Pandas中的几个不常用的函数功能

小数志

共 1185字,需浏览 3分钟

 · 2022-01-02

Pandas 是我们常用的一个Python数据分析库。其中有不少操作是我们平时很少用到的。如下:

数据源:

df


一、 获取最大或最小值所对应对象的名称

获取某列的最小值:

df["数量"].min()


获取最小值所对应的汽车品牌:

df[df["数量"] == df["数量"].min()]["品牌"].values[0]

获取最大值同理。

        然而,我们可以使用.idxmax() 或 idxmin() 函数来更优雅得实现以上功能:

df.loc[df["数量"].idxmin()]["品牌"]

可见,所得结果一致,并且语句显得更加简短优雅。

二、 数据切片

用 .cut() 函数将数据区间 [10,80] 均等地分成10份,等差为 (80 - 10) / 10 = 7.

pd.cut(df["数量"],10)


查看当前数据所属的划分区间:

pd.cut(df["数量"],10,labels = False)

三、 用 .nsmallest() 或 .nlargest() 获取前几的最小或最大值。

比如获取数量最小的前3条记录:

df[["国家", "品牌", "数量"]].nsmallest(3, "数量")


再跟常用的方法对比一下,如下:

df.sort_values(by = "数量",ascending = True).head(3)


注意事项:.nsmallest() 或 .nlargest() 参数里的筛选条件一定要包好在所抽取出来的DataFrame里面。

四、 数据透视表

4.1 普通的筛选求和:

df[(df["国家"] == "中国") & (df["品牌"] == "五菱")]["数量"].sum()


4.2 pivot_table

pd.pivot_table(df, values = "数量", index = "品牌", columns = "国家", aggfunc = "sum").fillna(0)



4.2 pivot_table + unstack

pd.pivot_table(df, values = "数量", index = "品牌", columns = "国家", aggfunc = "sum").fillna(0).unstack()




相关阅读:


浏览 32
点赞
评论
收藏
分享

手机扫一扫分享

举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

举报