Pandas - 版本历史

Eric：/* 迭代 */

2023-04-04T04:00:38Z

迭代

←上一版本		2023年4月4日 (二) 04:00的版本
第496行：		第496行：
	!属性/方法		!属性/方法
	!描述		!描述
	~~!Series~~
	~~!DataFrame~~
	!示例		!示例
	\|-		\|-
	\| __iter__()		\| __iter__()
	\| Series返回值的迭代器 <br \>DataFrame返回轴的迭代器		\| Series返回值的迭代器 <br \>DataFrame返回轴的迭代器 <br />Series.__iter__()<br />DataFrame.__iter__()
	\| Series.__iter__()
	\| DataFrame.__iter__()
	\| <code>s.__iter__()</code>		\| <code>s.__iter__()</code>
	\|-		\|-
	\| items()		\| items()
	\| Series遍历，返回索引和值的迭代器 <br \>DataFrame按列遍历，返回列标签和列的Series对迭代器。		\| Series遍历，返回索引和值的迭代器 <br \>DataFrame按列遍历，返回列标签和列的Series对迭代器。<br />Series.items() <br />DataFrame.__iter__()
	\| Series.items()
	\| DataFrame.~~items~~()
	\| <code>s.items()</code> <br \> <code>df.items()</code> <br \> <code>for label, content in df.items():</code>		\| <code>s.items()</code> <br \> <code>df.items()</code> <br \> <code>for label, content in df.items():</code>
	\|-		\|-
	\| iteritems()		\| iteritems()
	\| 返回可迭代的键值对，Series返回索引和值，DataFrame返回列名和列。		\| 返回可迭代的键值对，Series返回索引和值，DataFrame返回列名和列。 <br />Series.iteritems()<br />DataFrame.iteritems()
	\|Series.iteritems()
	\|DataFrame.iteritems()
	\|		\|
	\|-		\|-
	\| iterrows()		\| iterrows()
	\| Iterate over DataFrame rows as (index, Series) pairs.		\| Iterate over DataFrame rows as (index, Series) pairs.<br />DataFrame.iterrows()
	~~\| −~~
	\|DataFrame.iterrows()
	\|		\|
	\|-		\|-
	\| itertuples()		\| itertuples()
	\|Iterate over DataFrame rows as namedtuples.		\|Iterate over DataFrame rows as namedtuples.<br />\|DataFrame.itertuples(index=True, name='Pandas')
	~~\| −~~
	\|DataFrame.itertuples(index=True, name='Pandas')
	\|		\|
			\|-
			\| apply()
			\| 也可以使用apply()
			\| 打印每一列：<syntaxhighlight lang="python" >
			def test(x):
			print(x)

			df.apply(test)
			</syntaxhighlight>

			打印每一行的price：<syntaxhighlight lang="python" >
			def test(x):
			print(x['price'])

			df.apply(test, axis=1)
			</syntaxhighlight>
	\|}		\|}

Eric：/* 文本数据 */

2022-12-25T08:43:32Z

文本数据

←上一版本		2022年12月25日 (日) 08:43的版本
第616行：		第616行：
	\| 字符拆分。<code> rsplit()</code>从结束位置开始拆分。参数：<br /> pat：拆分依据，字符串或正则表达式，默认空格。<br />n：拆分次数，默认全部拆分。<br />expand：是否将拆分的每一组展开为一列，默认不展开。		\| 字符拆分。<code> rsplit()</code>从结束位置开始拆分。参数：<br /> pat：拆分依据，字符串或正则表达式，默认空格。<br />n：拆分次数，默认全部拆分。<br />expand：是否将拆分的每一组展开为一列，默认不展开。
	\|<code>s.str.split()</code>s按空格全部拆分。 <code>s.str.split('/', n=2)</code>s按'/'拆分，且只拆前面两个'/'。 <code>s.str.split('/', n=2, expand=True)</code>拆分后并按组展开列。 <br /> <code>s.str.rsplit('/', n=2)</code>s按'/'拆分，且只拆最后两个'/'。		\|<code>s.str.split()</code>s按空格全部拆分。 <code>s.str.split('/', n=2)</code>s按'/'拆分，且只拆前面两个'/'。 <code>s.str.split('/', n=2, expand=True)</code>拆分后并按组展开列。 <br /> <code>s.str.rsplit('/', n=2)</code>s按'/'拆分，且只拆最后两个'/'。
			\|-
			\| [https://pandas.pydata.org/docs/reference/api/pandas.Series.str.contains.html contains( )]
			\| 测试字符串是否包含在序列中，默认使用正则表达式。 <br />na如果有空值，需要使用na参数指定空值为True或False，否者会报错误：<code>ValueError: Cannot mask with non-boolean array containing NA / NaN values</code>
			\| <code>df['code'].str.contains('TC', na=False)</code> code列是否包含'TC'，遇到Nan值为False，返回值是bool的序列。 <br /> <code>df[df['code'].str.contains('TC', na=False)]</code> 筛选出df的'code'列中包含'TC'的行 <code>s.str.contains('TC',regex=False )</code> 仅使用文字模式，测试是否包含'TC'
			\|-
			\| match( )
			\| 从开头位置测试是否匹配正则表达式，返回值是bool的序列。 contains()在字符串中间位置匹配也会返回True，而match()需要从字符串开始位置匹配。
			\| <code>df['code'].str.match('TC')</code> code列是否以'TC'开头</code> <br /><code>s.str.match('abc\|AF')</code> s中是否以'abc'或'AF'开头。
	\|-		\|-
	\| replace()		\| replace()
	\| ~~替换。参数：~~		\| 替换，默认使用正则表达式。参数：
			\| <code>s.str.replace('f.', 'ba', regex=False)</code> 将s列中的'f.'替换成'ba'。
			\|-
			\| extract( )
			\| 提取，正则表达式匹配到的分组。
			\|
			\|-
			\| extractall( )
			\| Extract capture groups in the regex pat as columns in DataFrame.
			\|
			\|-
			\| findall( )
			\| Find all occurrences of pattern or regular expression in the Series/Index.
	\|		\|
	\|-		\|-
第628行：		第648行：
	\| Pad left and right side of strings in the Series/Index.		\| Pad left and right side of strings in the Series/Index.
	\|		\|
	\|-
	~~\| [https://pandas.pydata.org/docs/reference/api/pandas.Series.str.contains.html contains( )]~~
	\| 测试字符串是否包含在序列中，默认使用正则表达式。 <br />na如果有空值，需要使用na参数指定空值为True或False，否者会报错误：<code>ValueError: Cannot mask with non-boolean array containing NA / NaN values</code>
	\| <code>df['code'].str.contains('TC', na=False)</code> code列是否包含'TC'，遇到Nan值为False，返回值是bool的序列。 <br /> <code>df[df['code'].str.contains('TC', na=False)]</code> 筛选出df的'code'列中包含'TC'的行 <code>s.str.contains('TC',regex=False )</code> 仅使用文字模式，测试是否包含'TC'
	\|-		\|-
	\| count( )		\| count( )
第637行：		第653行：
	\|		\|
	\|-		\|-
	\| decode(~~encoding[, errors]~~)		\| decode()
	\| Decode character string in the Series/Index using indicated encoding.		\| Decode character string in the Series/Index using indicated encoding.
	\|		\|
第647行：		第663行：
	\| endswith( )		\| endswith( )
	\| Test if the end of each string element matches a pattern.		\| Test if the end of each string element matches a pattern.
	\|
	\|-
	~~\| extract( )~~
	~~\| Extract capture groups in the regex pat as columns in a DataFrame.~~
	\|
	\|-
	~~\| extractall( )~~
	~~\| Extract capture groups in the regex pat as columns in DataFrame.~~
	\|		\|
	\|-		\|-
	\| find( )		\| find( )
	\| Return lowest indexes in each strings in the Series/Index.		\| Return lowest indexes in each strings in the Series/Index.
	\|
	\|-
	~~\| findall( )~~
	~~\| Find all occurrences of pattern or regular expression in the Series/Index.~~
	\|		\|
	\|-		\|-
第683行：		第687行：
	\| ljust( )		\| ljust( )
	\| Pad right side of strings in the Series/Index.		\| Pad right side of strings in the Series/Index.
	\|
	\|-
	~~\| match( )~~
	~~\| Determine if each string starts with a match of a regular expression.~~
	\|		\|
	\|-		\|-
第721行：		第721行：
	\|		\|
	\|-		\|-
	\| slice(~~[start, stop, step]~~)		\| slice()
	\| Slice substrings from each element in the Series or Index.		\| Slice substrings from each element in the Series or Index.
	\|		\|

Eric：/* 文本数据 */

2022-12-25T06:09:05Z

文本数据

显示更改

Eric：/* CSV写入 */

2022-10-31T08:22:36Z

CSV写入

←上一版本		2022年10月31日 (一) 08:22的版本
第2,413行：		第2,413行：
	df = pd.read_csv('test.csv', encoding='utf-16')		df = pd.read_csv('test.csv', encoding='utf-16')
	</syntaxhighlight>		</syntaxhighlight>
			类似错误，有时也可能文件格式错误，文件原本是excel格式，将文件后缀改成.xls或.xlsx后使用pd.read_excel()尝试。

	{{了解更多		{{了解更多
	\|[https://pandas.pydata.org/docs/user_guide/io.html#csv-text-files Pandas 教程：IO tools/CSV & text files]		\|[https://pandas.pydata.org/docs/user_guide/io.html#csv-text-files Pandas 教程：IO tools/CSV & text files]

Eric：/* 数据转换 */

2022-10-22T14:58:46Z

数据转换

←上一版本		2022年10月22日 (六) 14:58的版本
第829行：		第829行：
	\| 在行或列上应用函数，可以使用聚合函数或简单转换函数。参数：<br /><code>func</code> 处理函数，可以是Python函数（自定义函数，lambda函数），或NumPy ufunc函数（如np.mean），或函数名（如'mean'）<br /><code>axis</code> 轴，默认axis=0表示在每一列上应用函数，axis=1表示在每行上应用函数。		\| 在行或列上应用函数，可以使用聚合函数或简单转换函数。参数：<br /><code>func</code> 处理函数，可以是Python函数（自定义函数，lambda函数），或NumPy ufunc函数（如np.mean），或函数名（如'mean'）<br /><code>axis</code> 轴，默认axis=0表示在每一列上应用函数，axis=1表示在每行上应用函数。
	\|Series.apply(func, convert_dtype=True, args=(), kwargs) <br /> DataFrame.apply(func, axis=0, raw=False, result_type=None, args=(), kwargs)		\|Series.apply(func, convert_dtype=True, args=(), kwargs) <br /> DataFrame.apply(func, axis=0, raw=False, result_type=None, args=(), kwargs)
	\|<code>df.apply(np.mean)</code>返回df每列的平均值。<br /><code>df.apply(np.mean, axis=1)</code>返回df每行的平均值。<br /><code>df.apply(lambda x:x+100)</code>df每个元素值+100。<br /><code>df.apply(myfunc)</code>其中myfunc是自定义函数，按照myfunc函数处理返回结果。<br /><code>df.apply(['mean', 'sum'])</code>返回df每列的平均值和每列总和。		\|<code>df.apply(np.mean)</code>返回df每列的平均值。<br /><code>df.apply(np.mean, axis=1)</code>返回df每行的平均值。<br /><code>df.apply(lambda x:x['价格']+100, , axis =1)</code>返回一个series，价格列每个值+100 <br /><code>df.apply(lambda x:x+100)</code>df每个元素值+100。<br /><code>df.apply(myfunc)</code>其中myfunc是自定义函数，按照myfunc函数处理返回结果。<br /><code>df.apply(['mean', 'sum'])</code>返回df每列的平均值和每列总和。
	\|-		\|-
	\|applymap()		\|applymap()
第856行：		第856行：
	\|[https://pandas.pydata.org/docs/reference/frame.html#function-application-groupby-window pandas API：DataFrame - 函数应用、GroupBy和窗口函数]		\|[https://pandas.pydata.org/docs/reference/frame.html#function-application-groupby-window pandas API：DataFrame - 函数应用、GroupBy和窗口函数]
	}}		}}

	===重塑===		===重塑===
	{\| class="wikitable" style="width: 100%;		{\| class="wikitable" style="width: 100%;

Eric：/* 文本数据 */

2022-10-19T15:47:11Z

文本数据

←上一版本		2022年10月19日 (三) 15:47的版本
第641行：		第641行：
	\|		\|
	\|-		\|-
	\| Series.str.contains( )		\| [https://pandas.pydata.org/docs/reference/api/pandas.Series.str.contains.html Series.str.contains( )]
	\| ~~Test if pattern or regex is contained within a string of a Series or Index.~~		\| 测试字符串是否包含在序列中，默认使用正则表达式。 <br />na如果有空值，需要使用na参数指定空值为True或False，否者会报错误：<code>ValueError: Cannot mask with non-boolean array containing NA / NaN values</code>
	\|		\| <code>df['code'].str.contains('TC', na=False)</code> code列是否包含'TC'，遇到Nan值为False，返回值是bool的序列。 <br /> <code>df[df['code'].str.contains('TC', na=False)]</code> 筛选出df的'code'列中包含'TC'的行 <code>s.str.contains('TC',regex=False )</code> 仅使用文字模式，测试是否包含'TC'
	\|-		\|-
	\| Series.str.count( )		\| Series.str.count( )

Eric：/* 缺失数据 */

2022-10-14T16:17:28Z

缺失数据

←上一版本		2022年10月14日 (五) 16:17的版本
第555行：		第555行：
	}}		}}

	===~~缺失数据~~===		===缺失值 NA===

	{\| class="wikitable"		{\| class="wikitable"
	! 名称		! 名称
	! 描述		! 描述
	~~! 支持对象~~
	! 示例		! 示例
	\|-		\|-
			\| 缺失值表示
			\| <code>NaN</code>，Python的float类型，可以使用float('nan')创建，NaN是not a number的缩写。Numpy中的<code>np.nan</code>一样是Python的float类型，<code>np.NaN</code>和<code>np.NAN</code>是别名。 pandas使用其用来表示缺失值。<br /><br /><code>None</code>，Python一种数据类型（NoneType） <br /><br /><code>NA</code>， Pandas 1.0开始实验的使用该类型来表示缺失值。 <br /> <br /><code>NaT</code>
	\|		\|
	\|
	\|
	\|
	\|-		\|-
	\| ~~fillna~~()		\| 判断缺失值
	\| 填充缺失值常用参数：<code>method </code> pad或ffill向前填充，backfill或bfill向后填充		\| <code>NaN</code>类型缺失值是浮点数，不能直接比较。 <br /><br /><code>pd.isnull()</code>，判断单个值，<br /><code>pd.isna()</code> 判断单个值 <br /><br /><code>df.isnull()</code>、<code>s.isnull()</code> 判断DataFrame或Series空值，返回每个值是否空值 <br /><code>df.isnull().any()</code>、<code>s..isnull().any()</code> 返回布尔值，是否有空值
	\|		\| <code>pd.isna(pd.NA)</code> <code></code>
			\|-
			\|填充缺失值
			\| <code> fillna()</code>，填充缺失值常用参数：<code>method </code> pad或ffill向前填充，backfill或bfill向后填充
	\| <code>fillna(0)</code>缺失值填充0 <br /> <code>df.fillna(method="pad")</code>缺失值向前填充 <br /><code>df.fillna(method="pad", limit=1)</code>缺失值向前填充，但限制1次		\| <code>fillna(0)</code>缺失值填充0 <br /> <code>df.fillna(method="pad")</code>缺失值向前填充 <br /><code>df.fillna(method="pad", limit=1)</code>缺失值向前填充，但限制1次
	\|-		\|-
			\|
	\| dropna()		\| dropna()
	\|
	\|
	\|		\|
	\|}		\|}
第581行：		第582行：
	{{了解更多		{{了解更多
	\|[https://pandas.pydata.org/pandas-docs/stable/user_guide/missing_data.html Pandas 指南：处理缺失数据]		\|[https://pandas.pydata.org/pandas-docs/stable/user_guide/missing_data.html Pandas 指南：处理缺失数据]
			\|[https://numpy.org/doc/stable/reference/constants.html#numpy.nan Numpy API：numpy.nan]
	}}		}}

2022年10月14日 (五) 01:06 Eric

2022-10-14T01:06:54Z

@@ 第2,422行： / 第2,422行： @@
 }}
 ==资源==
 ===官网===
@@ 第2,430行： / 第2,460行： @@
 * Pandas API参考：https://pandas.pydata.org/docs/reference/index.html
 * Pandas 源代码：https://github.com/pandas-dev/pandas
 ===教程===
 *[https://quant.itiger.com/tquant/research/hub/classroom/detail?nid=4 老虎量化：pandas 介绍]
 *[https://www.pypandas.cn/docs/ pypandas.cn：Pandas文档]
 *[https://www.yiibai.com/pandas 易百教程：Pandas]
@@ 第2,438行： / 第2,473行： @@
 ===书籍===
 《利用Python进行数据分析 第2版》 - Wes McKinney
 [[分类:数据分析]]

Eric：/* 合并 */

2022-10-13T09:35:20Z

合并

←上一版本		2022年10月13日 (四) 09:35的版本
第942行：		第942行：
	\| <code>s1.append(s2)</code>s1后加入s2 <br \><code>df1.append(df2)</code>df1后加入df2，返回加入后的DataFrame对象。<br \><code>df1.append(df2, ignore_index=True)</code> 忽略原来行标签，结果为从0开始递增的整数。		\| <code>s1.append(s2)</code>s1后加入s2 <br \><code>df1.append(df2)</code>df1后加入df2，返回加入后的DataFrame对象。<br \><code>df1.append(df2, ignore_index=True)</code> 忽略原来行标签，结果为从0开始递增的整数。
	\|-		\|-
	\| merge()		\| [https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.merge.html merge()]
	\| 将DataFrame或命名的Series合并，与数据库join操作类似。<br \>参数：<br \><code>left</code>，DataFrame或命名的Series对象。<br \><code>right</code>，另一个DataFrame或命名的Series对象。<br \><code>on</code>~~，要连接的列或索引级别名称，必须同时在左右对象中找到。~~		\| 将DataFrame或命名的Series合并，与数据库join操作类似。<br \>参数：<br \><code>left</code>，DataFrame或命名的Series对象。<br \><code>right</code>，另一个DataFrame或命名的Series对象。<br /><code>how</code> 连接方式，{‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}，默认‘inner’ <br \><code>on</code>，连接的条件，要连接的列或索引级别名称，左右列名要相同。 <br /><code>left_on</code> <code>right_on</code> 连接的条件，列名不同时可以分开指定。
	\| pandas.merge(<br \>   left, <br \>   right, <br \>   how='inner', <br \>   on=None, <br \>   left_on=None, <br \>   right_on=None, <br \>   left_index=False, <br \>   right_index=False, <br \>   sort=False, <br \>   suffixes=('_x', '_y'), <br \>   copy=True, <br \>   indicator=False, <br \>   validate=None<br \>   )		\| pandas.merge(<br \>   left, <br \>   right, <br \>   how='inner', <br \>   on=None, <br \>   left_on=None, <br \>   right_on=None, <br \>   left_index=False, <br \>   right_index=False, <br \>   sort=False, <br \>   suffixes=('_x', '_y'), <br \>   copy=True, <br \>   indicator=False, <br \>   validate=None<br \>   )
	\|		\|<code>pd.merge(df1, df2, how='left', on=["年", "月"], suffixes=("_左", "_右"),)</code> <code>df1.merge(df2, left_on='lkey', right_on='rkey')</code>
	\|-		\|-
	\| join()		\| join()

Eric：/* 输入输出 */

2022-10-11T05:33:16Z

输入输出

←上一版本		2022年10月11日 (二) 05:33的版本
第2,412行：		第2,412行：
	{{了解更多		{{了解更多
	\|[https://pandas.pydata.org/docs/user_guide/io.html#csv-text-files Pandas 教程：IO tools/CSV & text files]		\|[https://pandas.pydata.org/docs/user_guide/io.html#csv-text-files Pandas 教程：IO tools/CSV & text files]
			}}

			===Excel===


			{{了解更多
			\|[https://pandas.pydata.org/docs/user_guide/io.html#excel-files Pandas 教程：IO tools/Excel files]
			\|[https://stackoverflow.com/questions/38454403/convert-excel-style-date-with-pandas stackoverflow：Convert Excel style date with pandas]
	}}		}}

Pandas - 版本历史

Eric：​/* 迭代 */

Eric：​/* 文本数据 */

Eric：​/* 文本数据 */

Eric：​/* CSV写入 */

Eric：​/* 数据转换 */

Eric：​/* 文本数据 */

Eric：​/* 缺失数据 */

2022年10月14日 (五) 01:06 Eric

Eric：​/* 合并 */

Eric：​/* 输入输出 */

Eric：/* 迭代 */

Eric：/* 文本数据 */

Eric：/* 文本数据 */

Eric：/* CSV写入 */

Eric：/* 数据转换 */

Eric：/* 文本数据 */

Eric：/* 缺失数据 */

Eric：/* 合并 */

Eric：/* 输入输出 */