Python酷库之旅-第三方库Pandas(111)

2024-08-31 12:28

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
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
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
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
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
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

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

Python中你不知道的gzip高级用法分享

《Python中你不知道的gzip高级用法分享》在当今大数据时代,数据存储和传输成本已成为每个开发者必须考虑的问题,Python内置的gzip模块提供了一种简单高效的解决方案,下面小编就来和大家详细讲... 目录前言:为什么数据压缩如此重要1. gzip 模块基础介绍2. 基本压缩与解压缩操作2.1 压缩文