pandas刪除資料庫

㈠ pandas刪除空數據行及列dropna()

import pandas as pd

# 刪除含有空數據的全部行

df4 = pd.read_csv('4.csv',  encoding='utf-8')

df4 = df4.dropna()

# 可以通過axis參數來刪除含有空數據的全部列

df4 = df4.dropna(axis=1)

# 可以通過subset參數來刪除在age和sex中含有空數據的全部行

df4 = df4.dropna(subset=["age", "sex"])

print(df4)

df4 = df4.dropna(subset=['age', 'body','home.dest'])

㈡ 怎麼用python進行數據

pandas是本書後續內容的首選庫。pandas可以滿足以下需求：

• 具備按軸自動或顯式數據對齊功能的數據結構。這可以防止許多由於數據未對齊以及來自不同數據源（索引方式不同）的數據而導致的常見錯誤。.

• 集成時間序列功能

• 既能處理時間序列數據也能處理非時間序列數據的數據結構

• 數學運算和簡約（比如對某個軸求和）可以根據不同的元數據（軸編號）執行

• 靈活處理缺失數據

• 合並及其他出現在常見資料庫（例如基於SQL的）中的關系型運算

1、pandas數據結構介紹

兩個數據結構：Series和DataFrame。Series是一種類似於以為NumPy數組的對象，它由一組數據（各種NumPy數據類型）和與之相關的一組數據標簽（即索引）組成的。可以用index和values分別規定索引和值。如果不規定索引，會自動創建 0 到 N-1 索引。



• #-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport time#下面看一下cummin函數#注意：這里的cummin函數是截止到目前為止的最小值，而不是加和以後的最小值frame = DataFrame([[1,2,3,4],[5,6,7,8],[-10,11,12,-13]],index = list('abc'),columns = ['one','two','three','four'])print frame.cummin()print frame


• >>>


• one two three four


• a 1 2 3 4


• b 1 2 3 4


• c -10 2 3 -13


• one two three four


• a 1 2 3 4


• b 5 6 7 8


• c -10 11 12 -13

相關系數與協方差

有些匯總

㈢ pandas寫入csv文件時,如果該文件已存在

如果該文件已存在可以選擇目標表。
使用pandas自帶的數據導入向導，右擊導入的資料庫，瀏覽打開要導入的csv文件，進行必要的設置，如果該文件已存在，因此可以直接選擇目標表。
pandas是基於NumPy的一種工具，該工具是為了解決數據分析任務而創建的。

㈣ 數據分析—Pandas刪除數據的幾種情況

開始之前，pandas中DataFrame刪除對象可能存在幾種情況

本文就針對這四種情況探討一下如何操作。

模擬了一份股票交割的記錄。

也可以根據行號刪除記錄，比如刪除第三行

注意，這個辦法其實不是按照行號刪除，而是按照索引刪除。如果index為3，則會將前4條記錄都刪除。這個方法支持一個范圍，以及用負數表示從末尾刪除。

本例其實是篩選，如果需要保留，可以將篩選後的對象賦值給自己即可。

如果想取包含某些字元的記錄，可以去掉~

完成~
希望本文的內容對大家的學習或者工作能帶來一定的幫助，每天進步一點點，加油。

㈤ pandas可以執行不同庫的musql表么

不可以。
經查閱pandas資料庫可知，pandas只能執行相同庫的musql表。主要使用python中集成的SQLAlchemy、PyMySQL的兩個庫來向資料庫中新增行記錄。
pandas是基於NumPy的一種工具，該工具是為了解決數據分析任務而創建的。Pandas納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。

㈥ 隊列能用來構建series對象嗎

Pandas數據結構詳細說明及如何創建Series，DataFrame對象方法
2021-10-06 13:45:19 投稿：wdc

本篇文章中，我們主要側重於介紹Pandas數據結構本身的特性，以及如何創建一個Series或者DataFrame數據對象，並填入一些數據
在網路上的Pandas教程中，很多都提到了如何使用Pandas將已有的數據（如csv，如hdfs等）直接載入成Pandas數據對象，然後在其基礎上進行數據分析操作，但是，很多時候，我們需要自己創建Pandas數據對象，並填入一些數據，常見的應用場景如：我們想要將現有的數據進行處理，並生成一個新的Pandas數據對象，還有，我們想利用Pandas的數據保存功能（比如to_csv, to_json, to_hdf等等）把我們採集到的數據寫入到IO里邊，因此掌握Pandas對象的特性，以及如何創建也是很重要的。

有些時候我們需要利用pandas數據結構創建自己的對象，按自己的方式保存新數據，我們將在本文中介紹如何實現。

1. Pandas的兩種數據類型
Pandas支持兩種數據類型，分別為Series和DataFrame，其中：

Series - 是一個帶有標簽的一維數組，支持多種不同的類型，但是針對同一個Series里邊存儲的數據類型必須是一致的
DataFrame - 是一個帶有標簽的二維數組，是一個尺寸可以修改的表格，一個DataFrame由多個Series組成，每一列都是一個Series
一句話描述的話就是，Series是很多標量數據（Scalar）的集合，而DataFrame是很多Series的集合。

我們來看下圖這個例子，在1D的Series中，下圖中有三個Series，分別保存了姓名(name)， 年齡(age)和得分(marks)，而他們的每一行都分別對應一個不同的人的信息，在每一個Series中的每一個單元格中（比如name series的第1行，對應的Prasadi）都是一個標量（Scalar），而每一行前邊的0，1，2，3這些就是數據的索引（index），也可以叫做標簽，所以說，Series是帶有標簽的一維數組。

可以看出，利用Series只能存儲一種類型的數據，比如說name series存儲的數據是字元串類型，而age series存儲的數據是整數型。如果我們想把name，age，marks存儲在一個數據結構里，我們就需要使用DataFrame，從圖中看出，DataFrame類似於一個表格數據，有行有列，行跟Series的行一致，是數據的標簽，而每一列就是原來的每一個Series。

2. Series類型
如我們在前文中所說，Series結構中可以存儲任何類型的數據，包括：整型，字元串類型，浮點型，甚至是Python對象等等，但是要求是，每一行的數據類型必須統一。那麼如何創建一個Series對象呢，

通過numpy array
Pandas的一個主要用途是數據分析，而它也是基於Numpy實現的，因此，通過numpy array來創建Series是非常常見的。

np_array = np.random.randn(5)
pd.Series(np_array, index=['a', 'b', 'c', 'd', 'e'])
上邊這段代碼，利用np.random.randn隨機生成一個長度為5的numpy array，然後pd.Series使用這個numpy array來創建一個Series，在創建的同時，指定了每一行的index（標簽）分別是a，b，c，d，e，f，輸出結果為：

通過Python字典
通過上邊這個示例，大家有沒有發現Series跟Python內置的dict類型是不是很類似，標簽相當於dict中的key，而數據內容相當於dict中的value，它們有一一對應的關系，因此，可以想像，我們能夠直接通過Python的dict來創建一個Series。

d = {'b': 1, 'a': 0, 'c': 2}
pd.Series(d)
上邊這段代碼，我們先創建了一個Python地點d，然後將這個字典傳遞給pd.Series來創建一個Pandas Series，運行結果為：

通過標量值（Scalar）
除了上邊這兩種方式，我們還可以通過一個簡單的標量值來創建Series，特別注意的是跟上邊兩種方式不同，在使用這種方式創建Series的時候，我們必須指定index

pd.Series(5, index=['a', 'b', 'c', 'd', 'e'])
如上邊代碼所示，我們使用一個常量5，然後指定index為a，b，c，d，e，同樣使用pd.Series可以創建一個Series對象，看到這里我們就能夠明白為什麼必須指定Index了吧，那是因為Series對象是有長度的，長度是可以大於1的，而標量的長度固定為1，我們可以通過指定Index的方式來控制生成的Series的長度，Series中的值則是重復使用這一個標量常量5。其運行結果為：

name屬性
當我們創建一個Series的時候，我們可以指定一個名稱，這個名稱會被存儲到Series的name屬性中，後續我們還可以使用rename方法來修改這個屬性，例如下邊這樣的代碼：

s = pd.Series(np.random.randn(5), name='this_is_name')
s
創建了一個名稱為this_is_name的Series，然後我們使用rename方法來重命名這個Series為this_is_new_name：

s = s.rename('this_is_new_name')
s
上邊這兩部分代碼的輸入如下圖：

那麼這個名稱有什麼作用呢，這里預告一下，我們將在DataFrame中用到（別忘了DataFrame是多個Series的集合）

3. DataFrame類型
在第一節中我們介紹到，DataFrame是一個二維的表格數據結構，它有行和列的概念，跟行標簽相對應的，為了能夠按列索引數據，每一列都可以有一個名稱，即列名，我們剛在Series章節中看到，Series可以表示一列數據，我們在本節中介紹的DataFrame就是多個這樣的Series的組合，每一列就對應一個Series，而每一行也對應一個Series。讀到這里，你是不是能夠猜的出我們剛說的Series的name屬性的用途了，對了，使用Series創建DataFrame的列的時候，Series的名稱就會成為列名，如果Series作為行，則Series的名稱會成為行名。

接下來我們來講解如何創建DataFrame

通過一維numpy array或者Python List 組成的字典
大家可以想想，如果一個字典的value是array或者list的時候，那麼這個字典其實就是一種表格結構，圖為DataFrame是一個表格結構的數據類型，我們是可以通過這樣的字典來創建DataFrame，例如下邊這段代碼

d = {'one': [1., 2., 3., 4.],
'two': [4., 3., 2., 1.]}
pd.DataFrame(d, index=['a', 'b', 'c', 'd'])
我們把d這個Python字典傳遞給pd.DataFrame來創建新的DataFrame，同時我們可以通過指定index來指定DataFrame的行名（標簽），上邊代碼的輸出為

通過包含列表的Python List
我們再來想想一下，除了字典之外可以表示表格數據，還有沒有其他的方法，是的，還有Python List，例如下邊這段代碼

data = [(1, 2., 'Hello'), (2, 3., "World")]
pd.DataFrame(data)
我們可以用data這樣的Python List來表示表格數據，不同於前邊提到的字典（dict），用List表示的表格數據其實是沒有行名和列名的，因此Pandas默認會自動生成行名和列名，所以上邊的代碼輸出為：

當然，自動生成的行名列名沒有任何意義，為了更好的操作數據，我們還可以通過設置pd.DataFrame方法的index或者columns參數來指定自己的行名或者列名。

通過包含Python 字典的Python List
我們繼續想想，還有什麼能夠表示表格數據？對了，包含Python字典的Python List也是可以表達表格數據的，例如下邊的代碼

data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]
pd.DataFrame(data)
data是一個Python List，而列表中的每一個元素都是一個字典，運行結果為：

類似的，我們也可以通過指定index或者columns參數來修改行名和列名

通過Series
我們一直在提DataFrame是很多Series的集合（註：Series在DataFrame中可以是一行，也可以是一列），因此，我們也可以通過Series來創建DataFrame，例如下邊這段代碼

s1 = pd.Series(np.random.randn(5), name='this_is_name')
df = pd.DataFrame(s1)
df
利用s1這個Series來創建只有一列的DataFrame，輸出結果為：

還記得不，我們前邊提到了Series的name屬性，在使用Series創建DataFrame的時候，這個屬性會用來作為列名（或者行名，我們在下邊的列子可以看得出），例如下邊的這段代碼，如果有兩個Series，我們還可以用下邊這樣的方式創建DataFrame

s1 = pd.Series(np.random.randn(5), name='this_is_name')
s2 = s.rename('this_is_new_name')
df = pd.DataFrame([s1, s2])
df
這里我們使用了兩個名分別為this_is_name和this_is_new_name的Series來創建DataFrame，得到的結果為：

到這里，相信讀者已經對Pandas提供的數據類型有了一個全面的認識了，並且有能力自己創建Pandas數據結構，並存儲自己的數據了，一個常見的應用場景就是我們通過爬蟲獲取到數據以後，可以將這些非結構化的數據以Pandas的表格格式保存，值得注意的是數據存儲在Pandas數據結構中的時候，數據其實是在內存中的，當程序被關閉以後，數據就丟失了，如果我們需要將數據持久化保存到硬碟或者資料庫中的話，則可以通過簡單的調用Pandas提供的to_csv, to_json, to_hdf等等介面將數據永久保存下來。

更多Python Pandas庫的相關文章，請點擊下面的相關文章

您可能感興趣的文章:
Python數據分析 Pandas Series對象操作
使用python計算方差方式——pandas.series.std()
教你漂亮列印Pandas DataFrames和Series
pandas的Series類型與基本操作詳解
Pandas把dataframe或series轉換成list的方法
pandas中的series數據類型詳解
淺談Pandas Series 和 Numpy array中的相同點
Pandas中Series的屬性,方法,常用操作使用案例
相關文章

Python淺析迭代器Iterator的使用
Python淺析迭代器Iterator的使用
2022-07-07
python面試題之read、readline和readlines的區別詳解
python面試題之read、readline和readlines的區別詳解
2022-07-07
Python利用LyScript插件實現批量打開關閉進程
Python利用LyScript插件實現批量打開關閉進程
2022-07-07
Pandas 篩選和刪除目標值所在的行的實現
Pandas 篩選和刪除目標值所在的行的實現
2022-07-07
最近更新

Python動態配置管理Dynaconf的實現示例詳解
Python動態配置管理Dynaconf的實現示例詳解
2022-07-07
Python中np.linalg.norm()用法實例總結
Python中np.linalg.norm()用法實例總結
2022-07-07
python生成requirements.txt文件的推薦方法
python生成requirements.txt文件的推薦方法
2022-07-07
Python3讀取文件的操作詳解
Python3讀取文件的操作詳解
2022-07-07
業界資訊

美國設下計謀,用娘炮文化重塑日本,已影響至中國
美國設下計謀,用娘炮文化重塑日本,已影響至中國
2021-11-19
時空伴隨者是什麼意思?時空伴隨者介紹
時空伴隨者是什麼意思?時空伴隨者介紹
2021-11-09
工信部稱網盤企業免費用戶最低速率應滿足基本下載需求，天翼雲盤回應：堅決支持，始終
工信部稱網盤企業免費用戶最低速率應滿足基本下載需求，天翼雲盤回應：堅決支持，始終
2021-11-05
2022年放假安排出爐：五一連休5天 2022年所有節日一覽表
2022年放假安排出爐：五一連休5天 2022年所有節日一覽表
2021-10-26
電腦版 - 返回首頁

2006-2022 腳本之家 JB51.Net , All Rights Reserved.
蘇ICP備14036222號

㈦ python--pandas刪除

drop 方法是pandas中刪除行或列的方法。

根據 索引名 刪除目標行。

當需要根據索引位置刪除時，可以使用 index 屬性來組合完成。

根據 列名 刪除目標列，同時需要設置 axis=1 或者 columns 。

當需要根據列位置刪除時，可以使用 columns 屬性來組合完成。

刪除列也可以用關鍵字 del 實現，每次只能刪除一列，且刪除列後，原數據發生改變。

同時刪除行和列，需要為行使用 index 參數，為列使用 columns 參數。

當數據框有多重索引時，刪除行時，需要設置 level 參數。

多重索引數據框同時刪除行和列時，只能刪除第一層索引和列。

dropna 為刪除缺失值的方法。

默認會刪除包含缺失值的所有行。

可設置 how , thresh , subset 參數控制刪除的行為。

設置參數 axis=1 或者 axis=columns 刪除缺失列。

同樣，可以設置 how , thresh , subset 參數來控制刪除缺失列的行為。

刪除重復值用 drop_plicates 方法實現。

設置 subset 參數，根據列刪除重復行。

設置 ignore_index=True 可以對刪除重復行後的數據索引重排序。