(열)을 삭제하는 것을 의미합니다. 메서드: 🎜

>>> 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()은 새 개체를 반환하며 메타 개체는 변경되지 않습니다. 🎜

인덱싱 및 슬라이싱

🎜Numpy와 마찬가지로 pandas도 obj[::]를 통한 인덱싱 및 슬라이싱은 물론 부울 배열을 통한 필터링도 지원합니다. 🎜🎜단, 팬더 객체의 인덱스는 정수로 제한되지 않기 때문에 정수가 아닌 값을 슬라이스 인덱스로 사용하는 경우 최종적으로 포함된다는 점에 유의해야 합니다. 🎜

>>> 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： 

#####################	************************ *** ************************
count	NA가 아닌 값의 수
describe	요약 통계 계산 Series 또는 DF 열의 경우
min , max	최소값 및 최대값
argmin , argmax	최소값 및 최대값의 인덱스 위치(정수)
idxmin , idxmax	the 최소값과 최대값의 인덱스 값
Quantile	Sample Quantile(0~1)
sum	Sum
mean	mean
median	중앙값
mad	평균으로부터 평균 절대 분산을 계산합니다
var	variance
std	표준 편차
skew	왜곡(세 번째 순간)
커트	값의 샘플 첨도(네 번째 순간) ​​
cumsum	샘플 값의 누적 합계
cummin, cummax	샘플 값의 누적 최대값 및 누적 최소값
cumprod	샘플 값 누적 곱
diff	첫 번째 차이 계산(시계열에 유용함)
pct_change	변화율 계산

누락된 데이터 처리

---

팬더의 NA 주요 성능은 np입니다. nan 및 Python의 내장 None도 NA로 처리됩니다.

NA를 처리하는 방법에는 dropna, fillna, isnull, notnull 네 가지가 있습니다. 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

null이 아님(not)null

이 메서드 쌍은 개체에서 요소 수준 응용 프로그램을 수행한 다음 일반적으로 부울 인덱싱에 사용할 수 있는 부울 배열을 반환합니다. 🎜

dropna

🎜시리즈의 경우 dropna는 비어 있지 않은 데이터와 인덱스 값만 포함하는 시리즈를 반환합니다. 🎜🎜문제는 DataFrame이 처리되는 방식에 있습니다. 일단 삭제되면 적어도 하나의 행(열)이 손실되어야 하기 때문입니다. 여기의 솔루션은 이전 솔루션과 유사하지만 여전히 추가 매개변수인 dropna(axis=0, How='any', thresh=None) , How 매개변수의 선택적 값을 전달합니다. 전부 또는 전부. all은 모든 슬라이스 요소가 NA인 경우에만 행(열)을 삭제합니다. 또 다른 흥미로운 매개변수는 정수 유형인 thresh입니다. 이 매개변수의 기능은 예를 들어 thresh=3이며 연속적으로 NA가 아닌 값이 3개 이상 있을 때 유지됩니다. 🎜

fillna

🎜fillna(value=None, method=None, axis=0) 기본 유형 외에도 열의 값 매개변수는 다양한 값으로 채워집니다. 메소드의 사용법은 이전 .reindex() 메소드와 동일하므로 여기서는 자세히 설명하지 않겠습니다. 🎜🎜inplace 매개변수 🎜🎜🎜 앞서 언급하지 않은 점이 있는데, 전체 예제를 작성하고 나니 꽤 중요하다는 걸 깨달았습니다. Series 및 DataFrame 개체의 메서드 중 배열을 수정하고 새 배열을 반환하는 메서드에는 replace=False라는 선택적 매개 변수가 있는 경우가 많습니다. 수동으로 True로 설정하면 원래 배열을 교체할 수 있습니다. 🎜

위 내용은 팬더 기본 사항의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!