pandas.DataFrame 最值索引

工作需要，查询某一列中的最大值所对应的索引。强大的pandas早就为我们写好了封装函数: idxmax()、idxmin()

举个栗子：

先随便生成一个数据结构test

输出结果：

调用函数dataframeidxmax(axis=0,skipna=True), 参数axis指定寻找最值的方向，按照行的方式或者列的方式

输出：

哒哒~！就找到了以列为方式的最大的num的索引为6，year的索引为5

导入 Pandas：

查看 Pandas 版本信息：

Pandas 的数据结构：Pandas 主要有 Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组）等数据结构。其中 Series 和 DataFrame 应用的最为广泛。

Series 是一维带标签的数组，它可以包含任何数据类型。包括整数，字符串，浮点数，Python 对象等。Series 可以通过标签来定位。

DataFrame 是二维的带标签的数据结构。我们可以通过标签来定位数据。这是 NumPy 所没有的。

Pandas 中，Series 可以被看作由 1 列数据组成的数据集。

创建 Series 语法：s = pdSeries(data, index=index)，可以通过多种方式进行创建，以下介绍了 3 个常用方法。

从列表创建 Series：

从 Ndarray 创建 Series：

从字典创建 Series：

修改 Series 索引：

Series 纵向拼接：

Series 按指定索引删除元素：

Series 修改指定索引元素：

Series 按指定索引查找元素：

Series 切片 *** 作：

Series 加法运算：

Series 的加法运算是按照索引计算，如果索引不同则填充为 NaN（空值）。

Series 减法运算：

Series的减法运算是按照索引对应计算，如果不同则填充为 NaN（空值）。

Series 乘法运算：

Series 的乘法运算是按照索引对应计算，如果索引不同则填充为 NaN（空值）。

Series 除法运算：

Series 的除法运算是按照索引对应计算，如果索引不同则填充为 NaN（空值）。

Series 求中位数：

Series 求和：

Series 求最大值：

Series 求最小值：

与 Sereis 不同，DataFrame 可以存在多列数据。一般情况下，DataFrame 也更加常用。

通过 NumPy 数组创建 DataFrame：

通过字典数组创建 DataFrame：

查看 DataFrame 的数据类型：

预览 DataFrame 的前 5 行数据：

查看 DataFrame 的后 3 行数据：

查看 DataFrame 的索引：

查看 DataFrame 的列名：

查看 DataFrame 的数值：

查看 DataFrame 的统计数据：

DataFrame 转置 *** 作：

对 DataFrame 进行按列排序：

对 DataFrame 数据切片：

对 DataFrame 通过标签查询（单列）：

对 DataFrame 通过标签查询（多列）：

对 DataFrame 通过位置查询：

DataFrame 副本拷贝：

判断 DataFrame 元素是否为空：

添加列数据：

根据 DataFrame 的下标值进行更改。：

根据 DataFrame 的标签对数据进行修改：

DataFrame 求平均值 *** 作：

对 DataFrame 中任意列做求和 *** 作：

将字符串转化为小写字母：

将字符串转化为大写字母：

对缺失值进行填充：

删除存在缺失值的行：

DataFrame 按指定列对齐：

CSV 文件写入：

CSV 文件读取：

Excel 写入 *** 作：

Excel 读取 *** 作：

建立一个以 2018 年每一天为索引，值为随机数的 Series：

统计s 中每一个周三对应值的和：

统计s中每个月值的平均值：

将 Series 中的时间进行转换（秒转分钟）：

UTC 世界时间标准：

转换为上海所在时区：

不同时间表示方式的转换：

创建多重索引 Series：

构建一个 letters = ['A', 'B', 'C'] 和 numbers = list(range(10))为索引，值为随机数的多重索引 Series。

多重索引 Series 查询：

多重索引 Series 切片：

根据多重索引创建 DataFrame：

创建一个以 letters = ['A', 'B'] 和 numbers = list(range(6))为索引，值为随机数据的多重索引 DataFrame。

多重索引设置列名称：

DataFrame 多重索引分组求和：

DataFrame 行列名称转换：

DataFrame 索引转换：

DataFrame 条件查找：

查找 age 大于 3 的全部信息

根据行列索引切片：

DataFrame 多重条件查询：

查找 age<3 且为 cat 的全部数据。

DataFrame 按关键字查询：

DataFrame 按标签及列名查询。：

DataFrame 多条件排序：

按照 age 降序，visits 升序排列

DataFrame 多值替换：

将 priority 列的 yes 值替换为 True，no 值替换为 False。

DataFrame 分组求和：

使用列表拼接多个 DataFrame：

找出 DataFrame 表中和最小的列：

DataFrame 中每个元素减去每一行的平均值：

DataFrame 分组，并得到每一组中最大三个数之和：

当分析庞大的数据时，为了更好的发掘数据特征之间的关系，且不破坏原数据，就可以利用透视表 pivot_table 进行 *** 作。

透视表的创建：

新建表将 A, B, C 列作为索引进行聚合。

透视表按指定行进行聚合：

将该 DataFrame 的 D 列聚合，按照 A,B 列为索引进行聚合，聚合的方式为默认求均值。

透视表聚合方式定义：

上一题中 D 列聚合时，采用默认求均值的方法，若想使用更多的方式可以在 aggfunc 中实现。

透视表利用额外列进行辅助分割：

D 列按照 A,B 列进行聚合时，若关心 C 列对 D 列的影响，可以加入 columns 值进行分析。

透视表的缺省值处理：

在透视表中由于不同的聚合方式，相应缺少的组合将为缺省值，可以加入 fill_value 对缺省值处理。

在数据的形式上主要包括数量型和性质型，数量型表示着数据可数范围可变，而性质型表示范围已经确定不可改变，绝对型数据就是性质型数据的一种。

绝对型数据定义：

对绝对型数据重命名：

重新排列绝对型数据并补充相应的缺省值：

对绝对型数据进行排序：

对绝对型数据进行分组：

缺失值拟合：

在FilghtNumber中有数值缺失，其中数值为按 10 增长，补充相应的缺省值使得数据完整，并让数据为 int 类型。

数据列拆分：

其中From_to应该为两独立的两列From和To，将From_to依照_拆分为独立两列建立为一个新表。

字符标准化：

地点的名字都不规范（如：londON应该为London）需要对数据进行标准化处理。

删除坏数据加入整理好的数据：

将最开始的 From_to 列删除，加入整理好的 From 和 to 列。

去除多余字符：

如同 airline 列中许多数据有许多其他字符，会对后期的数据分析有较大影响，需要对这类数据进行修正。

格式规范：

在 RecentDelays 中记录的方式为列表类型，由于其长度不一，这会为后期数据分析造成很大麻烦。这里将 RecentDelays 的列表拆开，取出列表中的相同位置元素作为一列，若为空值即用 NaN 代替。

信息区间划分：

班级一部分同学的数学成绩表，如下图所示

但我们更加关心的是该同学是否及格，将该数学成绩按照是否>60来进行划分。

数据去重：

一个列为A的 DataFrame 数据，如下图所示

尝试将 A 列中连续重复的数据清除。

数据归一化：

有时候，DataFrame 中不同列之间的数据差距太大，需要对其进行归一化处理。

其中，Max-Min 归一化是简单而常见的一种方式，公式如下:

Series 可视化：

DataFrame 折线图：

DataFrame 散点图：

DataFrame 柱形图：

在进行下面的题目 *** 作时，一定要先导入上面的两个数据分析包 pandas、numpy

1 如何用Python的列表创建一个series

输出：

一个series是一个一维的标记数组，可以容纳任何数据类型(整数、字符串、浮点数、Python对象等)。必须记住，与Python列表不同，一个series总是包含相同类型的数据。

2如何使用列表创建一个DataFrame

输出：

3如何使用Series 字典对象生成 DataFrame

输出：

4如何在pandas中创建一个空的DataFrame？

要创建一个完全空的pandas dataframe，我们使用以下 *** 作：

输出：

已知有这样的数据，如何进行查看

输出：

2如何查看尾部数据

3如何快速查看数据的统计摘要

4如何查询索引和列名

1简述Pandas Index

在panda中建立索引意味着简单地从DataFrame中选择特定的数据行和列。

pandas支持四种类型的多轴索引，它们是:

它们统称为索引器。这些是迄今为止索引数据最常见的方法。这四个函数有助于从DataFrame获取元素、行和列。

2Pandas 定义重新索引(Reindexing)

重新索引会更改DataFrame的行标签和列标签。重新索引意味着使数据符合特定轴上给定的一组标签。

多个 *** 作可以通过像这样的索引来完成:

输出:

3如何设置索引？

panda set_index() 是一种将列表、序列或dataframe设置为dataframe索引的方法。

语法:

DataFrameset_index(keys, inplace=False)

参数:

改变索引列

在本例中，名称列被用作DataFrame的索引列

输出:

如输出图像所示，以前索引列是一系列数字

Before Operation –

After Operation

4如何重置索引

Pandas Seriesreset_index()

函数的作用是:生成一个新的DataFrame或带有重置索引的Series。

例1： 使用 Seriesreset_index() 函数重置给定Series对象的索引

输出:

现在，我们将使用Seriesreset_index()函数来重置给定的series对象的索引

输出 :

从输出中可以看到，该 Seriesreset_index() 函数已将给定Series对象的索引重置为默认值。它保留了索引，并将其转换为列。

11先创建数据:

12选择单列，产生 Series

详见 按标签选择 。

21用标签提取一行数据：

详见 按位置选择 。

31用整数位置选择：

41用单列的值选择数据：

51用索引自动对齐新增列的数据：

1如何得到一个数列的最小值、第25百分位、中值、第75位和最大值

输出:

Pandas dataframemean(axis=None) 函数返回所请求轴(axis=0代表对列进行求平均值，axis=1代表对行进行求平均值)的值的平均值。

示例: 使用 mean() 函数查找索引轴上所有观测值的平均值。

输出:

让我们使用datafame mean()函数来查找索引轴上的平均值。

3如何将函数应用到DataFrame中的每个数据元素

可以使用 apply() 函数以便将函数应用于给定dataframe中的每一行。让我们来看看我们完成这项任务的方式。

实例:

输出：

4如何在panda中获得一个DataFrame的行数和列数

输出:

获取df的行和列计数

输出:

5如何在panda DataFrame中获得列值的总和

Pandas dataframesum() 函数返回所请求轴的值的和

语法: DataFramesum(axis=None, skipna=None, )

参数:

示例1: 使用 sum() 函数查找索引轴上所有值的总和

现在求出沿索引轴的所有值的和。我们将跳过计算和时的NaN值。

输出:

如何将新行追加到pandas DataFrame？

Pandas dataframeappend() 函数的作用是:将其他dataframe的行追加到给定的dataframe的末尾，返回一个新的dataframe对象。

语法:

DataFrameappend( ignore_index=False,)

参数:

示例1： 创建两个数据框，然后将第二个附加到第一个。

现在将df2附加到df1的末尾

输出:

请注意，第二个DataFrame的索引值保留在附加的DataFrame中。如果我们不希望发生这种情况，则可以设置ignore_index = True。

输出 :

“group by” 指的是涵盖下列一项或多项步骤的处理流程：

详见 分组 。

输出:

1先分组，再用 sum() 函数计算每组的汇总数据：

输出:

2多列分组后，生成多层索引，也可以应用 sum 函数：

输出:

如何将numpy数组转换为给定形状的DataFrame

输出:

输出:

透视表是一种可以对数据动态排布并且分类汇总的表格格式，在pandas中它被称作pivot_table。

pivot_table(data, values=None, index=None, columns=None)

参数:

详见: 数据透视表

打印输出：

用上述数据生成数据透视表非常简单：

返回结果:

1如何将列添加到pandas DataFrame？

源数据:

输出:

输出：

2如何向panda DataFrame添加索引、行或列

向DataFrame添加索引

如果您创建了一个DataFrame, panda允许将输入添加到索引参数中。它将确保您拥有所需的索引。否则，在默认情况下，DataFrame包含一个数值索引，该索引从0开始，在DataFrame的最后一行结束。

向DataFrame添加行、列

我们可以使用loc、iloc和ix将行、列插入到DataFrame中。

添加具有特定索引名的行:

输出:

3如何在panda DataFrame上进行迭代

您可以通过结合使用for循环和对DataFrame的iterrows()调用来遍历DataFrame的行。

输出:

4我们如何排序DataFrame？

我们可以通过以下几种有效地在DataFrame中执行排序：

(1)按标签

可以使用sort_index()方法对数据dataframe进行排序。可以通过传递axis参数和排序顺序来实现。默认情况下，按升序对行标签进行排序。

以上就是关于pandas.DataFrame 最值索引全部的内容，包括:pandas.DataFrame 最值索引、14Pandas 百题大冲关、最全的pandas面试基础100题目等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！