pandas 对数据帧DataFrame中数据的增删、补全及转换操做
一、建立数据帧
import pandas as pd df = pd.DataFrame([[1, 'A', '3%' ], [2, 'B'], [3, 'C', '5%']], index=['row_0', 'row_1', 'row_2'], columns=['col_0', 'col_1', 'col_2'])
二、增长行、列
数据帧DataFrame的每一行均可看做是一个对象，每一列都是该对象的不一样属性。每行都具备多维度的属性，所以每行均可以看做是一个小的DataFrame；而每列的数据类型都相同，所以每列均可以看做是一个Series。app
2.1 增长行
建立新的DataFrame追加至原有数据帧的尾部，便可实现行的增长。经过df.append()实现行的追加。spa
# 建立新的数据帧 df_row3 = pd.DataFrame([[4, 'D', '9%']], index=['row_3'], columns=['col_0', 'col_1', 'col_2']) # 追加至原有数据帧尾部 df = df.append(df_row3)
2.2 增长列
建立新的Series追加至原有数据帧的尾部，便可实现列的增长。3d
# 建立新系列做为新追加的列 df['col_4'] = pd.Series(['!', '@', '$', '&'], index=['row_0', 'row_1', 'row_2', 'row_3'])
三、删除行、列
3.1 删除行
经过向df.drop()中传入行索引实现对行的删除。code
# 删除最后一行 df = df.drop('row_3')
3.2 删除列
经过del 或df.pop() 删除索引值对应的列。对象
# del df['col_4']，删除最后一列，与下句代码等价 df.pop('col_4')
注意：df.pop()实现了对df的删除操做，其返回值是被删除的列，而不是新的df。blog
四、数据补全
能够看出，row_1行，col_2列对应位置的元素为空，在实际计算过程当中，需对空数据进行补全。可经过df.fillna()对df的空数据进行补全，这里以补0为例。索引
# df.fillna(0, inplace=True)，就地补0，与下句代码等价 df = df.fillna(0)
五、元素转换
能够看出，在col_2列中的‘3%’及‘5%’均为有效的数值数据，但其类型均为‘str’，不能直接参与数学运算。需遍历df，找出其在df中的位置，将其替换为float型数据。数学
for i in range(len(df.index)): for j in range(len(df.columns)): # df中元素各类类型都有，为了方便检测其中是否含有‘%’，将其统一转换为‘str’型 if '%' in str(df.iat[i, j]): df.iat[i, j] = float(df.iat[i, j].replace('%', '')) / 100