python之Numpy與Pandas怎么應(yīng)用

這篇文章主要介紹了python之Numpy與Pandas怎么應(yīng)用的相關(guān)知識，內(nèi)容詳細(xì)易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇python之Numpy與Pandas怎么應(yīng)用文章都會有所收獲，下面我們一起來看看吧。

1 Numpy 介紹與應(yīng)用

1-1Numpy是什么

NumPy 是一個運行速度非?？斓臄?shù)學(xué)庫，一個開源的的python科學(xué)計算庫，主要用于數(shù)組、矩陣計算，包含：

一個強大的N維數(shù)組對象 ndarray廣播功能函數(shù)整合 C/C++/Fortran 代碼的工具線性代數(shù)、傅里葉變換、隨機數(shù)生成等功能 1-2 為什么選擇Numpy

對于同樣的數(shù)值計算任務(wù)，使用Numpy比直接編寫原生python代碼的優(yōu)點有：

代碼更簡潔：

Numpy直接以數(shù)組、矩陣為粒度計算并且支撐大量的數(shù)學(xué)函數(shù)，而Python需要用for循環(huán)從底層實現(xiàn)

 性能更高效：

Numpy的數(shù)組存儲效率和輸入輸出計算性能，比Python使用List或者嵌套List好很多

注意：Numpy的數(shù)據(jù)存儲和Python原生的List是不一樣的
加上Numpy的大部分代碼都是C語言實現(xiàn)的，這是Numpy比純Python代碼高效的原因

相關(guān)學(xué)習(xí)、代碼如下：須提前安裝好Numpy、pandas和matplotlib

Numpy終端安裝命令：pip install numpy
Pandas終端安裝命令：pip install pandas
Matplotlib終端安裝過命令：pip install matplotlib

# @Software : PyCharm
# Numpy是Python各種數(shù)據(jù)科學(xué)類庫的基礎(chǔ)庫
# 比如：Pandas，Scipy，Scikit_Learn等
# Numpy應(yīng)用：
'''
NumPy 通常與 SciPy（Scientific Python）和 Matplotlib（繪圖庫）一起使用， 這種組合廣泛用于替代 MatLab，是一個強大的科學(xué)計算環(huán)境，有助于我們通過 Python 學(xué)習(xí)數(shù)據(jù)科學(xué)或者機器學(xué)習(xí)。
SciPy 是一個開源的 Python 算法庫和數(shù)學(xué)工具包。
SciPy 包含的模塊有最優(yōu)化、線性代數(shù)、積分、插值、特殊函數(shù)、快速傅里葉變換、信號處理和圖像處理、常微分方程求解和其他科學(xué)與工程中常用的計算。
Matplotlib 是 Python 編程語言及其數(shù)值數(shù)學(xué)擴展包 NumPy 的可視化操作界面。它為利用通用的圖形用戶界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向應(yīng)用程序嵌入式繪圖提供了應(yīng)用程序接口（API）。

'''
# 安裝 NumPy 最簡單的方法就是使用 pip 工具：
# pip3 install --user numpy scipy matplotlib
# --user 選項可以設(shè)置只安裝在當(dāng)前的用戶下，而不是寫入到系統(tǒng)目錄。
# 默認(rèn)情況使用國外線路，國外太慢，我們使用清華的鏡像就可以:
# pip install numpy scipy matplotlib -i.csv https://pypi.tuna.tsinghua.edu.cn/simple
# 這種pip安裝是一種最簡單、最輕量級的方法，當(dāng)然，這里的前提是有Python包管理器
# 如若不行，可以安裝Anaconda【目前應(yīng)用較廣泛】，這是一個開源的Python發(fā)行版
# 安裝Anaconda地址：https://www.anaconda.com/
# 安裝驗證
# 測試是否安裝成功
from numpy import *     # 導(dǎo)入 numpy 庫
print(eye(4))           # 生成對角矩陣
# 查看版本：
import numpy as np
print(np.__version__)
# 實現(xiàn)2個數(shù)組的加法：
# 1-原生Python實現(xiàn)
def Py_sum(n):
    a = [i**2 for i in range(n)]
    b = [i**3 for i in range(n)]
    # 創(chuàng)建一個空列表，便于后續(xù)存儲
    ab_sum = []
    for i in range(n):
        # 將a、b中對應(yīng)的元素相加
        ab_sum.append(a[i]+b[i])
    return ab_sum
# 調(diào)用實現(xiàn)函數(shù)
print(Py_sum(10))
# 2-Numpy實現(xiàn)：
def np_sum(n):
    c = np.arange(n) ** 2
    d = np.arange(n) ** 3
    return c+d
print(np_sum(10))
# 易看出使用Numpy代碼簡潔且運行效率快
# 測試1000，10W，以及100W的運行時間
# 做繪圖對比：
import pandas as pd
# 輸入數(shù)據(jù)
py_times = [1.72*1000, 202*1000, 1.92*1000]
np_times = [18.8, 14.9*1000, 17.8*10000]

# 創(chuàng)建Pandas的DataFrame類型數(shù)據(jù)
ch_lxw = pd.DataFrame({
    'py_times': py_times,
    'np_times': np_times    # 可加逗號
})
print(ch_lxw)

import matplotlib.pyplot as plt
# 線性圖
print(ch_lxw.plot())
# 柱狀圖
print(ch_lxw.plot.bar())
# 簡易箱線圖
print(ch_lxw.boxplot)

plt.show()

線性圖運行效果如下：

柱狀圖運行效果如下：

2 NumPy Ndarray 對象

NumPy 最重要的一個特點是其 N 維數(shù)組對象 ndarray，它是一系列同類型數(shù)據(jù)的集合，以 0 下標(biāo)為開始進(jìn)行集合中元素的索引。

ndarray 對象是用于存放同類型元素的多維數(shù)組，其中的每個元素在內(nèi)存中都有相同存儲大小的區(qū)域。ndarray 對象采用了數(shù)組的索引機制，將數(shù)組中的每個元素映射到內(nèi)存塊上，并且按照一定的布局對內(nèi)存塊進(jìn)行排序（行或列）

ndarray 內(nèi)部由以下內(nèi)容組成：

• 一個指向數(shù)據(jù)（內(nèi)存或內(nèi)存映射文件中的一塊數(shù)據(jù)）的指針；

• 數(shù)據(jù)類型或 dtype，描述在數(shù)組中的固定大小值的格子；

• 一個表示數(shù)組形狀（shape）的元組，表示各維度大小的元組；

• 一個跨度元組（stride），其中的整數(shù)指的是為了前進(jìn)到當(dāng)前維度下一個元素需要"跨過"的字節(jié)數(shù)。

相關(guān)學(xué)習(xí)、代碼如下：

'''
創(chuàng)建一個 ndarray 只需調(diào)用 NumPy 的 array 函數(shù)即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
參數(shù)說明：

名稱	描述
object	表示數(shù)組或嵌套的數(shù)列
dtype	表示數(shù)組元素的數(shù)據(jù)類型，可選
copy	表示對象是否需要復(fù)制，可選
order	創(chuàng)建數(shù)組的樣式，C為行方向，F(xiàn)為列方向，A為任意方向（默認(rèn)）
subok	默認(rèn)返回一個與基類類型一致的數(shù)組
ndmin	指定生成數(shù)組的最小維度
'''
# ndarray 對象由計算機內(nèi)存的連續(xù)一維部分組成，并結(jié)合索引模式，將每個元素映射到內(nèi)存塊中的一個位置。
# 內(nèi)存塊以行順序(C樣式)或列順序(FORTRAN或MatLab風(fēng)格，即前述的F樣式)來保存元素

# 學(xué)好Numpy，便于后期對Pandas的數(shù)據(jù)處理
# 1:一維
import numpy as np
lxw = np.array([5, 2, 0])
print(lxw)
print()
# 2： 多于一個維度
import numpy as np
lxw2 = np.array([[1, 5, 9], [5, 2, 0]])
print(lxw2)
print()
# 3: 最小維度
import numpy as np
lxw3 = np.array([5, 2, 0, 1, 3, 1, 4], ndmin=2)     # ndmin: 指定生成數(shù)組的最小維度
print(lxw3)
print()
# 4： dtype參數(shù)
import numpy as np
lxw4 = np.array([3, 3, 4, 4], dtype=complex)        # dtype: 數(shù)組元素的數(shù)據(jù)類型[complex 復(fù)數(shù)】
print(lxw4)

3 Numpy 數(shù)據(jù)類型

numpy 支持的數(shù)據(jù)類型比 Python 內(nèi)置的類型要多很多，基本上可以和 C 語言的數(shù)據(jù)類型對應(yīng)上，其中部分類型對應(yīng)為 Python 內(nèi)置的類型.

常用 NumPy 基本類型：

名稱  描述
bool_ :【布爾型數(shù)據(jù)類型（True 或者 False）】
int_ : 【默認(rèn)的整數(shù)類型（類似于 C 語言中的 long，int32 或 int64）】
intc :【與 C 的 int 類型一樣，一般是 int32 或 int 64】
intp :【用于索引的整數(shù)類型（類似于 C 的 ssize_t，一般情況下仍然是 int32 或 int64）】
int8 :【字節(jié)（-128 to 127）】
int16 :【整數(shù)（-32768 to 32767）】
int32 :【整數(shù)（-2147483648 to 2147483647）】
int64 ：【整數(shù)（-9223372036854775808 to 9223372036854775807）】
uint8 ：【無符號整數(shù)（0 to 255）】
uint16 ：【無符號整數(shù)（0 to 65535）】
uint32 ：【無符號整數(shù)（0 to 4294967295）】
uint64 ：【無符號整數(shù)（0 to 18446744073709551615）】
float_ float64 ：【類型的簡寫】
float16 ：【半精度浮點數(shù)，包括：1 個符號位，5 個指數(shù)位，10 個尾數(shù)位】
float32 ：【單精度浮點數(shù)，包括：1 個符號位，8 個指數(shù)位，23 個尾數(shù)位】
float64 ：【雙精度浮點數(shù)，包括：1 個符號位，11 個指數(shù)位，52 個尾數(shù)位】
complex_ complex128： 【類型的簡寫，即 128 位復(fù)數(shù)】
complex64 ：【復(fù)數(shù)，表示雙 32 位浮點數(shù)（實數(shù)部分和虛數(shù)部分）】
complex128 ：【復(fù)數(shù)，表示雙 64 位浮點數(shù)（實數(shù)部分和虛數(shù)部分）】

相關(guān)學(xué)習(xí)、代碼如下：

'''
# numpy 的數(shù)值類型實際上是 dtype 對象的實例，并對應(yīng)唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
'''
#　Numpy 類型對象：
'''
dtype 對象是使用以下語法構(gòu)造的：

numpy.dtype(object, align, copy)

object - 要轉(zhuǎn)換為的數(shù)據(jù)類型對象
align - 如果為 true，填充字段使其類似 C 的結(jié)構(gòu)體。
copy - 復(fù)制 dtype 對象 ，如果為 false，則是對內(nèi)置數(shù)據(jù)類型對象的引用

'''
# 1: 使用標(biāo)量類型
import numpy as np
lxw = np.dtype(np.int32)
print(lxw)
print()
# 2: int8, int16, int32, int64 四種數(shù)據(jù)類型可以使用字符串 'i1', 'i2','i4','i8' 代替
import numpy as np
lxw2 = np.dtype('i8')       # int64
print(lxw2)
print()
# 3: 字節(jié)順序標(biāo)注
import numpy as np
lxw3 = np.dtype('<i4')      # int32
print(lxw3)
print()
# 4: 首先創(chuàng)建結(jié)構(gòu)化數(shù)據(jù)類型
import numpy as np
lxw4 = np.dtype([('age', np.int8)])     # i1
print(lxw4)
print()
# 5: 將數(shù)據(jù)類型應(yīng)用于 ndarray 對象
import numpy as np
lxw5 = np.dtype([('age', np.int32)])
a = np.array([(10,), (20,), (30,)], dtype=lxw5)
print(a)
print()
# 6: 類型字段名可以用于存取實際的 age 列
import numpy as np
lxw6 = np.dtype([('age', np.int64)])
a = np.array([(10,), (20,), (30,)], dtype=lxw6)
print(a['age'])
print()
# 7: 定義一個結(jié)構(gòu)化數(shù)據(jù)類型 student，包含字符串字段 name，整數(shù)字段 age，及浮點字段 marks，并將這個 dtype 應(yīng)用到 ndarray 對象
import numpy as np
student = np.dtype([('name', 'S20'), ('age', 'i2'), ('marks', 'f4')])
print(student)      # 運行結(jié)果：[('name', 'S20'), ('age', '<i2'), ('marks', '<f4')]
print()
# 8:
import numpy as np
student2 = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
lxw = np.array([('lxw', 21, 52), ('cw', 22, 58)], dtype=student2)
print(lxw)          # 運行結(jié)果：[(b'lxw', 21, 52.) (b'cw', 22, 58.)]
# 每個內(nèi)建類型都有一個唯一定義它的字符代碼，如下：
'''
字符	對應(yīng)類型
b	布爾型
i.csv	(有符號) 整型
u	無符號整型 integer
f	浮點型
c	復(fù)數(shù)浮點型
m	timedelta（時間間隔）
M	datetime（日期時間）
O	(Python) 對象
S, a	(byte-)字符串
U	Unicode
V	原始數(shù)據(jù) (void)
'''

4 Numpy 數(shù)組屬性

在 NumPy中，每一個線性的數(shù)組稱為是一個軸（axis），也就是維度（dimensions）。

比如說，二維數(shù)組相當(dāng)于是兩個一維數(shù)組，其中第一個一維數(shù)組中每個元素又是一個一維數(shù)組。

相關(guān)代碼學(xué)習(xí)、如下：

# NumPy 的數(shù)組中比較重要 ndarray 對象屬性有：
'''
屬性	            說明
ndarray.ndim	秩，即軸的數(shù)量或維度的數(shù)量
ndarray.shape	數(shù)組的維度，對于矩陣，n 行 m 列
ndarray.size	數(shù)組元素的總個數(shù)，相當(dāng)于 .shape 中 n*m 的值
ndarray.dtype	ndarray 對象的元素類型
ndarray.itemsize	ndarray 對象中每個元素的大小，以字節(jié)為單位
ndarray.flags	ndarray 對象的內(nèi)存信息
ndarray.real	ndarray元素的實部
ndarray.imag	ndarray 元素的虛部
ndarray.data	包含實際數(shù)組元素的緩沖區(qū)，由于一般通過數(shù)組的索引獲取元素，所以通常不需要使用這個屬性。

'''
# ndarray.ndim
# ndarray.ndim 用于返回數(shù)組的維數(shù)，等于秩。
import numpy as np
lxw = np.arange(36)
print(lxw.ndim)             # a 現(xiàn)只有一個維度
# 現(xiàn)調(diào)整其大小
a = lxw.reshape(2, 6, 3)    # 現(xiàn)在擁有三個維度
print(a.ndim)
print()
# ndarray.shape
# ndarray.shape 表示數(shù)組的維度，返回一個元組，這個元組的長度就是維度的數(shù)目，即 ndim 屬性(秩)。比如，一個二維數(shù)組，其維度表示"行數(shù)"和"列數(shù)"。
# ndarray.shape 也可以用于調(diào)整數(shù)組大小。
import numpy as np
lxw2 = np.array([[169, 175, 165], [52, 55, 50]])
print(lxw2.shape)   # shape: 數(shù)組的維度
print()
# 調(diào)整數(shù)組大小:
import numpy as np
lxw3 = np.array([[123, 234, 345], [456, 567, 789]])
lxw3.shape = (3, 2)
print(lxw3)
print()
# NumPy 也提供了 reshape 函數(shù)來調(diào)整數(shù)組大小:
import numpy as np
lxw4 = np.array([[23, 543, 65], [32, 54, 76]])
c = lxw4.reshape(2, 3)  # reshape: 調(diào)整數(shù)組大小
print(c)
print()
# ndarray.itemsize
# ndarray.itemsize 以字節(jié)的形式返回數(shù)組中每一個元素的大小。

# 例如，一個元素類型為 float64 的數(shù)組 itemsize 屬性值為 8(float64 占用 64 個 bits,
# 每個字節(jié)長度為 8，所以 64/8，占用 8 個字節(jié)），又如，一個元素類型為 complex32 的數(shù)組 item 屬性為 4（32/8）
import numpy as np
# 數(shù)組的 dtype 為 int8（一個字節(jié)）
x = np.array([1, 2, 3, 4, 5], dtype=np.int8)
print(x.itemsize)
# 數(shù)組的dtypy現(xiàn)在為float64(八個字節(jié)）
y = np.array([1, 2, 3, 4, 5], dtype=np.float64)
print(y.itemsize)   # itemsize: 占用字節(jié)個數(shù)
# 拓展：
# 整體轉(zhuǎn)化為整數(shù)型
print(np.array([3.5, 6.6, 8.9], dtype=int))
# 設(shè)置copy參數(shù)，默認(rèn)為True
a = np.array([2, 5, 6, 8, 9])
b = np.array(a)                     # 復(fù)制a
print(b)                            # 控制臺打印b
print(f'a: {id(a)}, b: {id(b)}')     # 可打印出a和b的內(nèi)存地址
print('='*20)
# 類似于列表的引用賦值
b = a
print(f'a: {id(a)}, b: {id(b)}')
# 創(chuàng)建一個矩陣
lxw5 = np.mat([1, 2, 3, 4, 5])
print(type(lxw5))   # 矩陣類型： <class 'numpy.matrix'>
# 復(fù)制出副本，并保持原類型
yy = np.array(lxw5, subok=True)
print(type(yy))
# 只復(fù)制副本，不管其類型
by = np.array(lxw5, subok=False)    # False: 使用數(shù)組的數(shù)據(jù)類型
print(type(by))
print(id(yy), id(by))
print('='*20)
# 使用數(shù)組的copy()方法：
c = np.array([2, 5, 6, 2])
cp = c.copy()
print(id(c), id(cp))
print()
# ndarray.flags
'''
ndarray.flags 返回 ndarray 對象的內(nèi)存信息，包含以下屬性：
屬性	描述
C_CONTIGUOUS (C)	數(shù)據(jù)是在一個單一的C風(fēng)格的連續(xù)段中
F_CONTIGUOUS (F)	數(shù)據(jù)是在一個單一的Fortran風(fēng)格的連續(xù)段中
OWNDATA (O)	數(shù)組擁有它所使用的內(nèi)存或從另一個對象中借用它
WRITEABLE (W)	數(shù)據(jù)區(qū)域可以被寫入，將該值設(shè)置為 False，則數(shù)據(jù)為只讀
ALIGNED (A)	數(shù)據(jù)和所有元素都適當(dāng)?shù)貙R到硬件上
UPDATEIFCOPY (U)	這個數(shù)組是其它數(shù)組的一個副本，當(dāng)這個數(shù)組被釋放時，原數(shù)組的內(nèi)容將被更新

'''
import numpy as np
lxw4 = np.array([1, 3, 5, 6, 7])
print(lxw4.flags)   # flags: 其內(nèi)存信息

Pandas學(xué)習(xí)

當(dāng)然，做這些的前提是首先把文件準(zhǔn)備好

文件準(zhǔn)備：

文件太長，故只截取了部分，當(dāng)然，此文件可自行弄類似的也可以！

1 pandas新增數(shù)據(jù)列

在進(jìn)行數(shù)據(jù)分析時，經(jīng)常需要按照一定條件創(chuàng)造新的數(shù)據(jù)列，然后再進(jìn)一步分析

• 直接賦值

• df.apply()方法

• df.assign()方法

• 按條件進(jìn)行分組分別賦值

# 1:
import pandas as pd

# 讀取數(shù)據(jù)
lxw = pd.read_csv('sites.csv')

# print(lxw.head())
df = pd.DataFrame(lxw)
# print(df)
df['lrl'] = df['lrl'].map(lambda x: x.rstrip('%'))
# print(df)
df.loc[:, 'jf'] = df['yye'] - df['sku_cost_prc']
# 返回的是Series
# print(df.head())
# 2:
def get_cha(n):
    if n['yye'] > 5:
        return '高價'
    elif n['yye'] < 2:
        return '低價'
    else:
        return '正常價'
df.loc[:, 'yye_type'] = df.apply(get_cha, axis=1)
# print(df.head())
print(df['yye_type'].value_counts())
# 3:
# 可同時添加多個新列
print(df.assign(
    yye_bh=lambda x: x['yye']*2-3,
    sl_zj=lambda x: x['sku_cnt']*6
).head(10))
# 4:

# 按條件先選擇數(shù)據(jù)，然后對這部分?jǐn)?shù)據(jù)賦值新列
# 先創(chuàng)建空列
df['zyye_type'] = ''

df.loc[df['yye'] - df['sku_cnt']>8, 'zyye_type'] = '高'
df.loc[df['yye'] - df['sku_cnt'] <= 8, 'zyye_type'] = '低'
print(df.head())

下面分別是每個小問對應(yīng)運行效果：

1：

2：

3：

4：

2 Pandas數(shù)據(jù)統(tǒng)計函數(shù)

# Pandas數(shù)據(jù)統(tǒng)計函數(shù)
'''
1-匯總類統(tǒng)計
2-唯一去重和按值計數(shù)
3-相關(guān)系數(shù)和協(xié)方差
'''
import pandas as pd
lxw = pd.read_csv('nba.csv')
# print(lxw.head(3))
# 1:
# 一下子提取所有數(shù)字列統(tǒng)計結(jié)果
print(lxw.describe())
# 查看單個Series的數(shù)據(jù)
print(lxw['Age'].mean())
# 年齡最大
print(lxw['Age'].max())
# 體重最輕
print(lxw['Weight'].min())
# 2:
# 2-1 唯一性去重【一般不用于數(shù)值項，而是枚舉、分類項】
print(lxw['Height'].unique())
print(lxw['Team'].unique())
# 2-2 按值計算
print(lxw['Age'].value_counts())
print(lxw['Team'].value_counts())
# 3:
# 應(yīng)用：股票漲跌、產(chǎn)品銷量波動等等
'''
對于兩個變量X、Y：
1-協(xié)方差：衡量同向程度程度，如果協(xié)方差為正，說明X、Y同向變化，協(xié)方差越大說明同向程度越高；
        如果協(xié)方差為負(fù)，說明X、Y反向運動，協(xié)方差越小說明方向程度越高。
2-相關(guān)系數(shù)：衡量相似度程度，當(dāng)他們的相關(guān)系數(shù)為1時，說明兩個變量變化時的正向相似度最大，
            當(dāng)相關(guān)系數(shù)為-1，說明兩個變化時的反向相似度最大。
             
'''
# 協(xié)方差矩陣：
print(lxw.cov())
# 相關(guān)系數(shù)矩陣：
print(lxw.corr())
# 單獨查看年齡和體重的相關(guān)系數(shù)
print(lxw['Age'].corr(lxw['Weight']))
# Age和Salary的相關(guān)系數(shù)
print(lxw['Age'].corr(lxw['Salary']))
# 注意看括號內(nèi)的相減
print(lxw['Age'].corr(lxw['Salary']-lxw['Weight']))

1:

2-1:

部分2-2：

3：

3 Pandas對缺失值的處理

特殊Excel的讀取、清洗、處理：

# Pandas對缺失值的處理
'''
函數(shù)用法：
1-isnull和notnull: 檢測是否有控制，可用于dataframe和series
2-dropna: 丟棄、刪除缺失值
2-1 axis: 刪除行還是列，{0 or 'index', 1 or 'columns'}, default()
2-2 how: 如果等于any， 則任何值都為空，都刪除；如果等于all所有值都為空，才刪除
2-3 inplace: 如果為True，則修改當(dāng)前dataframe,否則返回新的dataframe
2-4 value: 用于填充的值，可以是單個值，或者字典（key是列名，value是值）
2-5 method: 等于ffill使用前一個不為空的值填充forword fill;等于bfill使用后一個不為空的值填充backword fill
2-6 axis: 按行還是按列填充，{0 or "index", 1 or "columns"}
2-7 inplace: 如果為True則修改當(dāng)前dataframe，否則返回新的dataframe

'''
# 特殊Excel的讀取、清洗、處理
import pandas as pd
# 1: 讀取excel時，忽略前幾個空行
stu = pd.read_excel("Score表.xlsx", skiprows=14)     # skiprows: 控制在幾行以下
print(stu)
# 2: 檢測空值
print(stu.isnull())
print(stu['成績'].isnull())
print(stu['成績'].notnull())
# 篩選沒有空成績的所有行
print(stu.loc[stu['成績'].notnull(), :])
# 3: 刪除全是空值的列：
# axis: 刪除行還是列，{0 or 'index', 1 or 'columns'}, default()
# how: 如果等于any， 則任何值都為空，都刪除；如果等于all所有值都為空，才刪除
# inplace: 如果為True則修改當(dāng)前dataframe，否則返回新的dataframe
stu.dropna(axis="columns",  how="all", inplace=True)
print(stu)
# 4: 刪除全是空值的行：
stu.dropna(axis="index", how="all", inplace=True)
print(stu)
# 5: 將成績列為空的填充為0分：
stu.fillna({"成績": 0})
print(stu)
# 同上：
stu.loc[:, '成績'] = stu['成績'].fillna(0)
print(stu)
# 6: 將姓名的缺失值填充【使用前面的有效值填充，用ffill： forward fill】
stu.loc[:, '姓名'] = stu['姓名'].fillna(method='ffill')
print(stu)
# 7: 將清洗好的Excel保存:
stu.to_excel("Score成績_clean.xlsx", index=False)

1:

2

3:

4:

5:

6:

關(guān)于“python之Numpy與Pandas怎么應(yīng)用”這篇文章的內(nèi)容就介紹到這里，感謝各位的閱讀！相信大家對“python之Numpy與Pandas怎么應(yīng)用”知識都有一定的了解，大家如果還想學(xué)習(xí)更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道。