DataFrame(3):DataFrame常用属性说明

简介: DataFrame(3):DataFrame常用属性说明

1、常用属性如下

ndim 返回DataFrame的维数;

shape 返回DataFrame的形状;

dtypes 返回DataFrame中每一列元素的数据类型;

size 返回DataFrame中元素的个数;

T 返回DataFrame的转置结果;

index 返回DataFrame中的索引;

columns 返回DataFrame中的列索引;

values 返回DataFrame中的数值;

2、演示如下

import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)


结果如下:

image.png


① ndim:返回DataFrame的维数;

df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)
x = df.ndim
display(x)


结果如下:

image.png


② shape:返回DataFrame的形状;

df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)
x = df.shape
display(x)


结果如下:

image.png


③ dtypes:返回DataFrame中每一列元素的数据类型;

df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)
x = df.dtypes
display(x)
# 查看某一列元素的数据类型
y = df["北京"].dtype
display(y)


结果如下:

image.png


④ size:返回DataFrame中元素的个数;

df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)
x = df.size
display(x)


结果如下:

image.png


⑤ T:返回DataFrame的转置结果;

df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)
x = df.T
display(x)


结果如下:

image.png


⑥ index:返回DataFrame中的索引;

df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)
x = df.index
display(x)


结果如下:


image.png

⑦ columns:返回DataFrame中的列索引;

df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)
x = df.columns
display(x)


结果如下:

image.png

注意:行索引、列索引都可以通过list转换为列表,然后我们可以针对这个列表做其他操作。

image.png


⑧ values:返回DataFrame中的数值;

df = pd.DataFrame(np.random.randint(70,100,(3,5)), 
                  index=["地区1", "地区2", "地区3"], 
                  columns=["北京","天津", "上海","沈阳", "广州"])
display(df)
x = df.values
display(x)


结果如下:

image.png

相关文章
|
Serverless 数据处理 索引
Pandas中的shift函数:轻松实现数据的前后移动
Pandas中的shift函数:轻松实现数据的前后移动
1866 0
|
Python
DataFrame合并和连接案例解析
【4月更文挑战第9天】该文介绍了Pandas中DataFrame的合并与连接。通过创建两个DataFrame `df1` 和 `df2`,分别展示其内容,然后利用`merge()`方法按姓名列合并,生成包含共同姓名的完整信息的新DataFrame。此外,还使用`concat()`方法将两个DataFrame沿垂直方向(axis=0)连接,形成一个包含所有原始数据的新DataFrame。
273 2
|
Python
dataframe添加一新列
dataframe添加一新列
2486 2
DataFrame(12):数据转换——apply(),applymap()函数的使用(一)
DataFrame(12):数据转换——apply(),applymap()函数的使用(一)
DataFrame(12):数据转换——apply(),applymap()函数的使用(一)
|
机器学习/深度学习 数据采集 分布式计算
【机器学习】Spark ML 对数据进行规范化预处理 StandardScaler 与向量拆分
标准化Scaler是数据预处理技术,用于将特征值映射到均值0、方差1的标准正态分布,以消除不同尺度特征的影响,提升模型稳定性和精度。Spark ML中的StandardScaler实现此功能,通过`.setInputCol`、`.setOutputCol`等方法配置并应用到DataFrame数据。示例展示了如何在Spark中使用StandardScaler进行数据规范化,包括创建SparkSession,构建DataFrame,使用VectorAssembler和StandardScaler,以及将向量拆分为列。规范化有助于降低特征重要性,提高模型训练速度和计算效率。
478 6
|
SQL 前端开发 Java
谷粒商城笔记+踩坑(15)——商品详情搭建+异步编排
查询 pms_spu_info_desc@Autowired// 4、获取 spu 的介绍 pms_spu_info_desc获取线程池的属性值这里直接调用与配置文件相对应的属性配置类@Bean。
谷粒商城笔记+踩坑(15)——商品详情搭建+异步编排
|
Python
使用python计算两个日期之前的相差天数,周数
使用python计算两个日期之前的相差天数,周数
337 0
|
数据采集 机器学习/深度学习 数据处理
DataFrame 操作
DataFrame 操作
854 1
|
Python
在dataframe中插入新的一列
在pandas中,可以使用`insert`函数在dataframe中插入新的一列。以下是一个例子:
405 0
|
存储 数据安全/隐私保护 计算机视觉
Python教程:一文了解从Bytes到Bits的数据转换
在Python编程中,处理数据时经常需要在字节(bytes)和位(bits)之间进行转换。这种转换在网络通信、数据加密、图像处理等领域尤为常见。本文将详细介绍如何在Python中进行字节与位之间的转换,并提供一个实用的功能:如何在指定的位位置替换位数据。
924 4