Python Pandas 修改表格資料型別 DataFrame 列的順序案例

2022-08-23 14:01:56

一、修改表格資料型別 DataFrame 列的順序

實戰場景：Pandas 如何修改表格資料型別 DataFrame 列的順序

1.1主要知識點

檔案讀寫
基礎語法
資料構建
Pandas
Numpy

實戰：

1.2建立 python 檔案

import numpy as np
import pandas as pd

np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list('ABCD'))
print(df)
df = df[["D", "A", "B", "C"]]
print(df)

1.3執行結果

A B C D
0 0.154288 0.133700 0.362685 0.679109
1 0.194450 0.251210 0.758416 0.557619
2 0.514803 0.467800 0.087176 0.829095
3 0.298641 0.031346 0.678006 0.903489
4 0.514451 0.539105 0.664328 0.634057
5 0.353419 0.026643 0.165290 0.879319
6 0.067820 0.369086 0.115501 0.096294
7 0.083770 0.086927 0.022256 0.771043
8 0.049213 0.465223 0.941233 0.216512
9 0.361318 0.031319 0.304045 0.188268
D A B C
0 0.679109 0.154288 0.133700 0.362685
1 0.557619 0.194450 0.251210 0.758416
2 0.829095 0.514803 0.467800 0.087176
3 0.903489 0.298641 0.031346 0.678006
4 0.634057 0.514451 0.539105 0.664328
5 0.879319 0.353419 0.026643 0.165290
6 0.096294 0.067820 0.369086 0.115501
7 0.771043 0.083770 0.086927 0.022256
8 0.216512 0.049213 0.465223 0.941233
9 0.188268 0.361318 0.031319 0.304045

二、Pandas 如何統計某個資料列的空值個數

實戰場景：Pandas 如何統計某個資料列的空值個數

2.1主要知識點

檔案讀寫
基礎語法
Pandas
numpy

實戰：

2.2建立 python 檔案

"""
對如下DF，設定兩個單元格的值
·使用iloc 設定(3,B)的值是nan
·使用loc設定(8,D)的值是nan
"""
import numpy as np
import pandas as pd
np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list('ABCD'))
df.iloc[3, 1] = np.nan
df.loc[8, 'D'] = np.nan
print(df)
print(df.isnull().sum())

2.3執行結果

A B C D
0 0.154288 0.133700 0.362685 0.679109
1 0.194450 0.251210 0.758416 0.557619
2 0.514803 0.467800 0.087176 0.829095
3 0.298641 NaN 0.678006 0.903489
4 0.514451 0.539105 0.664328 0.634057
5 0.353419 0.026643 0.165290 0.879319
6 0.067820 0.369086 0.115501 0.096294
7 0.083770 0.086927 0.022256 0.771043
8 0.049213 0.465223 0.941233 NaN
9 0.361318 0.031319 0.304045 0.188268
A 0
B 1
C 0
D 1
dtype: int64

三、Pandas如何移除包含空值的行

實戰場景：Pandas如何移除包含空值的行

3.1主要知識點

檔案讀寫
基礎語法
Pandas
numpy

實戰：

3.2建立 python 檔案

"""
對如下DF，設定兩個單元格的值
·使用iloc 設定(3,B)的值是nan
·使用loc設定(8,D)的值是nan
"""
import numpy as np
import pandas as pd
 
np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list('ABCD'))
df.iloc[3, 1] = np.nan
df.loc[8, 'D'] = np.nan
print(df)
df2 = df.dropna()
print(df2)

3.3執行結果

A B C D
0 0.154288 0.133700 0.362685 0.679109
1 0.194450 0.251210 0.758416 0.557619
2 0.514803 0.467800 0.087176 0.829095
3 0.298641 NaN 0.678006 0.903489
4 0.514451 0.539105 0.664328 0.634057
5 0.353419 0.026643 0.165290 0.879319
6 0.067820 0.369086 0.115501 0.096294
7 0.083770 0.086927 0.022256 0.771043
8 0.049213 0.465223 0.941233 NaN
9 0.361318 0.031319 0.304045 0.188268
A B C D
0 0.154288 0.133700 0.362685 0.679109
1 0.194450 0.251210 0.758416 0.557619
2 0.514803 0.467800 0.087176 0.829095
4 0.514451 0.539105 0.664328 0.634057
5 0.353419 0.026643 0.165290 0.879319
6 0.067820 0.369086 0.115501 0.096294
7 0.083770 0.086927 0.022256 0.771043
9 0.361318 0.031319 0.304045 0.188268

四、Pandas如何精確設定表格資料的單元格的值

實戰場景：Pandas如何精確設定表格資料的單元格的值

4.1主要知識點

檔案讀寫
基礎語法
Pandas
numpy

實戰：

4.2建立 python 檔案

"""
對如下DF，設定兩個單元格的值
·使用iloc 設定(3,B)的值是nan
·使用loc設定(8,D)的值是nan
"""
import numpy as np
import pandas as pd
np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list('ABCD'))
print(df)
 
df.iloc[3, 1] = np.nan
df.loc[8, 'D'] = np.nan
 
print(df)

4.3執行結果

A B C D
0 0.154288 0.133700 0.362685 0.679109
1 0.194450 0.251210 0.758416 0.557619
2 0.514803 0.467800 0.087176 0.829095
3 0.298641 0.031346 0.678006 0.903489
4 0.514451 0.539105 0.664328 0.634057
5 0.353419 0.026643 0.165290 0.879319
6 0.067820 0.369086 0.115501 0.096294
7 0.083770 0.086927 0.022256 0.771043
8 0.049213 0.465223 0.941233 0.216512
9 0.361318 0.031319 0.304045 0.188268
A B C D
0 0.154288 0.133700 0.362685 0.679109
1 0.194450 0.251210 0.758416 0.557619
2 0.514803 0.467800 0.087176 0.829095
3 0.298641 NaN 0.678006 0.903489
4 0.514451 0.539105 0.664328 0.634057
5 0.353419 0.026643 0.165290 0.879319
6 0.067820 0.369086 0.115501 0.096294
7 0.083770 0.086927 0.022256 0.771043
8 0.049213 0.465223 0.941233 NaN
9 0.361318 0.031319 0.304045 0.188268