Python酷库之旅-第三方库Pandas(111)

2024-08-31 12:28
文章标签 python 第三方 111 pandas 酷库

本文主要是介绍Python酷库之旅-第三方库Pandas(111)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

一、用法精讲

486、pandas.DataFrame.count方法

486-1、语法

486-2、参数

486-3、功能

486-4、返回值

486-5、说明

486-6、用法

486-6-1、数据准备

486-6-2、代码示例

486-6-3、结果输出

487、pandas.DataFrame.cov方法

487-1、语法

487-2、参数

487-3、功能

487-4、返回值

487-5、说明

487-6、用法

487-6-1、数据准备

487-6-2、代码示例

487-6-3、结果输出

488、pandas.DataFrame.cummax方法

488-1、语法

488-2、参数

488-3、功能

488-4、返回值

488-5、说明

488-6、用法

488-6-1、数据准备

488-6-2、代码示例

488-6-3、结果输出

489、pandas.DataFrame.cummin方法

489-1、语法

489-2、参数

489-3、功能

489-4、返回值

489-5、说明

489-6、用法

489-6-1、数据准备

489-6-2、代码示例

489-6-3、结果输出

490、pandas.DataFrame.cumprod方法

490-1、语法

490-2、参数

490-3、功能

490-4、返回值

490-5、说明

490-6、用法

490-6-1、数据准备

490-6-2、代码示例

490-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

486、pandas.DataFrame.count方法
486-1、语法
# 486、pandas.DataFrame.count方法
pandas.DataFrame.count(axis=0, numeric_only=False)
Count non-NA cells for each column or row.The values None, NaN, NaT, pandas.NA are considered NA.Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
If 0 or ‘index’ counts are generated for each column. If 1 or ‘columns’ counts are generated for each row.numeric_only
bool, default False
Include only float, int or boolean data.Returns:
Series
For each column/row the number of non-NA/null entries.
486-2、参数

486-2-1、axis(可选，默认值为0)：{0或'index', 1或'columns'}，0或'index'，沿着行的方向计算(即为每一列计数)；1或'columns'，沿着列的方向计算(即为每一行计数)。

486-2-2、numeric_only(可选，默认值为False)：布尔值，如果为True，则只会计算数值型数据的数量，对于非数值型数据将返回NaN。

486-3、功能

        用于计算DataFrame中每一列或每一行的非NA/null值的数量，默认情况下，它会计算每一列的非缺失值数量，也可以通过指定参数来计算每一行的数量。

486-4、返回值

        返回一个Series，其中包含每列或每行的非缺失值的数量。

486-5、说明

        无

486-6、用法
486-6-1、数据准备
无
486-6-2、代码示例
# 486、pandas.DataFrame.count方法
import pandas as pd
import numpy as np
# 创建一个示例DataFrame
data = {'A': [1, 2, np.nan, 4],'B': [np.nan, np.nan, np.nan, 1],'C': [1, 2, 3, 4]
}
df = pd.DataFrame(data)
# 计算每列的非NA数量
column_count = df.count()
print(column_count)
# 计算每行的非NA数量
row_count = df.count(axis=1)
print(row_count)
486-6-3、结果输出
# 486、pandas.DataFrame.count方法
# A    3
# B    1
# C    4
# dtype: int64
# 0    2
# 1    2
# 2    1
# 3    3
# dtype: int64
487、pandas.DataFrame.cov方法
487-1、语法
# 487、pandas.DataFrame.cov方法
pandas.DataFrame.cov(min_periods=None, ddof=1, numeric_only=False)
Compute pairwise covariance of columns, excluding NA/null values.Compute the pairwise covariance among the series of a DataFrame. The returned data frame is the covariance matrix of the columns of the DataFrame.Both NA and null values are automatically excluded from the calculation. (See the note below about bias from missing values.) A threshold can be set for the minimum number of observations for each value created. Comparisons with observations below this threshold will be returned as NaN.This method is generally used for the analysis of time series data to understand the relationship between different measures across time.Parameters:
min_periodsint, optional
Minimum number of observations required per pair of columns to have a valid result.ddofint, default 1
Delta degrees of freedom. The divisor used in calculations is N - ddof, where N represents the number of elements. This argument is applicable only when no nan is in the dataframe.numeric_onlybool, default False
Include only float, int or boolean data.New in version 1.5.0.Changed in version 2.0.0: The default value of numeric_only is now False.Returns:
DataFrame
The covariance matrix of the series of the DataFrame.
487-2、参数

487-2-1、min_periods(可选，默认值为None)：整数，在计算协方差时，最小的观测值数量，只有在有效观测值数量大于或等于min_periods的情况下，才会计算协方差。

487-2-2、ddof(可选，默认值为1)：整数，自由度的调整，计算样本协方差时，通常设为1(这是样本协方差的默认计算方式)，如果设置为0，则计算总体协方差。

487-2-3、numeric_only(可选，默认值为False)：布尔值，如果为True，则只考虑数值型数据的列进行协方差计算。

487-3、功能

        用于计算DataFrame中各列之间的协方差矩阵，协方差矩阵是一个方阵，用于表示每对变量之间的协方差，能够帮助分析变量之间的关系。

487-4、返回值

        返回一个协方差矩阵(DataFrame)：

  • 行和列分别对应于DataFrame的列。
  • 矩阵中的每个值表示对应列之间的协方差。
487-5、说明

487-5-1、N/A处理：cov方法会自动忽略缺失值(NA)的行。

487-5-2、数值型数据：仅计算数值型列之间的协方差，非数值型列会被排除(如果numeric_only=True)。

487-5-3、自由度：ddof参数允许用户控制协方差的计算方式，常用于样本和总体之间的选择。

487-6、用法
487-6-1、数据准备
无
487-6-2、代码示例
# 487、pandas.DataFrame.cov方法
import pandas as pd
# 创建一个示例DataFrame
data = {'A': [1, 2, 3, 4],'B': [4, 5, 6, 7],'C': [7, 8, 9, 10]
}
df = pd.DataFrame(data)
# 计算协方差矩阵
cov_matrix = df.cov()
print(cov_matrix)
487-6-3、结果输出
# 487、pandas.DataFrame.cov方法
#           A         B         C
# A  1.666667  1.666667  1.666667
# B  1.666667  1.666667  1.666667
# C  1.666667  1.666667  1.666667
488、pandas.DataFrame.cummax方法
488-1、语法
# 488、pandas.DataFrame.cummax方法
pandas.DataFrame.cummax(axis=None, skipna=True, *args, **kwargs)
Return cumulative maximum over a DataFrame or Series axis.Returns a DataFrame or Series of the same size containing the cumulative maximum.Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
The index or the name of the axis. 0 is equivalent to None or ‘index’. For Series this parameter is unused and defaults to 0.skipna
bool, default True
Exclude NA/null values. If an entire row/column is NA, the result will be NA.*args, **kwargs
Additional keywords have no effect but might be accepted for compatibility with NumPy.Returns:
Series or DataFrame
Return cumulative maximum of Series or DataFrame.
488-2、参数

488-2-1、axis(可选，默认值为None)：{0 or 'index', 1 or 'columns'}，指定沿哪个轴计算累积最大值，0表示按列计算，1表示按行计算。

488-2-2、skipna(可选，默认值为True)：布尔值，是否忽略缺失值(NaN)，如果为True，缺失值将被忽略；如果为False，结果中可能会出现NaN。

488-2-3、*args(可选)：其他的额外位置参数，通常在使用自定义函数时会用到。

488-2-4、**kwargs(可选)：其他的额外关键字参数，通常在使用自定义函数时会用到。

488-3、功能

        用于计算DataFrame中每列或每行的累积最大值，它返回一个与原DataFrame形状相同的新DataFrame，其中每个值都是其前面所有值的最大值。

488-4、返回值

        返回一个与原DataFrame形状相同的新DataFrame，其中每个元素表示其前面所有元素的最大值。

488-5、说明

488-5-1、缺失值处理：如果skinpa为True，所有NaN值将被忽略；如果为False，结果中的任何NaN都会导致后续的结果也为NaN。

488-5-2、可用于时间序列：cummax方法也可以用于处理时间序列数据，有助于分析随时间推移的最大值变化。

488-5-3、效率：计算累积最大值的效率高，适用于大规模数据集

488-6、用法
488-6-1、数据准备
无
488-6-2、代码示例
# 488、pandas.DataFrame.cummax方法
import pandas as pd
# 创建一个示例DataFrame
data = {'A': [1, 2, 3, 4],'B': [4, 3, 2, 1],'C': [1, 5, 2, 3]
}
df = pd.DataFrame(data)
# 计算累积最大值
cummax_df = df.cummax()
print(cummax_df)
488-6-3、结果输出
# 488、pandas.DataFrame.cummax方法
#    A  B  C
# 0  1  4  1
# 1  2  4  5
# 2  3  4  5
# 3  4  4  5
489、pandas.DataFrame.cummin方法
489-1、语法
# 489、pandas.DataFrame.cummin方法
pandas.DataFrame.cummin(axis=None, skipna=True, *args, **kwargs)
Return cumulative minimum over a DataFrame or Series axis.Returns a DataFrame or Series of the same size containing the cumulative minimum.Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
The index or the name of the axis. 0 is equivalent to None or ‘index’. For Series this parameter is unused and defaults to 0.skipna
bool, default True
Exclude NA/null values. If an entire row/column is NA, the result will be NA.*args, **kwargs
Additional keywords have no effect but might be accepted for compatibility with NumPy.Returns:
Series or DataFrame
Return cumulative minimum of Series or DataFrame.
489-2、参数

489-2-1、axis(可选，默认值为None)：{0 or 'index', 1 or 'columns'}，指定沿哪个轴计算累积最小值，0表示按列计算，1表示按行计算。

489-2-2、skipna(可选，默认值为True)：布尔值，是否忽略缺失值(NaN)，如果为True，缺失值将被忽略；如果为False，结果中可能会出现NaN。

489-2-3、*args(可选)：其他的额外位置参数，通常在使用自定义函数时会用到。

489-2-4、**kwargs(可选)：其他的额外关键字参数，通常在使用自定义函数时会用到。

489-3、功能

        用于计算 DataFrame 中每列或每行的累积最小值，它返回一个与原 DataFrame 形状相同的新 DataFrame，其中每个值都是其前面所有值的最小值。

489-4、返回值

        返回一个与原 DataFrame 形状相同的新 DataFrame，其中每个元素表示其前面所有元素的最小值。

489-5、说明

489-5-1、缺失值处理：如果skipna为True，所有NaN值将被忽略；如果为False，结果中的任何NaN都会导致后续的结果也为NaN。

489-5-2、适用于时间序列：cummin方法也可以用于处理时间序列数据，有助于分析随时间推移的最小值变化。

489-5-3、效率：计算累积最小值的效率高，适用于大规模数据集。

489-6、用法
489-6-1、数据准备
无
489-6-2、代码示例
# 489、pandas.DataFrame.cummin方法
import pandas as pd
# 创建一个示例DataFrame
data = {'A': [5, 3, 6, 2],'B': [1, 2, 4, 0],'C': [3, 7, 1, 5]
}
df = pd.DataFrame(data)
# 计算累积最小值
cummin_df = df.cummin()
print(cummin_df)
489-6-3、结果输出
# 489、pandas.DataFrame.cummin方法
#    A  B  C
# 0  5  1  3
# 1  3  1  3
# 2  3  1  1
# 3  2  0  1
490、pandas.DataFrame.cumprod方法
490-1、语法
# 490、pandas.DataFrame.cumprod方法
pandas.DataFrame.cumprod(axis=None, skipna=True, *args, **kwargs)
Return cumulative product over a DataFrame or Series axis.Returns a DataFrame or Series of the same size containing the cumulative product.Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
The index or the name of the axis. 0 is equivalent to None or ‘index’. For Series this parameter is unused and defaults to 0.skipna
bool, default True
Exclude NA/null values. If an entire row/column is NA, the result will be NA.*args, **kwargs
Additional keywords have no effect but might be accepted for compatibility with NumPy.Returns:
Series or DataFrame
Return cumulative product of Series or DataFrame.
490-2、参数

490-2-1、axis(可选，默认值为None)：{0 or 'index', 1 or 'columns'}，指定沿哪个轴计算累积乘积，0表示按列计算，1表示按行计算。

490-2-2、skipna(可选，默认值为True)：布尔值，是否忽略缺失值(NaN)，如果为True，缺失值将被忽略；如果为False，结果中可能会出现NaN。

490-2-3、*args(可选)：其他的额外位置参数，通常在使用自定义函数时会用到。

490-2-4、**kwargs(可选)：其他的额外关键字参数，通常在使用自定义函数时会用到。

490-3、功能

        用于计算DataFrame中每列或每行的累积乘积，它返回一个与原DataFrame形状相同的新DataFrame，其中每个值都是其前面所有值的乘积。

490-4、返回值

        返回一个与原DataFrame形状相同的新DataFrame，其中每个元素表示其前面所有元素的乘积。

490-5、说明

490-5-1、缺失值处理：如果skipna为True，所有NaN值将被忽略；如果为False，结果中的任何NaN都会导致后续的结果也为NaN。

490-5-2、适用于时间序列：cumprod方法也可以用于处理时间序列数据，有助于分析随时间推移的乘积变化。

490-5-3、效率: 计算累积乘积的效率高，适用于大规模数据集。

490-6、用法
490-6-1、数据准备
无
490-6-2、代码示例
# 490、pandas.DataFrame.cumprod方法
import pandas as pd
# 创建一个示例DataFrame
data = {'A': [2, 3, 4],'B': [1, 2, 3],'C': [5, 6, 7]
}
df = pd.DataFrame(data)
# 计算累积乘积
cumprod_df = df.cumprod()
print(cumprod_df)
490-6-3、结果输出
# 490、pandas.DataFrame.cumprod方法
#     A  B    C
# 0   2  1    5
# 1   6  2   30
# 2  24  6  210

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

这篇关于Python酷库之旅-第三方库Pandas(111)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1123902。

相关文章

Python将博客内容html导出为Markdown格式

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞？二、准备如何搞？三、说搞咱就搞！抓取文章提取内容构建html转存markdown
阅读更多...
Python获取中国节假日数据记录入JSON文件

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢？我尝试一种更为智能的方法：P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验，
阅读更多...
Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整
阅读更多...
Python Websockets库的使用指南

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.
阅读更多...
揭秘Python Socket网络编程的7种硬核用法

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器：探测开放端口2.简易 HTTP 服务器：10 秒搭个网页3.局域网游戏：多人联机对战4.
阅读更多...
使用Python实现快速搭建本地HTTP服务器

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》：本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.
阅读更多...
Python使用自带的base64库进行base64编码和解码

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意
阅读更多...
Python基于wxPython和FFmpeg开发一个视频标签工具

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优
阅读更多...
Pandas使用SQLite3实战

Pandas使用SQLite3实战

《Pandas使用SQLite3实战》本文主要介绍了Pandas使用SQLite3实战,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1 环境准备2 从 SQLite3VlfrWQzgt 读取数据到 DataFrame基础用法：读
阅读更多...
Python如何使用__slots__实现节省内存和性能优化

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景：内存吃得满满的类__slots__：你的内存管理小助手举个大概的例子：看看效果如何？1.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2