标签：数学 因此 多维度 数学运算 pre import dataframe mic 通过
import pandas as pd df = pd.DataFrame([[1, ‘A‘, ‘3%‘ ], [2, ‘B‘], [3, ‘C‘, ‘5%‘]], index=[‘row_0‘, ‘row_1‘, ‘row_2‘], columns=[‘col_0‘, ‘col_1‘, ‘col_2‘])
数据帧DataFrame的每一行都可看作是一个对象，每一列都是该对象的不同属性。每行都具有多维度的属性，因此每行都可以看作是一个小的DataFrame；而每列的数据类型都相同，因此每列都可以看作是一个Series。
创建新的DataFrame追加至原有数据帧的尾部，即可实现行的增加。通过df.append()实现行的追加。
# 创建新的数据帧 df_row3 = pd.DataFrame([[4, ‘D‘, ‘9%‘]], index=[‘row_3‘], columns=[‘col_0‘, ‘col_1‘, ‘col_2‘]) # 追加至原有数据帧尾部 df = df.append(df_row3)
创建新的Series追加至原有数据帧的尾部，即可实现列的增加。
# 创建新系列作为新追加的列 df[‘col_4‘] = pd.Series([‘!‘, ‘@‘, ‘$‘, ‘&‘], index=[‘row_0‘, ‘row_1‘, ‘row_2‘, ‘row_3‘])
通过向df.drop()中传入行索引实现对行的删除。
# 删除最后一行 df = df.drop(‘row_3‘)
通过del 或df.pop() 删除索引值对应的列。
# del df[‘col_4‘]，删除最后一列，与下句代码等价 df.pop(‘col_4‘)
注意：df.pop()实现了对df的删除操作，其返回值是被删除的列，而不是新的df。
可以看出，row_1行，col_2列对应位置的元素为空，在实际计算过程中，需对空数据进行补全。可通过df.fillna()对df的空数据进行补全，这里以补0为例。
# df.fillna(0, inplace=True)，就地补0，与下句代码等价 df = df.fillna(0)
可以看出，在col_2列中的‘3%’及‘5%’均为有效的数值数据，但其类型均为‘str’，不能直接参与数学运算。需遍历df，找出其在df中的位置，将其替换为float型数据。
for i in range(len(df.index)): for j in range(len(df.columns)): # df中元素各种类型都有，为了方便检测其中是否含有‘%’，将其统一转换为‘str’型 if ‘%‘ in str(df.iat[i, j]): df.iat[i, j] = float(df.iat[i, j].replace(‘%‘, ‘‘)) / 100
pandas 对数据帧DataFrame中数据的增删、补全及转换操作
标签：数学 因此 多维度 数学运算 pre import dataframe mic 通过
原文地址：https://www.cnblogs.com/HL-space/p/10655866.html
